XiaoMi-AI文件搜索系统
World File Search SystemLocalization
芯片供应链：分叉与本土化
这是人类历史上规模最大的制造业。高度复杂的半导体供应链是周期性的和相互关联的，因此很难理清。在过去的几十年里，半导体供应链已经简单地分为三个主要生产步骤，专注于性能和能效创新，同时降低成本和缩小芯片尺寸。首先，工程师设计芯片并精心规划如何构建其电子电路。其次，通过光刻等工艺将芯片设计制造到洁净室中的硅晶片上，微小电路被一层层构建起来。最后，将制造好的芯片从晶片上切下来，封装在保护外壳中，并经过严格测试以确保功能，然后才能集成到电子设备中（参见 CSS 研究）。
l-sort：用于实时多渠道尖峰与本地化的高效硬件
摘要 - Spike分选对于从神经信号中提取神经元信息并了解脑功能至关重要。随着高密度微电极阵列（HDMEAS）的出现，多通道尖峰分类的挑战和机遇已经加剧。实时尖峰排序特别对于闭环大脑计算机界面（BCI）介绍至关重要，要求有效的硬件实现。本文介绍了L-Sort，这是一种用于实时多通道尖峰排序的硬件设计。利用尖峰定位技术，L-SORT可实现有效的尖峰检测和聚类，而无需在检测过程中存储原始信号。通过合并中值阈值和几何特征，L-SORT在准确性和硬件效率方面展示了有希望的结果。我们使用使用高密度神经探针（Neuropixel）记录的公开数据集评估了设计的检测和聚类精度。我们在FPGA上实施了设计，并将结果与最先进的状态进行了比较。结果表明，与其他基于FPGA的Spike分类硬件相比，我们的设计消耗了更少的硬件资源。索引术语 - Spike Anting，Spike Netization，Hardware
deepSense-v2v：车辆到车辆多模式感应，定位和通信数据集
摘要 - 高数据速率和低延迟车辆到车辆（V2V）通信对于未来的智能运输系统至关重要，以实现协调，增强安全性和支持分布式计算和情报要求。但是，制定有效的沟通策略需要现实的测试场景和数据集。这在高频带中很重要，在高频带中，有更多的频谱可用但收获该带宽受到方向传输的需求和信号传播对阻塞的敏感性的挑战。这项工作介绍了第一个用于研究MMWave车辆到车辆通信的大规模多模式数据集。它提出了一个两辆车测试台，该床包括来自360º相机，四个雷达，四个60 GHz阶段阵列，一个3D激光雷达和两个精确的GPS的数据。数据集包含白天和黑夜驾驶的车辆，在城堡和农村环境中，速度为120公里，速度高达每小时100公里。从卡车到自行车的所有图像中都检测到超过一百万个物体。这项工作进一步包括详细的数据集统计信息，这些数据集统计数据证明了各种情况的覆盖范围，并突出了该数据集如何启用新颖的机器学习应用程序。
仓库应用程序同时本地化和映射（SLAM）
COVID-19大流行对全球供应链的破坏性影响及其对本研究论文脆弱性的暴露，描述了为仓库应用实用的SLAM模型的开发和实施。SLAM技术允许自主系统在估计自己的位置的同时绘制未知环境。该模型将硬件（移动机器人平台与传感器）和软件（SLAM算法和实时数据处理）组合结合在一起。该项目涉及审查SLAM算法，组装硬件，开发软件模块并测试模型的性能。实验表明该模型成功映射了未知环境，并准确地估算了其实时位置。该项目对机器人技术，自动驾驶汽车和增强现实具有实际影响。总体而言，这项研究有助于大满贯技术的发展，并为该领域的进一步探索提供了见解。
基于原型的神经网络，用于图像异常检测和定位
图像异常检测和定位不仅执行图像水平异常分类，还可以定位像素级异常区域。最近，由于其在各个领域的广泛应用，因此受到了很多研究的关注。本文提出了原型，这是一种基于原型的神经网络，用于图像异常检测和定位。首先，普通图像的贴片特征是通过对自然图像预先训练的深网进行提取的。然后，通过非参数聚类来学习北斑特征的原型。最后，我们通过将特征提取网络附加到具有L 2特征正常ization，1×1卷积层，通道最大 - 功能和减法操作的特征提取网络来构建图像异常定位网络（PITOAD）。我们将原型用作1×1卷积层的内核；因此，我们的神经网络不需要训练阶段，并且可以以端到端的方式进行异常检测和定位。对两个挑战的工业异常检测数据集MVTEC AD和BTAD进行了广泛的实验，这表明，原始AD达到了具有较高推理速度的最先进方法的竞争性能。源代码可在以下网址获得：https：//github.com/98chao/protoad。
I2P注册通过学习从像素到点相似性的基本对齐特征空间
