XiaoMi-AI文件搜索系统
World File Search SystemObjects
最佳基于Cosserat的变形控制线性对象的机器人操纵
摘要 - 可构造的对象操纵是一个充满挑战的研究主题，它引起了对机器人领域的日益兴趣，因为已经出现了解决此问题的新方法。到目前为止，文献中的大多数提出的方法都集中在形状控制上。被忽略了应用于物体的应变，因此排除了操纵脆弱产品的大部分工业应用，例如橡胶和塑料物体的脱胚层或食物的处理。这些应用需要在准确性和仔细操纵之间进行权衡，以保留操纵对象。在本文中，我们提出了一种方法来最佳控制线性和平面变形对象的变形，同时还最大程度地减少对象的变形能。首先，我们修改了最初为线性软机器人控制开发的框架，以使其适应可变形的物体机器人操作。为此，我们将问题重新制定为一个优化问题，其中考虑对象的整体形状，而不是仅专注于对象的位置和方向的尖端。然后，我们在成本函数中包含一个能量项，以找到在达到所需形状的同时最小化操纵物体中潜在的弹性能量的解决方案。对于高非线性问题的解决方案众所周知，很难找到对局部最小值的敏感性。我们定义了连接对象的已知初始和最终配置并顺序解决问题的中间最佳步骤，从而增强了算法的鲁棒性并确保解决方案的最佳性。然后使用中间最佳配置来定义机器人的终端效果轨迹，以使对象从初始配置变形为所需的配置。索引术语 - 可通知的对象操纵，机器人技术，形状控制，优化，轨迹生成
通过绕邻近检测的空间对象绕质量生成等离子体波的建模
通过卫星激发的电磁波和通过轨道驱动的波（Soimow）的测量值（SOIMOW）的测量来检测到一种称为空间对象识别的技术。具有等离子波的空间对象的接近度测量可能允许在传统上通过光学望远镜和雷达范围传感器实现的正常检测阈值以下的空间碎片。soimow使用原位等离子体接收器来识别轨道结合过程中的空间对象。卫星和其他空间对象穿过200到1000公里的高度之间的近地层，由电子收集和阳光下的照片发射引起电荷。这些超音速，带电的物体激发了各种血浆波。SOIMOW技术表明，可以观察到来自已知物体的电磁等离子体波到数十公里的范围，从而提供有关存在空间对象的信息。Soimow概念已用蜂群卫星上的无线电接收器仪器（RRI）证明。RRI数据的幅度，光谱和极化变化与电磁，压缩alfvén波的一致，这些电磁波是由跨磁场线传播的带电空间对象发射的。此外，可以通过较低的杂化漂移或离子声波不稳定性产生空间对象处的静电波。正在研究原位电场探头和对散射卫星波的远程检测，以确定轨道物体的位置。
有机和无机兴奋剂的效果...
本文提出了使用摄像机使用Agisoft和CloudCompare软件创建工程对象的3D公制模型的可能性。传统的摄影测量技术并不总是与市场所需的生产紧迫性相匹配。复杂性，从而导致成本，时间和工作的繁琐。此处称为视频图表技术的摄像机技术的使用可与拍照相媲美，但是，它允许加快获取数据的过程，在许多情况下，这是任何B Anyb任何项目或研究的关键元素。进行了三个拍摄对象的3D建模质量的分析，这使作者可以完善获取图像以进行空间分析的过程。“视频图”的应用技术与拍照相当，但允许数据采集过程加快加速，在许多情况下，这是现场研究的关键要素。来自非金属摄像机的3D对象视频由Agisoft Metashape处理。为了能够评估视频图数据的准确性，使用了良好的激光扫描仪技术的数据进行比较。激光扫描仪数据已在Autodesk recap中进行了预处理。手动注册是通过三项扫描中的14分进行的。将两个3D模型导出到CloudCompare软件进行比较和进一步分析。对拍摄的三个对象的3D建模质量进行了分析，从而可以完善获取图像以进行空间分析的过程。本文介绍了使用非金属手机摄像机“视频图”的可能性，以使用Agisoft和CloudCompare软件创建工程对象的公制3D模型。在CloudCompare中进行了注册，云到云（C2C）和配置文件分析，以确定由视频图数据所产生的3D模型的不确定性确定为两个模型之间的分离距离。结果表明，激光扫描仪和视频图中的分离平均距离得出的3D模型点云为34厘米，XY平面的平均轮廓分离为25 cm，Z平面为1.9 cm。使用云到云PCV确定平均差84 cm。
