XiaoMi-AI文件搜索系统
World File Search SystemLocalization
在施工环境中的强大高精度激光雷达本地化
摘要 - 准确的定位在自主机器人系统的有效运行中起着至关重要的作用，尤其是在诸如施工站点之类的染色体环境中。同时使用LIDAR传感器同时定位和映射（SLAM）已成为一种流行的解决方案，因为它在没有外部基础架构的情况下可以进行功能。但是，现有的al-gorithms表现出重大的缺点。尽管当前的方法在长期轨迹上达到了很高的准确性，但它们在复杂的室内环境中的精确性和可靠性而苦苦挣扎。本文介绍了一种新型的基于功能的LiDAR SLAM系统，旨在解决这些局限性并增强短期精度和整体鲁棒性。使用现有数据集和物理机器人平台评估了所提出的系统，以解决当前实现的局限性，并在挑战现实世界中，尤其是在施工环境中展示改进的穿孔。
osimertinib诱导的红细胞毛：病例报告
摘要。本研究的目的是评估激光定位的功效和安全性以及软通道微创手术（MIS）以治疗脑出血，并开发出易于效率，安全和精确的区域的立体定向替代方案。为了实现这一目标，将60例脑出血患者随机分配给对照组（n = 30）或研究组（n = 30）。研究组中的患者用激光定位和软通道MIS进行治疗以去除血肿，而对照组用YL -1针穿刺治疗，以排干颅内出血。所有患者都接受了成功的手术治疗。研究组的血肿清除率为88.72±2.82％，对照组为84.50±4.26％。两组都达到了残留的血肿量<10 mL或血肿清除率> 70％，并且与对照组相比，血肿清除率的差异具有统计学意义（P <0.05），研究组的血肿清除率有所提高。研究组的7天术后格拉斯哥昏迷量表得分为13.0 [四分位间范围（IQR），12.0，14.0]，对于对照组，对照组的12.0（IQR，11.0，13.0）表示，该研究组有改善的结果。研究组的穿刺精度为100％（30/30），而对照组为76.66％（23/30）（p <0.05）。
室内移动机器人定位的分层算法...
摘要 —本文讨论了一种基于射频识别 (RFID) 的移动机器人定位方法，该方法采用分布在空间中的 RFID 标签。现有的用于移动机器人定位的独立 RFID 系统受到许多不确定性的阻碍。因此，我们提出了一种新算法，通过将 RFID 系统与超声波传感器系统融合来改善定位。所提出的系统通过使用从超声波传感器获得的距离数据部分消除了 RFID 系统的不确定性。我们定义了使用 RFID 系统的全局位置估计 (GPE) 过程和使用超声波传感器的局部环境认知 (LEC) 过程。然后，提出了一种分层定位算法，使用 GPE 和 LEC 来估计移动机器人的位置。最后，通过实验证明了所提算法的实用性。
室内移动机器人定位的分层算法...
摘要 —本文讨论了一种基于射频识别 (RFID) 的移动机器人定位方法，该方法采用分布在空间中的 RFID 标签。现有的用于移动机器人定位的独立 RFID 系统受到许多不确定性的阻碍。因此，我们提出了一种新算法，通过将 RFID 系统与超声波传感器系统融合来改善定位。所提出的系统通过使用从超声波传感器获得的距离数据部分消除了 RFID 系统的不确定性。我们定义了使用 RFID 系统的全局位置估计 (GPE) 过程和使用超声波传感器的局部环境认知 (LEC) 过程。然后，提出了一种分层定位算法，使用 GPE 和 LEC 来估计移动机器人的位置。最后，通过实验证明了所提算法的实用性。
数据本地化政策的“现实危害”
随着世界各地的政策制定者逐渐认识到数据使用和创新带来的巨大机遇和风险，一些政策制定者开始推行“数据本地化”政策，包括明确要求将数据存储在收集数据的司法管辖区，并限制将数据传输到其他司法管辖区。许多此类政策据称使政府能够获得新的或更多的数据访问权限或对数据进行更大的控制——尤其是个人数据，但非个人数据也越来越多。从逻辑上讲，某些数据本地化方法可能会导致跨境数据流中断或终止，并在这一过程中对个人和社会造成重大损害。简而言之——政府从数据本地化政策中寻求的好处无法抵消危害，本地化甚至可能无法实现制定该政策的目的。
基于多传感器融合的高精度定位安全性...
• 百度阿波罗，[ICRA’18] [ITS’16] [IV’16] [Sensors’15] [IROS’13] [IJRR’11] 等。• 利用不同传感器的优势和弥补其弱点
基于多传感器融合的高精度定位安全性...
• 百度阿波罗，[ICRA’18] [ITS’16] [IV’16] [Sensors’15] [IROS’13] [IJRR’11] 等。• 利用不同传感器的优势和弥补其弱点
DNN 辅助基于粒子的贝叶斯联合同步与定位
摘要 — 在本文中，我们提出了一种基于深度神经网络辅助粒子滤波器 (DePF) 的方法来解决超密集网络中的移动用户 (MU) 联合同步和定位 (sync&loc) 问题。具体而言，DePF 在 MU 和接入点 (AP) 之间部署了一种非对称时间戳交换机制，传统上，该机制为我们提供有关 MU 时钟偏移和偏差的信息。然而，AP 和 MU 之间的距离信息也是交换时间戳所经历的传播延迟所固有的。此外，为了估计接收到的同步数据包的到达角，DePF 利用多信号分类算法，该算法以同步数据包所经历的信道脉冲响应 (CIR) 为输入。CIR 还用于确定链路条件，即视距 (LoS) 或非视距。最后，为了执行联合同步和定位，DePF 利用粒子高斯混合，允许对上述信息进行基于粒子和参数贝叶斯递归滤波 (BRF) 的混合融合，从而联合估计 MU 的位置和时钟参数。模拟结果验证了所提出的算法优于最先进的方案，尤其是基于扩展卡尔曼滤波器和线性化 BRF 的联合同步和定位。特别是，仅利用来自单个 AP 的同步时间戳交换和 CIR，在 90% 的情况下，绝对位置和时钟偏移估计误差分别保持在 1 米和 2 纳秒以下。
