XiaoMi-AI文件搜索系统
World File Search SystemTrajectory
飞机识别、轨迹跟踪和预测最终...
介绍了改进飞机识别和轨迹预测方法的技术。这项工作是对高级跟踪器的扩展，它使用平移和姿态数据来提高轨迹跟踪和预测的准确性。这项工作中的新扩展涉及基于曲率半径估计器的新跟踪算法的开发、在预测间隔期间使用基于回归的人工测量以及基于远程轨迹测量的被跟踪车辆的飞机识别技术的开发。该程序使用在训练飞行中获得的 F-14A、AV-8B 和 A6 飞机的实际位置和姿态轨迹数据进行评估。
城市运动提示算法 – 轨迹优化...
本论文于 2016 年 10 月至 2019 年 11 月期间在慕尼黑工业大学应用力学系撰写。大部分研究成果基于行业资助的项目“城市运动提示算法”。如果没有众多人的支持，本项工作就不可能完成。我要特别感谢我的导师 Daniel Rixen 教授。他的信任和宝贵建议让我有自由去研究新想法并追求我的兴趣。我想强调一下系里积极的工作氛围，这增强了工作条件的激励性。论文校对和相关考试需要付出很多努力。因此，我要感谢 Romano 教授担任我的论文答辩委员会成员，以及 Holzapfel 教授担任考试主席。如果没有宝马集团的资金支持和技术设施，“城市运动提示算法”项目不可能实现。我衷心感谢 Dr.-Ing. Markus Schwienbacher 提出这个工业项目并详细阐述了如此激动人心的研究项目。他激发了我对驾驶模拟这一迷人领域的热情。Dr. ir. Joost Venrooij 和 Dr.-Ing. Markus Schwienbacher 支持了该项目。我从您在驾驶模拟和研究方面的长期经验中学到了很多东西。非常感谢您宝贵的建议和支持！我很感激有机会与应用力学系的机器人研究小组合作。感谢您在机器人领域进行的启发性讨论！与爱荷华大学的 Daniel McGehee 博士、Omar Ahmad 和 Chris Schwarz 博士合作是一次宝贵的充实。非常感谢您提供 NADS 驾驶模拟器来测试我们的运动提示算法！进行驾驶模拟研究对于评估运动提示质量至关重要。我特别感谢所有参与者在驾驶模拟研究中付出的时间和精力。此外，我还要衷心感谢宝马集团提供驾驶模拟器并协助实验研究。我要感谢慕尼黑工业大学的咨询服务部门修改统计分析。我还要感谢 Dr.-Ing. Markus Schwienbacher、Christina Insam、Dimitar Hristakiev 和 Jonas Wittmann 校对我的论文并给出有益的评论。我还要特别感谢 Dr.-Ing. habil. Thomas Thümmel、Manuella Müller-Philipp、Daniela Priller、Georg Mayr、Georg König 和 Simon Gerer。你们在主席团基础设施的良好运转中发挥着重要作用。最后，我要深深感谢主席团的所有同事和我指导过的所有学生。我的论文和研究项目的成功很大程度上归功于您的激励和努力。
成对轨迹管理 (PTM)：概念概述
成对轨迹管理 (PTM) 是一种间隔管理 (IM) 概念，利用机载和地面能力在海洋区域实现机载成对间隔能力。PTM 的目标是使用机载监视和工具来管理“等于或大于”的飞机间间隔。由于自动相关监视广播 (ADS-B) 信息的精确性和机载间隔引导的使用，PTM 最小间隔距离将小于控制器可以使用支持海洋操作的当前自动化系统支持的距离。地面工具协助控制器评估交通状况并确定要发布的适当 PTM 许可。航空电子系统提供引导信息，使机组人员能够遵守控制器发布的 PTM 许可。缩短最小距离和空中间隔管理相结合将提高给定高度或空域体积下的飞机运行能力和效率。本文概述了拟议的应用，描述了几个关键场景，对预期的空中和地面设备和程序变化进行了高层讨论，概述了支持 PTM 操作的潜在机组人机界面以及一些初步的 PTM 效益结果。
用于到达和接近的 4D 轨迹协商协议...
