XiaoMi-AI文件搜索系统
World File Search SystemTerrain
diter ++：多户户外环境中多机射击导航的各种地形和多模式数据集
摘要 - 多个现场机器人的协作对于大规模环境的导航和映射是必需的。在穿越时，考虑到每个机器人性质的遍历性估算对于确保机器人的安全并确保其性能至关重要。即使在结构化的环境中，不考虑地形信息的行驶也可能导致平台严重损坏，例如由于陡峭的斜坡或由于突然的高度变化而导致的下降。为了应对这一挑战，我们提出了Diter ++，多机器人，多主题和多模式数据集，包括地面信息。使用向前的RGB摄像头和面向接地的RGB-D相机，热相机，两种类型的激光镜头，IMU，GPS和机器人运动传感器获得数据集。数据集和补充材料可在https：//sites.google.com/view/diter-plusplus/上找到。
使用GMT和R
摘要：在本文中，我们描述了两种相关的制图数据处理和可视化的脚本方法，这些方法提供了具有不同算法复杂性的日本的2D和3D映射。第一个算法利用通用映射工具集（GMT），该算法被称为基于高级控制台的空间数据处理程序。GMT的模块结合了脚本的功能与地球信息学的各个方面，这对于大型地理空间数据集，多格式数据处理以及2D和3D模式中的映射特别有效。第二算法介绍了R编程语言用于制图可视化和空间分析。此r方法利用“ tmap”，“栅格”，“地图”和“ mapdata”的软件包来建模日本群岛的形态计量元素，例如坡度，山坡，山坡和高程。R的通用图形软件包“ GGPLOT2”用于映射日本的县。这两种脚本方法证明了编程语言与使用脚本进行数据处理确定的制图之间建立的对应关系。，由于它们的数据处理高自动化，因此他们的表现优于几种著名和最先进的GIS方法，用于映射。制图在很大程度上反映了数据科学的最新进展，脚本语言的快速发展以及数据处理方法的转移。这扩展到从传统GI到编程语言的转变。作为对这些新挑战的回应，我们在本文中证明了在映射中使用脚本的优点，这些优点包括可重复性和脚本在类似作品中的可观适用性。
从RGB图像中的光谱特征的预测映射用于越野地形分析
摘要 - 准确识别复杂的地形特征，例如土壤组成和摩擦系数，对于基于模型的计划和越野环境中移动机器人的控制至关重要。光谱特征利用光吸收和反射的不同模式来识别各种材料，从而可以精确地表征其固有特性。机器人技术的最新研究探索了光谱的采用，以增强与环境的感知和相互作用。但是，安装这些传感器所需的巨大成本和精致的设置存在着广泛采用的强大障碍。在这项研究中，我们将RS-NET（RGB引入光谱网络），这是一种深层神经网络体系结构，旨在将RGB图像映射到相应的光谱签名。我们说明了如何将RS-NET与共同学习技术协同结合，以进行地形性质估计。初始结果证明了这种方法在表征广泛的越野现实世界数据集中的光谱特征方面的有效性。这些发现仅使用RGB摄像机强调了地形性质估计的可行性。
通过稳定地形的空间推断对数字高程模型进行不确定性分析
摘要 — 随着数字高程模型 (DEM) 的可用性和分辨率不断提高，对地球和行星表面高程的更大和更精细尺度的监测正在迅速发展。表面高程观测正被用于越来越多的领域，以研究地形属性及其随时间的变化，特别是在冰川学、水文学、火山学、地震学、林业和地貌学中。然而，DEM 通常包含大规模仪器噪声和不同的垂直精度，从而导致复杂的错误模式。在这里，我们提出了一个经过验证的统计工作流程来估计、建模和传播 DEM 中的不确定性。我们回顾了 DEM 准确度和精度分析的最新进展，并定义了一个概念框架来一致地解决这些问题。我们展示了如何通过量化高程测量的异方差来表征 DEM 精度，即随地形或传感器相关变量而变化的垂直精度，以及可能在多个空间尺度上发生的误差的空间相关性。随着高精度观测的日益普及，我们基于在稳定地形上获取的独立高程数据的工作流程几乎可以应用于地球上的任何地方。我们以地形坡度和冰川体积变化为例，说明了如何传播像素尺度和空间高程导数的不确定性。我们发现文献中大大低估了 DEM 中的不确定性，并主张新的 DEM 精度指标对于确保未来陆地高程评估的可靠性至关重要。
无人机获取的图像对 alt 数字地形模型的重叠影响
摘要 摄影测量数据在多个领域被系统地使用。数字地形模型 (DTM) 等产品提供了详细的表面信息，但与 GNSS RTK 地形测量收集的数据相比，这些产品的几何可靠性值得怀疑。本研究评估了使用无人机 (UAV) 在不同参数、重叠百分比和飞行方向获得的 DTM 的质量，并将结果与地形方法全球导航卫星系统 - 实时动态 (GNSS RTK) 的结果进行比较。制定了 12 个飞行计划，具有不同的重叠度（90x90、80x80、80x60、70x50、70x30 和 60x40%）和方向（横向和纵向于种植线）。高度（地面以上 - AGL）和速度参数分别固定在 90 m 和 3 m/s，所有飞行的地面采样距离 (GSD) 均为 0.1 m。总体来看，横向重叠度70x50%的飞行效果最好，总处理时间为12分17秒（比90x90%快了大约1.5小时），均方根误差（RMSE）为0.589米，满足60x30%航空摄影测量所要求的最小重叠度，且与90x90%和80x80%的高重叠度在统计上并无差异。
无人机获取的图像对 alt 数字地形模型的重叠影响
