开发了使用粒子滤波器(递归蒙特卡罗方法)解决定位、导航和跟踪问题的框架。提出了一种粒子维度简约的通用算法。汽车和航空应用从数字上说明了与基于卡尔曼滤波器的传统算法相比的优势。这里使用非线性模型和非高斯噪声是准确度提高的主要原因。更具体地说,我们描述了如何使用地图匹配技术将飞机的海拔剖面图与数字海拔地图进行匹配,将汽车的水平行驶路径与街道地图进行匹配。在这两种情况下,都可以实时实现,测试表明,其准确度可与卫星导航(如 GPS)相媲美,但完整性更高。基于模拟,我们还讨论了粒子滤波器如何用于基于手机测量的定位、飞机的综合导航以及飞机和汽车的目标跟踪。最后,粒子滤波器为导航和跟踪的组合任务提供了一个有希望的解决方案,这在空中搜寻和汽车防撞上都有所体现。
“系统、决策和控制研究”系列(SSDC)涵盖了广泛认知的系统、决策和控制各个领域的新发展和进步以及最新技术水平——快速、最新且高质量。旨在涵盖与系统、决策、控制、复杂过程和相关领域相关的最新技术和未来发展的理论、应用和观点,这些领域涉及工程、计算机科学、物理学、经济学、社会和生命科学,以及它们背后的范式和方法。本系列包含系统、决策和控制方面的专著、教科书、讲义和编辑卷,涉及网络物理系统、自主系统、传感器网络、控制系统、能源系统、汽车系统、生物系统、车辆网络和联网汽车、航空航天系统、自动化、制造、智能电网、非线性系统、电力系统、机器人、社会系统、经济系统等领域。对于投稿者和读者来说,特别有价值的是较短的出版周期以及全球范围的分发和曝光,这使得研究成果能够广泛而迅速地传播。
在陆地机器人自主导航的背景下,创建用于代理动力学和感官的现实模型是机器人文献和商业应用中的广泛习惯,在该习惯中,它们用于基于模型的控制和/或用于本地化和映射。另一方面,较新的AI文献是在模拟器或Ai-thor的模拟器或端到端代理上进行训练的,在这种模拟器中,重点放在照相现实渲染和场景多样性上,但是高效率机器人动作具有较少的特权角色。所得的SIM2REAL差距显着影响训练有素的模型转移到真正的机器人平台。在这项工作中,我们探讨了在设置中对代理的端到端培训,从而最大程度地减少了Sim2real Gap,在感应和驱动中。我们的代理直接预测(离散的)速度命令,这些命令是通过真实机器人中的闭环控制维护的。在修改的栖息地模拟器中鉴定并模拟了真实机器人的行为(包括底盘的低级控制器)。探视和定位的噪声模型进一步促进了降低SIM2REAL间隙。我们在实际导航方案上评估,探索不同的本地化和点目标计算方法,并报告与先前的工作相比的性能和鲁棒性的显着增长。
本研讨会旨在将开拓者和从业人员汇集到研究问题上的研究问题,以讨论其新的范式并寻找路线图,从而促进对新兴研究问题的理解,从而引起广泛的兴趣并以方向向前发展交流见解。我们努力在这个基本主题背后建立一个社区,并提供平台,共享想法,探索共识并创造协作机会。值得一提的是,基础模型的当前数据实践在很大程度上是不透明的1。本研讨会的一个使命是在预处理阶段本身就开源数据工作进行社区努力。随后的努力包括创建数据集,基准(例如MLCommons和Dataperf)以及专门的场所(例如DMLR)来促进基础模型数据问题的研究,并最终促进FMS在社交技术方面的广泛部署,从而为大体而提供受益的型社会技术。
通常,作战需求将对航空航天平台的作战场景和所需任务能力进行一般性描述。综合导航系统将具有各种作战模式,这些模式将以各种方式对其所处的特定作战环境做出反应。因此,作战需求必须详细阐述预期任务,并定义任务每个阶段对导航系统的要求。技术需求必须将多种任务能力和环境转化为技术能力和参数,以便开发系统设计。
摘要1摘要(葡萄牙)2认可3目录5图7缩写8术语9 1.简介10 1.1。背景10 1.2。问题语句12 1.3。研究目的14 1.4。研究问题15 1.5。划界15 1.6。论文的轮廓16 2。理论框架17 2.1。人工智能技术及其在军事决策过程中的应用17 2.1.1。人工智能的定义17 2.1.1.1。弱AI和强AI 18 2.1.2。AI集成的水平20 2.1.2.1。 人类内部和自治AI 20 2.1.2.2。 Black-Box AI和可解释的AI 20 2.1.3。 军事决策过程22 2.1.4。 军事决策过程中AI技术整合的当代范式23 2.2。 对AI 25 2.2.1的感知,假设,期望和信任。 技术接受模型:扩展到AI 25 2.2.2。 技术帧27 2.2.3。 对AI的信任及其对MCDMP 28 28 2.2.3.1集成的影响。 信任的定义29 2.2.3.2。 信任AI:信任的维度30 2.2.3.3。 信任AI:技术的可信度30 2.3。 结论31 3。 方法论33 3.1。 研究方法:定性研究33 3.1.1。 时间范围34 3.2。 研究设计:选择和选择34 3.3。 数据收集方法35AI集成的水平20 2.1.2.1。人类内部和自治AI 20 2.1.2.2。Black-Box AI和可解释的AI 20 2.1.3。军事决策过程22 2.1.4。军事决策过程中AI技术整合的当代范式23 2.2。对AI 25 2.2.1的感知,假设,期望和信任。技术接受模型:扩展到AI 25 2.2.2。技术帧27 2.2.3。对AI的信任及其对MCDMP 28 28 2.2.3.1集成的影响。信任的定义29 2.2.3.2。信任AI:信任的维度30 2.2.3.3。信任AI:技术的可信度30 2.3。结论31 3。方法论33 3.1。研究方法:定性研究33 3.1.1。时间范围34 3.2。研究设计:选择和选择34 3.3。数据收集方法35
Vision语言导航(VLN)要求代理在基于视觉观察和自然语言说明的3D环境中导航。很明显,成功导航的关键因素在于全面的场景理解。以前的VLN代理使用单眼框架直接提取透视视图的2D特征。虽然很简单,但他们为捕获3D几何和语义而努力,导致部分不完整的环境代表。为了实现具有细粒细节的全面3D表示,我们引入了体积环境(VER),将物理世界脱氧于结构化的3D细胞中。对于每个单元格,通过2D-3D采样将多视图2D特征归纳到如此统一的3D空间中。通过对VER的粗略到纤维特征进行推断和多任务学习,我们的代理人可以共同预测3D占用率,3D房间布局和3D边界框。基于在线收集的vers,我们的代理构成了体积状态估计,并构建情节内存以预测下一步。实验结果表明,我们从多任务学习的环境表示导致了VLN的可观绩效提高。我们的模型在VLN基准(R2R,Reverie和R4R)之间实现了最新的性能。