最后，由于到达阶段环境条件的变化（主要是天气条件），需要采取后续空中交通管制行动来解决由飞机预测的 4D 轨迹上的意外变化引起的冲突。对这些控制行动进行自动决策并非易事，而且超出了本文的目标。一些作者（即14 ）提出了基于模糊逻辑方法的战术行动。但是，为了最大限度地减少进近区的战术控制，可以通过在飞机到达上述区域之前执行的第二个谈判过程（进近谈判）来方便地制定新的战略行动。根据以前关于进近区飞机调度的工作，在外部米定位点和米定位点之间定义了一个新的时间边界（冻结范围）。15 冻结地平线用作新的时间限制，ATC 控制可以在此时间限制内启动新的地空协商，以便将飞机的预定到达时间 (STA) 更改为仪表定位点，并将其他合并点更改为进近区域。
自动驾驶汽车的时间 - 最佳轨迹计划和跟踪
摘要：本文提出了一个用于自动驾驶汽车轨迹计划和跟踪的层次控制框架，以应对准确遵循高速，限制性操作的挑战。提出的时间优势轨迹计划和跟踪（TOTPT）框架利用层次控制结构，具有离线轨迹优化（TRO）模块和在线非线性模型预测性控制（NMPC）模块。TRO层使用直接搭档方法生成最小单圈时间轨迹，该方法优化了车辆的路径，速度和控制输入，以达到最快的圈速时间，同时尊重车辆动力学和轨道约束。NMPC层负责准确跟踪TRO实时生成的参考轨迹。NMPC还结合了一种预览算法，该算法利用预测的未来旅行距离来估算下一个时间步骤的最佳参考速度和曲率，从而改善了整体跟踪性能。在加泰罗尼亚电路上的仿真结果证明了该框架以平均速度为116 km/h准确地遵循时间优势的赛车的能力，最大侧向误差为0.32 m。 NMPC模块使用具有实时迭代（RTI）方案的ACADOS求解器来实现毫秒级计算时间，从而可以在自动驾驶汽车中实时实施它。
智能机器人和机电系统系统的轨迹计划
轨迹规划对于智能机器人和机电系统的研究是一个至关重要的，具有挑战性的问题，这些问题在现代制造过程中起着举足轻重的作用，尤其是在工业4.0的框架内[1]。的确，在每个机器人应用中，不仅需要定义一条路径，还需要根据任务要求和机器人的限制来保证系统可行且安全的操作[2]。在文献中已经开发和调查了许多解决轨迹计划问题的方法，其应用涵盖了工业，协作以及更一般的自主和智能机器人和机电系统[3，4]。可以通过考虑不同的目标来计划机器人系统的运动定律。可以评估适当的运动定律的设计，例如，与机器人或机电系统系统的摄入量有关，因此，可以根据机器人在时间消耗方面的最佳性能来确定最佳轨迹[5-7]。应用的另一个有趣的领域是振动还原。的确，许多自动机器和机电应用需要在规定的操作期间平滑而混蛋的轨迹[8-10]。此外，工业机器人技术的新兴方案，例如协作机器人技术和人类机器人的互动，要求对机器人轨迹计划进行高级策略，以确保在与人类操作员一起工作的机器人执行任务期间的平稳性，安全性和流利性[11-13]。最后，机器人和机电系统系统的轨迹计划也与此类系统的运动控制问题紧密相结合，以确保执行所需的运动法的高性能[14，15]。在本期特刊中，我们邀请了研究人员为智能机电系统，自主机器，工业和协作操纵器以及可移动和可重新配置的机器人提供与智能机电系统，自主机器，工业和协作机器的轨迹计划有关的文章做出贡献。已经寻求了有关这些主题的原始研究论文，重点介绍了这些主题的理论研究和现实世界的应用。合适的主题包括但不限于以下内容：路径和轨迹计划，动态建模，能源效率，振动抑制，平滑轨迹，运动曲线优化，运动控制，智能机器人和机电系统，协作机器人系统，协作机器人技术以及人类 - 机器人相互作用的运动计划。
发展轨迹和关系 - MIP:Lab
先前的研究表明，胼胝体（即最大的白质连合通路）的结构改变发生在新生儿早产后，并持续整个发育过程。本研究旨在揭示极度早产（VPT）个体儿童期和青少年期胼胝体的结构特征，及其与一般智力、执行和社会情感功能的关系。对 79 名 VPT 和 46 名年龄在 6 - 14 岁之间的足月对照者进行了神经心理学评估、T1 加权和多壳扩散 MRI。使用 TractSeg 在 7 个胼胝体部分提取了体积、扩散张量和神经突方向弥散和密度成像 (NODDI) 测量值。使用多元数据驱动方法（偏最小二乘相关）和基于队列的年龄规范建模方法来探索胼胝体特征与神经心理学结果之间的关联。 VPT 组和足月对照组的白质成熟趋势相似，即所有胼胝体节段的 FA 增加和 ODI 减少，这与一般智力功能的提高有关。然而，使用基于队列的与年龄相关的规范模型，研究结果显示 VPT 组的胼胝体发育模式不典型，胼胝体成熟度随时间降低，这与一般智力和工作记忆功能较差以及孕龄较低有关。
太空骑手的任务分析和轨迹设计...