基于学习的实时扭矩预测用多指手抓住未知对象
摘要 - 用多指手抓住对象时，对于掌握稳定性至关重要，在每个关节上施加正确的扭矩以应对外力。大多数当前系统都使用简单的启发式方法，而不是正确对所需的扭矩进行建模。相反，我们提出了一种基于学习的方法，能够实时预测对未知对象的抓扭矩。使用监督学习的端到端训练的神经网络被证明可以预测更有效的扭矩，并且与所有经过测试过的启发式基准相比，对象的非自愿运动较少。具体来说，对于90％的掌握，对象的翻译偏差低于2。9毫米，旋转下方3。1◦。为了生成训练数据，我们使用弹性模型来制定扭矩的分析计算作为优化问题，并处理多接触的不确定性。我们进一步表明，网络概括以预测具有1个推理时间1的真实机器人系统上未知对象的扭矩。5 ms。网站：dlr-alr.github.io/grasping/
pqrbayes：贝叶斯惩罚分位数回归
说明使用现代加密技术将R对象加密到原始向量或文件。基于密码的密钥推导与“ argon2”（）。对象被序列化，然后使用“ XCHACHA20- poly1305”进行加密（），遵循RFC 8439的rfc 8439，用于认证的加密（ and>）加密函数由随附的“单核”'C'库提供（）。
使用脑机接口技术在 Blender 软件中建模 3D 对象
1. 简介 3D 建模是使用专门的计算机程序创建和修改三维对象的过程，该程序为用户提供了一组必要的工具。 3D 建模通常从基本形状（基元）开始，例如立方体、球体、圆环等。然后通过软件提供的不同功能修改这些形状。用户通常通过按下键盘上的组合键或从用户界面中选择它们来激活这些功能。如今，有许多功能强大的 3D 建模软件，可以创建 3D 资源、动画、特效和渲染图像。最受欢迎的付费应用程序是 Autodesk Maya、Autodesk 3ds Max 和 Cinema 4D。也有许多免费应用程序可用，但最受欢迎的应用程序是 Blender。Blender 是一个免费的开源 3D 计算机图形软件工具集。它用 C、C++ 和 Python 编程语言编写。Blender 基金会是一个负责 Blender 开发的非营利组织。 Blender 也是由社区开发的，社区创建了用 Python 编写的附加插件（称为附加组件）。附加组件为 Blender 添加了新功能或改进功能。由于 Blender 发展基金的成立，Blender 最近获得了 Epic Games、Nvidia 或 Intel 的大量资金支持。它使 Blender 基金会能够招募新的团队成员，从而更快地开发 Blender。
SPAR3D：从单幅图像实现稳定的点感知三维物体重建
从单目图像重建3D物体是计算机视觉领域的一个基本问题。高效的重建系统能够开辟广泛的应用领域，包括增强现实、电影制作和制造业。单目3D重建也是一个复杂的逆问题：虽然可见表面可以通过阴影估计，但预测遮挡表面需要强大的3D物体先验知识。我们的领域已经在两个不同的方向上出现了分歧：前馈回归[2、10、19、24、25、27、37、53、54、59-62、65、66、69]和基于扩散的生成[6、8、9、26、29、31-35、39、46-48、68、71]。尽管在两个方向上都取得了重大进展，但每个方向都有根本的局限性。基于回归的模型在粘附图像中的可见表面方面非常有效，并且推理速度通常很快。然而，它们对图像和 3D 之间的双射映射做出了过于简单的假设。这一假设在学习目标中引入了模糊性，导致遮挡区域的表面和纹理估计不佳。另一方面，基于扩散的方法是生成性的，不能预测统计平均值。