XiaoMi-AI文件搜索系统
World File Search SystemNavigation
利用技术增强患者导航，提高癌症治疗的公平性
2023 年末，我们召开了一系列会议，探讨利用技术支持患者导航的机会。我们得出的结论是，如果负责任地使用技术，它有望扩大导航资源的覆盖范围，以增强患者的能力，并使导航员和其他护理团队成员能够更有效地工作，从而专注于工作中最重要的部分——直接照顾患者。然而，这种潜力取决于患者、导航员和护理团队获取和使用所需技术的能力。最近决定让平价连接计划的资金失效，导致数百万低收入美国人无法或只能有限地使用远程医疗预约和患者门户等数字医疗平台。联邦政府持续支持宽带补贴和基础设施对于扩大使用技术导航的覆盖范围至关重要。我们还必须通过反映现代技术格局的连贯法律和法规，更好地保护美国人民的健康信息。此外，我们必须优先考虑互操作性，以便患者及其护理团队能够随时获取他们需要的所有信息。
移动性VLA：多模式指令导航，长期...
摘要：导航研究中的一个难以捉摸的目标是建立一个智能代理，该智能代理可以理解包括自然语言和IM的多模式说明，并执行有用的导航。为了实现这一目标，我们研究了一个广泛有用的导航任务，我们称之为多模式指令导航，该导航带有恶魔之旅（MINT），其中通过预先录制的演示视频提供了先验的环境。视觉语言模型（VLM）的最新进展在实现这一目标方面表现出了有希望的途径，因为它展示了感知和推理多模式输入的能力。为了解决薄荷，我们提出了移动性VLA，这是一种层次视觉语言行动（VLA）导航政策，将环境理解和长篇小说VLM的常识推理能力结合在一起，以及基于拓扑图的强大的低级导航策略。高级策略由一个长篇小说VLM组成，该VLM将演示游览视频和多模式用户指令作为输入，以在旅行视频中找到目标框架。接下来，一个低级策略使用目标框架和构造的拓扑图来在每个时间步中生成机器人动作。我们在836M 2现实世界环境中评估了移动性VLA，并表明Mobility VLA在以前未解决的多模式指令中具有很高的端到端成功率，例如“我应该在哪里返回？”拿着一个塑料箱。可以在此处找到一个展示移动性VLA的视频：youtu.be/-tof Q8 5S
终身自主对野外导航基础模型的自主微调
摘要：最近的作品提出了许多通用机器人装置模型，这些模型可以控制各种机器人平台以执行一系列不同的任务，包括在导航和操纵领域中。，这种模型通常是通过模仿学习来训练的，这排除了通过机器人聚集在工作中的经验自主适应的能力。在这项工作中，我们的目的是在机器人导航领域中训练通用机器人基础模型，目的是实现自主性自我改善。我们表明，将预训练与离线封根学习和连续自动操作的完整系统结合在一起，这将导致一个机器人学习框架，不仅始于广泛的二元能力，而且可以进一步专业化并适应这些能力，并在给定部署地点执行导航任务过程中。据我们所知，该结果展示了第一个通过开放世界设置中的自主互动不断学习的导航机器人基础模型。
基于ROS2的AMR系统用于在未知室内环境中映射和导航
自主系统和自动化技术的快速发展继续彻底改变工业流程，与行业4.0的目标保持一致。本文提出了一个增强的自主移动机器人（AMR）系统，该系统旨在用于高级室内导航和勘探，这是基于CIM4.0 FixIT项目建立的基础工作的基础。这项研究的主要目的是利用ROS2的最新功能（机器人操作系统2）开发和实施强大的SLAM（同时本地化和映射）算法。这项研究的重点是使用ROS2框架中NAV2库的不同SLAM方法的全面比较。此分析涵盖了NAV2中可用的各种算法，包括基于网格的和拓扑映射方法，以及不同的定位技术，例如AMCL（自适应蒙特卡洛本地化）和EKF（扩展的Kalman滤波器）。比较根据映射准确性，计算效率和对动态环境的适应性评估这些方法。基于此分析，开发了先进的SLAM方法，从而整合了比较方法中最有效的元素。此自定义解决方案利用NAV2的模块化体系结构和ROS2改进的分布式计算功能，从而可以有效地进行路径计划和映射优化。使用ROS2实现整个系统，利用其增强的工具进行仿真，可视化和现实部署。严格的测试是在各种模拟环境中使用RVIZ和GAZEBO的更新版本进行的，这些版本现在与中间件更加紧密地集成在一起。这些模拟证明了机器人在主动探索，避免障碍和有效映射方面的提高功能，展示了这种方法的好处。最后，在CIM 4.0的经过精心控制的实验室环境中，进行了实际实验以评估创建的AMR系统的鲁棒性和性能。结果表明，AMR可以独立于各种情况，包括未知区域和动态障碍。
航海公告 24-69 移动港口（疏浚...