摘要 摄影测量数据在多个领域被系统地使用。数字地形模型 (DTM) 等产品提供了详细的表面信息，但与 GNSS RTK 地形测量收集的数据相比，这些产品的几何可靠性值得怀疑。本研究评估了使用无人机 (UAV) 在不同参数、重叠百分比和飞行方向获得的 DTM 的质量，并将结果与地形方法全球导航卫星系统 - 实时动态 (GNSS RTK) 的结果进行比较。制定了 12 个飞行计划，具有不同的重叠度（90x90、80x80、80x60、70x50、70x30 和 60x40%）和方向（横向和纵向于种植线）。高度（地面以上 - AGL）和速度参数分别固定在 90 m 和 3 m/s，所有飞行的地面采样距离 (GSD) 均为 0.1 m。总体来看，横向重叠度70x50%的飞行效果最好，总处理时间为12分17秒（比90x90%快了大约1.5小时），均方根误差（RMSE）为0.589米，满足60x30%航空摄影测量所要求的最小重叠度，且与90x90%和80x80%的高重叠度在统计上并无差异。
在GIS中使用AHP进行葡萄适合评估的气候，地形和土壤因素建模
10991719，0，从https://onlinelibrary.wiley.com/doi/10.1002/sd.3136下载，由Cochraneitalia，Wiley Online Library，on [16/09/2024]。有关使用规则，请参见Wiley Online Library上的条款和条件（https://onlinelibrary.wiley.com/terms-and-conditions）； OA文章由适用的Creative Commons许可
第 4 章 用于追踪森林景观中的水文和生物地球化学途径和过程的数字地形分析方法
数字地形分析 (DTA) 包括一组使用数字高程模型 (DEM) 来模拟各种尺度的地球表面过程的工具。DEM 及其衍生产品是数字地形模型 (DTM) 的更大集合的一部分，用于各个领域，以模拟能量和物质在表面的流动。水文学家工具包中 DTM 的普遍性导致地形属性（例如坡度和上坡贡献区域）被广泛使用，以表征水和相关营养物质在景观中的移动方式。计算地形属性的算法现在已被编入所有商业地理信息系统 (GIS) 软件（例如 ArcGIS、Idrisi），用户只需按一下按钮即可绘制潜在地表水文流模式。虽然派生图层总是看起来很刺激，但现场水文学家经常提出这样的问题：DTM 通常只是有趣的空间模式，与预测实际水文行为没有太大关系吗？本文通过讨论 DTA 对于 21 世纪森林水文学从业人员的意义，批判性地回答了这个问题。自从早期的集水区降雨径流理论提出以来，人们就开始利用地形信息来更好地了解集水区的水文功能（Horton 1945 ；Hewlett 和 Hibbert 1967 ）。然而，在桌面计算出现之前，人们使用集水区规模的属性（例如集水区的面积、长度、周长和地形起伏比（最大地形起伏除以最长流路长度））来研究水文行为，因为只有这些属性才能轻松地从等高线图中得出（Schumm 1956 ）。虽然这些指标有助于解释不同流域之间水和泥沙产量的差异（Garcia-Martino´ 等人 1996 ），
四种月球通信延迟条件下月球地形车（LTV）远程遥控操作研究
首字母缩略词 .cvs Excel codex ⁰ 度 < 小于 % 百分比 ABC Artemis 大本营 ACES 学院颜色编码系统 ANOVA 方差分析 CEL 概念探索实验室 cm 厘米 conops 作战概念 deg 度 DEM 数字环境模型 DOUG 动态机载无处不在的图形 DRATS 沙漠研究和技术研究 DSN 深空网络 DTE 直接对地 EDGE 探索图形 EHP 美国宇航局的舱外活动和人类地面机动计划 ESDMD 探索系统发展任务理事会 EVA 舱外活动 F ANOVA F 值 FOD 异物碎片 FOV 视场 fps 每秒帧数 GUNNS 通用节点网络求解器软件 HAB 栖息地 HDR 高数据速率 HITL 人在回路 hh:mm:ss 小时、分钟、秒 IES 照明工程学会 IMU 惯性测量单元 ISRU 现场资源利用单元 JEOD 约翰逊航天中心工程轨道动力学集团 JSC 约翰逊航天中心 kg 千克 km 公里 kph 公里每小时 千瓦 千瓦时 千瓦每小时 激光雷达 光增强探测与测距
使用混合深钢筋学习
摘要 - 在越野环境中旋转的未拧紧地面车辆（UGV）的准确路径跟踪面临着源于操作条件的多样性引起的挑战。用于Ackermann转导车辆的传统基于模型的控制器具有良好的（无防滑）路径跟踪的穿孔，但性能会以越来越不平坦的地形和更快的遍历速度下降。本文介绍了一种新颖的方法，一种混合深化增强学习（HDRL）控制器，利用了线性二次调节器（LQR）的优势和深钢筋学习（DRL）控制器，以增强Ackermann steceered ugvs的增强路径跟踪。DRL控制器主要弥补地形条件和未知车辆参数的不确定性，但训练在计算上可能很昂贵。LQR控制器在初始训练阶段指导DRL控制器，从而确保更稳定的性能并在早期迭代中获得更高的回报。这样做，这种混合方法提供了有望克服基于模型的控制器的局限性以及常规DRL方法的样本信息的局限性。在手稿中显示的初步结果显示了HDRL控制器的希望，表现出比无模型的DRL和常规反馈控制器更好的性能。