轨迹设计和优化是通过PoliteCnico di Torino创建的MATLAB代码的更新和增强来实现的，该代码通过STK Object Mode Model Software与STK方案相连。这两个软件的协同使用使MATLAB函数可以迭代Astrogator上的不同可能的轨迹解决方案，即STK的轨迹设计工具。然后，这些解决方案的相关结果和属性由MATLAB函数保存在专用结构中或在图中绘制，以帮助连续的分析和选择最佳任务控制序列。此软件分析工具用于为SROC任务的两个Conops设置最佳任务控制序列：观察和观察和检索方案。此外，分析了与Conops报告的任务阶段的几个偏差，以评估它们如何影响后续阶段。对于每个可能的偏差，都会对其进行验证，以尊重总持续时间，总deltav和空间骑手的安全性的约束。
阿波罗11重新加载：基于优化的轨迹重建
I.介绍1969年7月20日，标志着人类历史上的历史成就。第一次，两个人走在一个不是地球的天体上，固定了人类探索史上的基本里程碑。这一成功是从技术和经济的角度来达到巨大的效果，是美国实现的，以应对苏联太空计划的较早成功，这是由创建和成功启动的第一次创建和成功启动的空间，并与1957年的Sputnik一起，并在1957年及其造成的交流[1，2]，以及1，2]，又是2 [1，2]，又有一个人的交流。 Vostok 1，Yuri Gagarin，1961年[3]。这是历史上遇到的第一个正式步骤[4]，尤其是月球竞赛[5]。尽管有最初的技术差距，但多年来，美国太空的进步取得了动力，而Apollo任务的设置[6]代表了整个美国太空计划的最高点。能够实现这样一个目标，需要开发几种新技术。当然，有能力计算能够满足整个任务的所有要求的轨迹。这在Apollo指导计算机的可用计算能力方面和用于指导土星V [8]的发射车数字计算机方面有严格的要求。在发动机切割之前的最后几秒钟进行了特殊护理，以避免溶液中的奇异性。在这种情况下，我们可以将数值优化通常放在[13]中，尤其是直接方法[14]。在上升指导中，火箭采用了所谓的迭代路径自适应指导，利用了最佳控制理论[9]，并修改了切线线性转向定律的修改版本，在此期间，其参数经常更新。另一个基本阶段由翻译注射（TLI）的动作表示，该动作使航天器能够离开地球范围的侵入范围到达月球。对于阿波罗11（Apollo 11），设想将哥伦布模块放在自由回报路径上[10]，并且此选择需要在机动末端满足的准确态度和位置条件。第三个也是最重要的阶段是月球着陆：鉴于上述计算局限性，NASA工程师在承诺，创造力和专有技术方面对其进行了补偿。这种态度的一个绝妙的例子是基于多项式方案的月球着陆指导，尽管其计算复杂性低[11]，但它的电子趋势形式也是最佳的[12]。然而，在过去几十年中，在计算能力和开发的重新构建优化算法方面取得的进展极大地扩展了当今可用的大量方法和工具，以分析相同的问题。在解决最佳控制问题的直接方法中，伪谱方法占据了相关位置。在本文中，我们希望通过使用Spartan [19，24，25]来重建Apollo 11任务的三个关键阶段这些方法[15]，基于用于转录问题的时间步长的不均匀分布，事实证明对大型最佳控制问题[16]非常有效，包括国际空间站的零促性剂重新定位[17]。进一步的应用涉及大气进入指导[18，19]，火星下降和小行星着陆轨迹计算[20]，月球着陆可及性分析[21]，卫星在椭圆轨道上的态度稳定[22]和飞机轨迹产生问题[23]。
深度学习的人类运动轨迹预测
工业机器人在当今的制造业中是必不可少的。尽管如此，许多任务仍然需要人类的智力或灵巧性。因此，必须启用人和机器人在工作区中的任务共存甚至协作。在这种情况下，人类的安全至关重要，必须确保在任务执行效率较高的同时，机器人不会伤害人。过去，这是通过使用固体金属围栏完全分离人和机器人工作区来实现的。随后，使用激光窗帘来检测人类何时进入机器人的工作区，这触发了一个完整的停止。僵化的壁垒今天仍然在很大程度上被使用，而趋势是共享工作区。这需要监视和预测人类和机器人的运动，以确保避免碰撞。绝对必要时才应采取干预行动。