摘要 - 对于自动地面车辆，带有3D激光雷达的全球定位是导航等任务中必不可少的一部分。通常，使用LIDAR的全球定位细分为两个子问题，即位置识别和全球注册。为了获得位置识别，基于深度学习的最新新兴方案要么依赖于具有高复杂性的3D卷积，要么需要从各种前瞻性角度学习特征。为此，我们提出了一个具有滚动式yaw不变性的模型，该模型代表点云为概率的体素，并从鸟眼的视图中产生占用网格，从而通过从固定的角度学习聚集的嵌入来实现稳健的位置识别。对于低重叠的全球注册，基于传统的手工艺特征的方法主要限于密集的对象级别云，而基于最新的学习方法通常依赖于复杂的3D卷积和其他功能关联学习。为了在一定程度上填补这一空白，我们建议通过拟合和对齐点云的接地平面来估计相对滚动角度和垂直翻译，并通过匹配其预计的占用率网格来确定水平翻译和偏航角。广泛的实验证实了我们位置识别模型的出色召回和概括能力，以及我们3D注册方法的高级成功率和准确性。尤其是在认识和注册硬样品时，我们的结果远远超过了我们的结果。为了确保完整的可重复性，相关代码和数据可在https://cslinzhang.github.io/gloc/gloc/gloc.html上在线提供。
室内定位和4D MMWave成像雷达
状态估计是成功实施机器人系统的关键组成部分，依赖于相机，LIDAR和IMU等传感器。然而，在现实情况下，这些传感器的性能是通过具有挑战性的环境来划分的，例如不利的天气条件和弱光场景。新兴的4D成像雷达技术能够在不利条件下提供强大的感知。尽管有潜力，但对于嘈杂的雷达数据没有明确的几何特征而言，室内环境仍然存在挑战。此外，雷达数据分解和视野（FOV）的差异可能导致不准确的测量结果。虽然先前的研究探索了基于多普勒速度信息的雷达惯性探测仪，但由于FOV和雷达传感器的分辨率差异，估计3D运动的挑战仍然存在。在本文中，我们解决了多普勒速度测量不确定性。我们提出了一种在管理多普勒速度不确定性的同时优化车身速度的方法。基于我们的观察结果，我们提出了双成像雷达配置，以减轻雷达数据中差异的挑战。为了获得高精度3D状态估计，我们引入了一种策略，该策略将雷达数据与消费级IMU传感器无缝整合，并使用固定lag平滑光滑优化。最后，我们使用现实世界3D运动数据评估了我们的方法，并演示了本地化和映射的流任务。
乐团：通过单个LORA网关和基于生成扩散模型的指纹构图
在果园中，机器人的树级定位对于智能农业应用至关重要。但是，先前的解决方案无法提供足够的准确性。我们开发了我们的系统，这是一种基于固定识别的本地化系统，可以仅使用一个Lora网关提供树级的精度。我们提取在八个频道上显示的通道状态信息（CSI）作为填纸。为了避免用于构建和更新Fifgerprint数据库的劳动密集型站点调查，我们设计了CSI生成模型（CGM），该模型（CGM）了解CSIS及其相应位置之间的关系。使用静态LORA传感器节点的CSI进行CGM进行构建，以构建和更新Fifgerprint数据库。在两个果园中进行了广泛的实验，这是我们系统在以最小的开销和增强机器人导航准确性来实现树级定位方面的有效性。
一项关于全球LIDAR定位的调查
对自己姿势的抽象知识是所有移动机器人应用程序的关键。因此，姿势估计是移动机器人核心功能的一部分。在过去的二十年中，LiDAR扫描仪已成为机器人定位和地图的标准传感器。本文旨在概述基于激光雷达的全球范围的最新进展和进步。我们首先提出问题并探索应用程序范围。然后，我们对方法论进行了综述，包括诸如地图，描述符的近期主题和跨机器人本地化等几个主题的最新进步。本文的内容是在三个主题下组织的。第一个主题涉及全球地方的结合和本地姿势估计。第二个主题是将单次测量升级到顺序全局定位的顺序测量值。最后，第三个主题侧重于将单机器人全局本地化扩展到多机器人系统中的跨机器人本地化。我们通过讨论开放式挑剔和有前途的全球liDar局部局限性的有希望的指示来结束调查。据我们最大的知识，这是第一个compre-
海洋天然产品营救了眼睛
摘要：物联网（IoT）彻底改变了世界，连接了数十亿个设备，这些设备在用户日常生活的各个方面提供了帮助。上下文感知的物联网应用程序利用实时环境，特定于用户或情境数据，以动态适应用户的需求，提供量身定制的体验。特别是基于位置的服务（LBS）利用地理信息以适应环境设置或根据用户和节点的职位提供建议，从而提供高效和个性化的服务。为此，对在科学界建立物联网定位系统的兴趣越来越大。此外，由于精确位置信息固有的敏感性和隐私，LBS引入了新的安全挑战。为了确保一个更安全和可信赖的系统，研究人员正在研究如何从LBS授权的物联网应用程序的早期设计阶段来防止脆弱性并减轻风险。这项研究的目的是对IoT的本地化技术进行深入研究，并重点介绍了信号处理的设计和安全性方面。调查主要集中在主动无线电定位技术上，将其分类为基于范围和无范围的算法，同时还探索了混合方法。接下来，深入探讨了安全考虑因素，检查了每种本地化技术的主要攻击，并将其链接到文献中提出的最有趣的解决方案。通过强调进步，分析挑战并提供解决方案，该调查旨在指导研究人员浏览复杂的物联网本地化格局。