然而，在建模高分辨率 3D 时，它们在推理时的迭代采样计算效率低下。此外，[27] 等先前的研究表明，扩散生成的 3D 模型与输入图像中可见表面的对齐效果较差。我们如何才能兼顾两者的优点而又避免它们的局限性？有鉴于此，我们提出了 SPAR3D，它将 3D 重建过程分为两个阶段：点采样阶段和网格划分阶段。点采样阶段使用扩散模型生成稀疏点云，然后是网格划分阶段，将点云转换为高度详细的网格。我们的主要思想是将不确定性建模转移到点采样阶段，在此阶段，点云的低分辨率允许快速迭代采样。随后的网格划分阶段利用局部图像特征将点云转换为具有高输出保真度的详细网格。减少点云网格划分的不确定性进一步促进了逆渲染的无监督学习，从而减少了纹理中的烘焙照明。我们的两阶段设计使 SPAR3D 的性能显著优于以前的回归方法，同时保持了高计算效率和对输入观测的保真度。我们方法的一个关键设计选择是使用点云来连接两个阶段。为了确保快速重建，我们的中间表示需要轻量级，以便能够高效生成。另一方面，它应该为网格划分阶段提供足够的指导。这
利用温度自适应太阳或辐射涂层减少空间物体的温度波动
摘要 由于缺乏大气层来中和温度，没有热控制的外层空间物体会发生大的温度波动。有效的温度管理技术（TMT）对于避免极端热条件造成的不良影响至关重要。然而，现有的高性能 TMT 给航天器有限的质量和功率预算带来了额外的负担。最近，温度自适应太阳能涂层（TASC）和温度自适应辐射涂层（TARC）作为具有优异热性能的陆地物体的新型轻质、无能耗温度调节方法而出现。在这里，我们模拟并展示了 TASC 和 TARC 作为未来空间物体被动式 TMT 的巨大潜力。以一颗安装了 TARC 覆盖的机体太阳能电池板的地球同步卫星为例，即使在日食发生的情况下，其内部温度波动在一个轨道周期内也小至 20.3 C–25.6 C。这些发现深入了解了 TASC 和 TARC 在太空中的卓越性能，并将促进它们在外星任务中的应用。
运动原始扩散：学习可变形物体的轻柔机器人操纵
摘要 - 机器人辅助手术（RAS）中的policy学习缺乏数据效率和多功能方法，这些方法表现出对于精致的手术干预的所需运动质量。为此，我们介绍了运动原始扩散（MPD），这是一种在RAS中模仿学习的新方法（IL），重点是轻柔地操纵可变形物体。该方法结合了基于扩散的模仿学习（DIL）的多功能性与概率动态运动原始基原始（PODMP）的高质量运动产生能力的多功能性。这种组合启动MPD可以轻柔地操纵可变形物体，同时保持数据效率对于稀缺的RAS应用至关重要。我们在状态和图像观察中评估了各种模拟和现实世界机器人任务的MPD。MPD在成功率，运动质量和数据效率方面优于最先进的DIL方法。项目页面：scheiklp.github.io/movement-promistive-diffusion
检测和定位与移动设备集成的无人机系统 (UAS) 上的物体
I. 引言 无人机系统 (UAS) 领域已扩展到包括民用和军用在内的所有领域，并出现了许多创新用例。这些 UAS 在军事领域的应用正在取得显著进步。执行情报、监视和侦察 (ISR) 任务以及守卫职责等军事任务需要直接且耗时的人力。士兵花费大量时间进行巡逻、驻守检查站和守卫塔以实现这些任务的目标。然而，随着自主技术的进步，UAS 现在在减少人类执行这些劳动密集型任务的需求以及降低直接暴露于危险情况的风险方面发挥着重要作用。四旋翼飞行器具有垂直起降能力以及相对较高的有效载荷，为此类任务提供了绝佳平台。现在有机会整合现有能力并进一步利用潜在的 UAS。四旋翼解决方案的应用还支持国防部 (DoD) 在《2011-2036 财年无人系统集成路线图》[1] 中概述的无人系统目标。要执行 ISR 任务，UAS 需要检测威胁。传感和感知算法的最新进展使得使用基于视觉的传感器适合这项任务。UAS 需要在共享参考框架中定位威胁，并将此信息提供给士兵，以便