XiaoMi-AI文件搜索系统
World File Search SystemROS2
缩小POMCP：实时无人机搜索和救援的框架
摘要 - 搜索和救援行动中无人机的有效路径优化面临挑战，包括有限的可见性，时间限制和城市环境中的复杂信息收集。我们提出了一种全面的方法，可以利用3D AirSim-Ros2模拟器和2D模拟器，用于基于无人机的搜索和救援操作。路径计划问题被提出为部分可观察到的马尔可夫决策过程（POMDP），我们提出了一种新颖的“缩小POMCP”方法来解决时间限制。在Airsim环境中，我们将我们的方法与信仰维护的概率世界模型和避免障碍物的神经玫瑰花型导航器相结合。2D模拟器采用具有等效功能的替代ROS2节点。我们比较了2D模拟器中不同方法产生的轨迹，并评估3D Airsim-Ros模拟器中各种信念类型的性能。两个模拟器的实验结果表明，与替代方法相比，我们提出的缩小POMCP解决方案在搜索时间方面取得了重大改善，展示了其提高无人机辅助搜索和救援操作效率的潜力。索引条款 - 搜索和救援，POMDP，MCTS
VLM-AUTO：基于VLM的自主驾驶助手，具有人类的行为和对复杂道路场景的理解
摘要 - 关于自动驾驶的大语言模型的重新研究显示了计划和控制方面的希望。然而，高计算需求和幻觉仍然挑战准确的轨迹预测和控制信号基础。确定性算法具有可靠性，但缺乏适应能力，无法复杂驾驶场景，并在上下文和不确定性上挣扎。为了解决这个问题，我们提出了VLM-Auto，这是一种新型的自动驾驶助手系统，以基于对道路场景的理解，以可调节的驾驶行为来赋予自动驾驶汽车。涉及Carla模拟器和机器人操作系统2（ROS2）的管道验证了我们系统的有效性，并利用单个NVIDIA 4090 24G GPU，同时利用视觉语言模型（VLM）的文本输出能力。此外，我们还为包含图像集的数据集和用于微调系统的VLM模块的相应提示集。在卡拉实验中，我们的系统达到了97。我们数据集中5种标签的平均精度为82％。在实际驾驶数据集中，我们的系统实现了96。在夜面场景和令人沮丧的场景中的预测准确性为97％。我们的VLM-AUTO数据集将在https://github.com/ziongo6/vlm-auto上发布。
Aiot Serbot
AI应用程序练习设备基于室内服务机器人平台NVIDIA高性能AI平台用于脑板触摸显示和用于GUI基于GUI的用户界面和深度学习的高分辨率广角摄像头，并通过Digital Modio和Audio Modile提供了多种多样的型号，并提供了千兆以太网，可提供多种多样的型号。 expansion interfaces are supported The driving part adopts a 3-axis omni wheel to maximize the robot's movement efficiency and minimize the turning radius For precise control of the driving part, controller equipped with a high-performance MCU controls omni wheel motor, encoder and sensor Connected via highly reliable CAN FD communication for collaboration between brain board and controller Built-in power path management circuit to make it possible to continue practicing even while the battery is charging Service robot development is supported through ROS2, robot standard middleware High-level Pop libraries enabling to focus on application implementation is provided CUDA-based PyTorch and Tensorflow artificial intelligence framework are supported Web browser-based Google block coding platform (Blockly) is supported Pre-set integrated development environment based on Visual Studio Code for professional application development is supported Deep learning-based service robot learning contents are provided On-device AI self-driving car培训设备