通知海员，Dutra Group 的机械铲斗挖泥船 Harry S. 将于 2024 年 10 月 28 日左右开始在 Mobile Harbor、Lower Turning Basin 进行挖泥作业。挖泥船将把材料装载到平底船中运输，并放置在位于 Dauphin Island 南部的海洋疏浚材料处置场 (ODMDS)。此外，平底船还将运输和放置疏浚材料到位于 Theodore 航道南部的 Deer River 有益利用场。
自主导航和...
I.引言带有障碍物检测的自动平衡线遵循机器人是一种高级自主设备，它可以整合路径跟踪，稳定性控制和避免障碍物功能。它利用红外传感器识别并遵循路径，该路径可以是白色表面上的黑线或黑色表面上的白色线，从而确保准确的导航。为了保持稳定性，机器人结合了陀螺仪和加速度计等传感器，即使在不规则的表面上也可以保持直立。以及线条跟踪和自动平衡，该机器人配备了使用超声传感器的障碍物检测机构。该传感器通过传输声波和解释返回的回声来计算机器人与任何对象之间的距离。障碍物检测功能可防止碰撞，从而使机器人更可靠和有效。但是，必须注意，由于其材料特性，超声传感器可能无法检测到某些对象，这可能不会有效地反映声波。机器人由Arduino Uno微控制器管理，该机器人控制器从红外传感器，稳定性传感器和超声波传感器中处理信息，以对运动，方向和平衡进行实时调整。这些功能使机器人非常适合诸如军事操作，交付系统，运输网络和帮助视力障碍的个人等应用。除了提到的功能外，自动平衡线跟踪机器人还包含高级控制算法，例如PID（比例构成 -
俄罗斯联邦的自主导航
在俄罗斯联邦中自治导航，全球海上运输的含义几乎不能被高估。创新，数字化以及海上运输的进一步改善是对韧性，生态友好和可持续运输的重要发展策略。自主导航是海上运输发展策略中的技术之一。到目前为止，自动运输技术是许多国家海上运输的重要方向之一，例如挪威，大韩民国，日本，丹麦，德国，俄罗斯联邦等。已经审查了其大多数国际公约，以确定他们是否准备好建立新的船舶运营和控制模式。虽然国际海事组织正在处理《海事自主地表船安全法典》（Mass Code）的制定，但几个国家已经在其水域启动了自动运输项目。在俄罗斯，自自动运输项目自2019年以来正在开发和实施。通常，该技术本身是安装在船上的设备和软件，该设备和软件允许从远程操作中心执行船舶控制，监视和操作。现在这两个容器都以远程操作模式进行操作。自2023年11月以来，这些船只一直从事商业试验行动，每艘轮渡都达到了1,500小时的远程操作。该技术由几个模块组成，例如自动导航系统收集和分析环境，使船沿特定的路线保持自动决策；光学监视和分析系统检测和识别周围物体并传输有关它们的数据，远程引擎和技术监控；遥控站，其他一些。在自主导航项目中，建造了2021年的两个新的Ro-Rro渡轮元帅Rokossovsky，而General Chernyakhovsky拥有2022年的建筑，配备了自主导航设备，并配备了专用的远程操作中心，已在Saint-Petersburg港口建造。渡轮元帅Rokossovsky和Chernyakhovsky将军（主要维度为：长度为：总长度 - 200 m，Beam - 27 M，Deadweight - 11900，Draft - Draft - 6月 - 6 h，主发动机 - 主发动机 - 2х6000kW）在巴罗的海海，在Baltic Sea，在Ust-Luga - Baltiysk的518 nautical nautical nautical Miles。