XiaoMi-AI文件搜索系统
World File Search SystemTrajectory
气象不确定性下的稳健飞机轨迹优化
它提高了我对轨迹规划和执行的知识和思考。本论文所述算法的实现主要利用开源软件和库来完成。虽然对这些软件包做出贡献的人太多，无法一一承认，但我还是想特别感谢 CasADi 的 Joel Andersson 和 Joris Gillis、pygrib 的 Jeffery S. Whitaker、IPOPT 的 Andreas Wächter，以及这些项目和其他科学和工程库的所有其他贡献者。还要感谢在线问答网站上那些非常善良的人，他们让我对电脑的痛苦变得更容易忍受。毫无疑问，如果没有办公室和部门同事的无微不至的陪伴和无条件的帮助和支持，这些年就不会是这样的。致大卫、萨拉、丹妮和米克，我希望看到他们的小玩意在天体上发出微弱的光芒，感谢你们给我带来的所有美好时刻；致我在冥界的流亡同伴，亚历克斯 (Alex)、宾 (Bin) 和马可 (Marco) (现为冥界之王)；致卡洛斯 (Carlos)，我办公室里的老邻居；致 Manu，感谢我们曾一起分享对图形或编程方面那些虽小但绝对关键的细节所表现出的超乎寻常的热情。致卢卡 (Luca) 和罗科 (Rocco)：首先，我欢迎我们的新意大利霸主。对于 Gonzalo，我希望有一天他能原谅我向其他人提及《辛普森一家》；对于 Güemes，他已经过上了更好的（有报酬的）生活。感谢托尼，他对幽默的极限进行了颇具影响力的研究，多亏了这项研究，我现在可以免去在胡安贝内特大楼里讲最糟糕的笑话的荣幸。致 Daniele、Massoud、Valentin 以及我们研究小组的所有前成员，以及 Eduardo、Nacho 和未来的成员。致所有其他等离子体学者，从他们那里我学到了很多电力推进术语，但我不知道是否愿意去探索它们的含义。由于忍受我对少数人来说太过辛苦，多年来很多人都做出了贡献，感谢他们才是公平的。感谢阿尔瓦罗 (Álvaro)、阿隆 (Aarón)、卡洛斯 (Carlos) 和萨拉 (Sara) 与我们共度的下午时光。致 Marco、Carmen、Javi、Isa、Juli、Celia、Pablo、Arturo、Vir、Elena 和 Thomas：你们中的大多数人已经知道比赛期间会发生什么，不允许退款。感谢 Miriam、María、Pablo、Ana、Laura、Rebeca 和 Alberto 举办的精彩派对。致 Juan、David、Juampe、Maritxu、María、Mario、Miguel、Xiana 和 Rosana，感谢你们多次讨论什么是酷的，什么不是酷的。感谢费尔以及所有我的队友们给予我的许多分数。最后，我要感谢我的家人多年来的欣赏和理解，特别是西尔维娅、劳拉、查科、特拉斯托、特鲁科和科科，我对他们的支持和爱永远表示感谢：谢谢你们，爸爸妈妈。
Unitraj：可扩展车辆轨迹预测的统一框架
摘要。车辆轨迹预测越来越依赖于数据驱动的解决方案，但是它们扩展到不同数据域的能力以及较大数据集大小对其概括的影响仍然不足。虽然可以通过使用多个数据集来研究这些问题，但由于几个差异，例如，在数据for-mats，MAP分辨率和语义注释类型中，这是具有挑战性的。为了应对这些挑战，我们介绍了Unitraj，这是一个综合框架，该框架统一了各种数据集，模型和评估标准，为车辆轨迹预测字段提供了新的机会。特别是，使用Unitraj，我们进行了广泛的实验，并发现当转移到其他数据集时，模型的模型显着下降。但是，扩大数据大小和多样性可以大大提高性能，从而导致Nuscenes数据集的最新结果。我们对数据集特征提供了见解，以解释这些发现。代码可以在此处找到：https：//github.com/vita-epfl/unitraj。
社交 - vrnn：互动行人的单次多模式轨迹预测