农业喷洒无人机的路径跟踪
1 埃尔吉耶斯大学，工程学院，机电一体化工程系，38039，开塞利，土耳其 收稿日期：2024 年 3 月 27 日 修订日期：2024 年 6 月 11 日 接受日期：2024 年 7 月 8 日 摘要 Öz 本文介绍了 Pure Pursuit 控制算法在农业农药喷洒无人机路径跟踪中的实现。精确的路径跟踪可确保准确的农药覆盖范围，最大限度地提高作物产量并最大限度地减少环境影响。大多数农业无人机使用的传统位置控制架构会导致农药分布不一致，因为无人机速度不稳定。位置控制还会导致角落处的减速和加速，导致这些区域喷洒过度。这种缺乏均匀的喷雾分布对高效和可持续农业提出了挑战。Pure Pursuit 算法因其在自主导航中的简单性和有效性而受到青睐。软件架构（包括飞行控制堆栈和基于 ROS2 的 PX4 仿真架构）展示了无人机的精确轨迹跟踪能力。仿真测试评估了系统的路径跟踪精度和整体性能。比较结果表明，Pure Pursuit 控制器在精度、鲁棒性和适应性方面优于标准位置控制器。此外，本文介绍了一种基于网格分解的创新覆盖路径规划 (CPP) 策略。该 CPP 策略与 Pure Pursuit 控制机制相结合，可确保精确的路径跟踪并最大限度地提高覆盖均匀性，从而进一步提高农业喷洒作业的有效性和可持续性。
使用深度转移学习的自动驾驶汽车的转向角度预测
摘要 - 由于其可靠性，安全性和持续的学习能力，预计自动驾驶汽车将彻底改变未来的运输。研究人员正在积极参与开发自主驾驶系统，采用行为克隆和加强学习等技术。这项研究通过采用端到端方法来介绍一个独特的观点，并使用摄像头输入根据从人类驾驶专业知识中学到的模型来预测转向角度。该模型表现出快速训练，并达到超过90.1％的预测百分比（MPP）。在这种情况下，该研究旨在通过从具有各种激活功能的预训练的VGG19模型中应用转移学习来复制驾驶员行为。培训了所提出的模型，可以将道路图像分析为输入，从而预测最佳转向调整。评估包括ROS2模拟环境中的数据集，将结果与包括NVIDIA，Mobilenet-V2，Resnet50，VGG16和VGG19在内的几个卷积神经网络（CNN）模型进行了比较。还探索了激活功能的影响，例如指数线性单元（ELU），整流线性单元（relu）和泄漏的relu对传输学习模型的影响。这项研究通过解决现实世界驾驶复杂性并促进其融入日常运输的促进自主驾驶系统有助于提高自主驾驶系统。利用转移学习和全面评估的新型方法强调了其在优化自动驾驶技术方面的重要性。关键字 - 自动驾驶汽车，剩余网，Mobilenetv2，VGG16，VGG19，卷积神经网络（CNN），激活功能
自动驾驶汽车中的LIDAR和相机数据融合
传感器融合是自动驾驶汽车中感知问题的重要解决方案之一，其中主要目的是增强对系统的感知而不会失去实时性能。因此，这是一个权衡问题，通常观察到大多数具有高环境感知的模型无法实时执行。我们的文章与相机和激光雷达数据融合有关，以实现自动驾驶汽车的更好环境感知，考虑到3个主要类别是汽车，骑自行车的人和行人。我们从3D检测器模型中融合了输出，该模型从LiDar中获取了其输入以及从相机中获取其输入的2D检测器的输出，以比单独分别提供更好的感知输出，以确保其能够实时工作。我们使用3D检测器模型（复杂的Yolov3）和2D检测器模型（YOLO-V3）解决了问题，其中我们应用了基于图像的融合方法，该方法可以在本文中详细讨论了LIDAR和摄像机信息之间的融合和相机信息之间的融合。我们使用平均平均精度（MAP）度量，以评估我们的对象检测模型并将所提出的方法与它们进行比较。最后，我们在Kitti数据集以及我们的真实硬件设置上展示了结果，该设置由LIDAR Velodyne 16和Leopard USB摄像机组成。我们使用Python开发了我们的算法，然后在Kitti数据集上验证了它。我们将ROS2与C ++一起使用，以验证从硬件配置获得的数据集上的算法，证明我们提出的方法可以以实时的方式在实际情况下有效地提供良好的结果并有效地工作。