2023年9月，两辆渡轮，圣彼得堡远程运营中心均由俄罗斯海上航运登记册（RS）认证，并收到了ROC大规模合规性声明。这两艘船只还通过RS认证为RC MC -MC DS自治类别的船只（海上遥控器和手动控制，并在狭窄的海峡和港口入口上做出了支持）。由于远程操作需要船上和远程运营中心的员工的一些专门技能和知识，因此俄罗斯的几家公司参与自主导航项目已经开发了自动导航模拟器。
移动机器人的自主导航和避免碰撞：分类和审查
自主移动机器人（AMR）在各个部门中变得越来越重要。他们协助人类完成复杂，危险或重复的任务。最初是为了提高工业环境中的生产率和安全性，其范围已大大扩大。最初关注工业操纵器的路径计划[1]，AMRS现在使用高级算法在没有碰撞的情况下导航。这种扩展使他们能够在工业环境以外的多样化和动态环境中运作[2]，[3]。尽管有很大的进步，但现有的自动移动机器人（AMR）的导航策略通常仍集中在特定领域：陆地，空中和水生。这些策略通常采用从感知到控制的分层方法，每种方法都针对不同的操作环境，例如工业环境[4]，不均匀的地形[5]，[6]和水下探索[7]，[8]。所有这些应用都表明缺乏可以在所有域中无缝集成的统一框架，本文旨在解决问题。通过采用模块化包，提出的分类可以增强组件的可重复性和互操作性，从而促进自主导航所有域的更轻松地集成[9]，[10]。本文介绍了一种新的全面分类系统，旨在简化澳大利亚导航的各个方面。该系统充当基本框架，组织了阶段，模块和层之间的复杂关系。它提高了自主导航策略的理解和执行，提供了清晰的
自动驾驶汽车导航系统的数学技术
摘要：高级数学方法在自动驾驶指导系统中经常使用，以确保它们正常，可靠和有效地工作。这个摘要谈论用于创建和改进这些系统的一些最重要的数学方法。一种重要的方法是概率机器人，它使用贝叶斯过滤器，例如Kalman滤波器及其非线性版本（扩展的Kalman滤波器和无味的Kalman滤波器）来估计车辆的状态并了解不总是清晰或响亮的传感器数据。路径规划算法（如A和Dijkstra的算法）需要找到最佳路线。基于抽样的方法，例如快速探索随机树（RRT），可以帮助解决高维空间中的问题。控制理论是保持汽车稳定并遵循您想要采取的方向的非常重要的部分。模型预测控制（MPC）经常使用，因为它可以在考虑系统行为时处理具有多个变量的控制作业。用于建模车辆如何移动，使用微分方程和动力学系统理论来显示控制输入如何影响车辆随着时间的推移的作用。此外，将来自LiDAR，相机和GP等不同来源的数据组合在一起的方法对于制作世界的准确而完整的图片非常重要。优化方法通过调整汽车的路径，减少能源利用并缩短行程时间来改善跟踪。通过使用老式的数学方法和新的，尖端的机器学习方法，自动驾驶汽车跟踪系统变得越来越聪明，更有能力和更可靠。除了这些方法外，还越来越多地将机器学习和深度学习添加到指导系统中，以帮助他们做出更好的决策，并在快速变化且非常复杂的设置中更加灵活。这些模型可以通过查找趋势并进行预测来从非常大的数据集中学习，这些预测对于找到对象，理解场景和自行做出决策等任务很重要。这使得他们可以在现实生活中广泛使用。