摘要：人类动议的预测是对人类自主机器人安全导航的关键。在混乱的环境中，由于其与环境和其他脚步的相互作用，可能会有几种运动假设。以前用于估计多个运动假设的工作需要大量样本，这限制了其在实时运动计划中的适用性。在本文中，我们提出了一种基于深层生成神经网络的相互作用和多模式轨迹预测的变分学习方法。我们的方法可以实现更快的收敛性，并且与最新方法相比，需要更少的样本。对真实和模拟数据的实验结果表明，我们的模型可以有效地学习推断出不同的轨迹。我们将我们的方法与三种基线方法进行了比较，目前的性能结果表明，我们的生成模型可以通过产生各种轨迹来实现轨迹预测的更高准确性。
被子植物中重复基因进化的DNA甲基化特征
预印本（未通过同行评审认证）是作者/资助者。保留所有权利。未经许可就不允许重复使用。此版本的版权持有人于2023年1月27日发布。 https://doi.org/10.1101/2023.01.27.525966 doi：Biorxiv Preprint
不确定性下的轨迹计划的连续时间最佳控制
摘要。本文提出了连续的时间最佳控制框架 - 在不确定性驱动方案中生成参考轨迹的工作。先前的工作[1]提出了一个自动驾驶汽车的离散时间随机代理。这些结果扩展到连续的时间，以确保在实时设置中发电机的鲁棒性。我们表明，连续时间的随机模型可以通过产生更好的结果来捕获信息的不确定性，从而限制了与离散方法相比，违反问题限制的风险。动态求解器提供更快的计算，而连续的时间模型比离散时间模型更适合多种多样的驾驶场景，因为它可以处理进一步的时间范围，这可以在城市驾驶场景的框架之外进行轨迹计划。
使用多... -Dr -ntu
摘要：运动意图检测对于应用于辅助机器人的人机接口的实施至关重要。在本文中，已经探索了用于创建上肢运动预测模型的多个机器学习技术，该模型通常取决于三个因素：从用户收集的信号（例如运动学或生理学），提取的特征和所选算法。我们探讨了从各种信号中提取的不同特征的使用，用于训练多种算法以预测肘部弯曲角轨迹。根据轨迹的平均速度和峰值振幅评估了预测的准确性，该轨迹足以完全定义IT。结果表明，仅使用生理信号时的预测准确性很低，但是，当包括运动信号时，它会大大改善。这表明运动学信号为预测肘部轨迹提供了可靠的信息来源。使用10种算法训练了不同的模型。正则化算法在所有情况下都表现良好，而当选择最重要的功能时，神经网络的性能更好。可以咨询本研究中提供的广泛分析，以帮助开发准确的上肢运动意图检测模型。
将生成式人工智能的轨迹转向负责任的……
虽然仍有许多未知数，但我们可以假设这项技术将对我们因偏见、歧视和虚假信息而已经支离破碎的社会结构产生影响。我们担心生成式人工智能可能会对人们的归属感产生影响，可能会加剧和武器化孤独感和孤立感，美国卫生局局长已将其确定为一种日益严重的流行病。我们还预计，有色人种社区、新兴经济体和过去被有意和系统性地排除在外的年轻人将最深刻地感受到这种危害。与此同时，我们相信这项技术也可以以加深人际关系和改变关系的方式发展，从而帮助社区繁荣发展。我们的目标是促进后者并减轻前者的影响。
气象不确定性下的稳健飞机轨迹优化
它提高了我对轨迹规划和执行的知识和思考。本论文所述算法的实现主要利用开源软件和库来完成。虽然对这些软件包做出贡献的人太多，无法一一承认，但我还是想特别感谢 CasADi 的 Joel Andersson 和 Joris Gillis、pygrib 的 Jeffery S. Whitaker、IPOPT 的 Andreas Wächter，以及这些项目和其他科学和工程库的所有其他贡献者。还要感谢在线问答网站上那些非常善良的人，他们让我对电脑的痛苦变得更容易忍受。毫无疑问，如果没有办公室和部门同事的无微不至的陪伴和无条件的帮助和支持，这些年就不会是这样的。致大卫、萨拉、丹妮和米克，我希望看到他们的小玩意在天体上发出微弱的光芒，感谢你们给我带来的所有美好时刻；致我在冥界的流亡同伴，亚历克斯 (Alex)、宾 (Bin) 和马可 (Marco) (现为冥界之王)；致卡洛斯 (Carlos)，我办公室里的老邻居；致 Manu，感谢我们曾一起分享对图形或编程方面那些虽小但绝对关键的细节所表现出的超乎寻常的热情。致卢卡 (Luca) 和罗科 (Rocco)：首先，我欢迎我们的新意大利霸主。对于 Gonzalo，我希望有一天他能原谅我向其他人提及《辛普森一家》；对于 Güemes，他已经过上了更好的（有报酬的）生活。感谢托尼，他对幽默的极限进行了颇具影响力的研究，多亏了这项研究，我现在可以免去在胡安贝内特大楼里讲最糟糕的笑话的荣幸。致 Daniele、Massoud、Valentin 以及我们研究小组的所有前成员，以及 Eduardo、Nacho 和未来的成员。致所有其他等离子体学者，从他们那里我学到了很多电力推进术语，但我不知道是否愿意去探索它们的含义。由于忍受我对少数人来说太过辛苦，多年来很多人都做出了贡献，感谢他们才是公平的。感谢阿尔瓦罗 (Álvaro)、阿隆 (Aarón)、卡洛斯 (Carlos) 和萨拉 (Sara) 与我们共度的下午时光。致 Marco、Carmen、Javi、Isa、Juli、Celia、Pablo、Arturo、Vir、Elena 和 Thomas：你们中的大多数人已经知道比赛期间会发生什么，不允许退款。感谢 Miriam、María、Pablo、Ana、Laura、Rebeca 和 Alberto 举办的精彩派对。致 Juan、David、Juampe、Maritxu、María、Mario、Miguel、Xiana 和 Rosana，感谢你们多次讨论什么是酷的，什么不是酷的。感谢费尔以及所有我的队友们给予我的许多分数。最后，我要感谢我的家人多年来的欣赏和理解，特别是西尔维娅、劳拉、查科、特拉斯托、特鲁科和科科，我对他们的支持和爱永远表示感谢：谢谢你们，爸爸妈妈。
用于飞机轨迹分析的交互式基于图像的信息可视化
摘要 — 空中交通管制 (ATC) 领域是大数据挑战的一个例子。数据由飞机轨迹或轨迹集组成，这些轨迹或轨迹又记录了飞机在给定空域中几个时刻的位置，以及其他信息，例如飞行高度、速度、燃料消耗和元数据（例如航班 ID）。分析和理解时间相关数据对信息可视化提出了一些不小的挑战。在本文中，我们提出了一套新颖的方法，使用基于图像的交互式信息可视化技术来分析飞机轨迹。我们通过提出一组相关的可视化分析方法来解决数据处理方面的可扩展性挑战和未解决的问题，这些方法侧重于 ATC 领域的决策支持。所有方法都使用基于图像的技术，以概述此类技术在我们的应用环境中的优势，并通过 ATC 域中的用例进行说明。对于每个用例，我们概述了领域专家提出的问题类型、解决这些问题所涉及的数据，并描述了我们用于解决这些问题的特定基于图像的技术。对于每种这样的技术，我们描述了用于实现其目标的视觉表示和交互机制。我们用来自 ATC 域的真实数据集来说明这些用例。
终端空域轨迹规范：冲突检测与解决
轨迹规范是一种指定具有公差的飞机轨迹的方法，使得飞行中任何给定时间的位置都被限制在精确定义的边界空间内。边界空间由相对于参考轨迹的公差定义，该参考轨迹将位置指定为时间函数。公差是动态的，基于飞机导航能力和交通状况。轨迹规范可以保证在任意时间段内的安全分离，即使在空中交通管制 (ATC) 系统或数据链路发生故障的情况下也是如此。它可以帮助实现 ATC 自动化所需的高安全性和可靠性，并且可以减少正常运行期间对战术 ATC 备用系统的依赖。本文介绍了用于检测和解决服务于主要机场的终端空域中指定轨迹之间冲突的算法和软件。在对主要终端空域全天交通的快速模拟中，所有冲突都几乎实时得到解决，证明了该概念的计算可行性和初步操作可行性。