XiaoMi-AI文件搜索系统
World File Search SystemTrajectory
Cobra-DDP：EVTOL车辆的轨迹产生和避免碰撞增强
•新型航空航天部门：任务和车辆（例如，自主货物交付）•高水平飞行自主权的商业案例（例如，船上飞行员，一对一对人的人类对自动驾驶汽车）•政府/行业/学术界正在制定新的运输系统•任何人，任何人，任何人，任何人的范围•任何人，范围•任何人的范围•任何人的范围）配置•具有非常具有挑战性的空气推进建模
与时期信息的自适应轨迹同步
摘要 - 在本文中，开发了一种自适应轨迹同步控制器，该控制器是在机器人模型参数（包括非线性参数摩擦术语）中的通信时间延迟和不确定性的情况下将机器人关节轨迹同步到人类关节轨迹的。通过解释人类机器人协作任务中出现的时间延迟，例如，使用图像处理估算人类轨迹或传感器融合以进行轨迹意图估计或计算限制，将控制器同步到人类轨迹。开发的自适应时间延迟同步控制器采用了新的积分并发学习（ICL）基于基于神经网络参数估计的参数更新定律。使用Lyapunov-Krasovskii函数分析证明了同步和参数估计误差的最终有界稳定性。使用人类机器人同步示例提出了蒙特卡洛模拟的结果，以验证所提出的同步控制器的性能。使用人类机器人同步示例提出了蒙特卡洛模拟的结果，以验证所提出的同步控制器的性能。
人类胰腺α细胞的异质性和轨迹推断分析，使用集成的单细胞和单核-RNA测序平台
先前的研究表明，胰腺α细胞可以转化为β细胞，并且β细胞脱离分化，并且很容易获得2型糖尿病（T2D）中的α细胞表型。但是，参与α-to-β细胞和β-β-to-α-α细胞转变的特定人α细胞和β细胞亚型尚不清楚。在这里，我们已经整合了分离的人类胰岛和人类胰岛移植物的单细胞RNA测序（SCRNA-SEQ）和单核RNA-SEQ（SNRNA-SEQ），并为α-β细胞命运转换提供了更多洞察力。使用这种方法，我们进行了七个新颖的观察结果。1）有五个不同的GCG表达人的α细胞子序列[α1，α1，α2，α-β-转移1（AB-TR1），α-β-透射2（AB-TR2）和α-β（AB）群集（AB-TR2）和α-β（AB）群集，具有不同的人类小动物的转录组概况。2）AB亚集群显示多摩尼语基因表达，主要从SNRNA-SEQ数据推断出，暗示通过mRNA表达鉴定。3）α1，α2，AB-TR1和AB-TR2亚clus子富含特异性的α细胞功能的基因，而AB细胞富含与胰腺祖先和β细胞途径相关的基因； 4）提取的α-和β细胞簇的轨迹推理分析以及RNA速度/PAGA分析表明，AB对α-和β-细胞的分叉过渡潜力。5）基因通用性分析识别Znf385d，TRPM3，CASR，MEG3和HDAC9是朝向β细胞和SMOC1和SMOC1，PLCE1，PAPAPA2，ZNF331，ZNF331，ALDH1A1，ALDH1A1，SLC30A8，SLC30A8，BTG2，TM4SF4，TM4SF4，NRR4A1和PSC的轨迹的签名α细胞。6）显着地，与体外事件相反，AB亚集群在人类胰岛移植物中没有在体内鉴定，而轨迹推断分析表明，仅在体内从α到β细胞的单向转变。7）对成年人类T2D供体胰岛的SCRNA-SEQ数据集的分析表明，从与去分化或转化为α细胞的β-到α细胞的单向单向过渡。总体而言，这些研究表明，可以利用SnRNA-SEQ和SCRNA-SEQ来确定人胰岛内分泌细胞在体外，体内，非糖尿病和T2D中的转录状态的过渡。他们揭示了参与α-和β细胞之间互连的常见轨迹的潜在基因特征，并突出了研究人类胰岛在体内的单个核转录组的实用性和功能。最重要的是，它们说明了研究人类胰岛在自然体内环境中的重要性。
在先前住院的COVID-19幸存者中，杂化后脑雾的轨迹，记忆力丧失和浓度丧失：长期兴奋的多中心研究
尽管2019年冠状病毒疾病（Covid-19）是由严重的急性呼吸综合症冠状病毒2（SARS-COV-2）引起的，总体上被归类为呼吸道疾病，但有明确的证据表明，它应视为多层疾病（Rabaan et al。，2023），具有长期的Suequelae（Rabaan等，2023）。神经系统症状，例如Ageusia，Anosmia，头痛和其他严重的并发症，例如del妄或中风，在急性阶段也经常经历（Kleineberg等，2021）。尽管在SARS-COV-2感染的急性阶段表现出一些神经系统症状，例如头痛（Fernández-De-Las-Peñas等，2021年）或Anosmia或Anosmia（Trott等人，2022年）也可能存在于后期的症状，例如脑部，例如脑部，例如，脑部fremerry，例如，脑海中的脑海中造成了预期，例如，脑海中的预期，脑海中的脑海中丧失，例如Al。，2022）。
在混乱环境中基于激光雷达的空中跟踪的分散群轨迹生成
摘要 - 具有多个无人机（UAV）的航空跟踪在各种应用中具有广泛的潜力。但是，现有的群追踪作品通常缺乏在混乱环境中保持高目标可见性的能力。为了解决这种缺陷，我们提出了一个分散的计划者，该计划者可以最大化目标可见性，同时确保无碰撞的动作进行群体跟踪。在本文中，首先通过分散的动力学搜索前端对每个无人机的跟踪性能进行了分析，该搜索为初始化安全的飞行走廊和可见扇区提供了最佳的指导路径。之后，满足走廊约束的多项式轨迹是由空间 - 周期性优化器产生的。车间碰撞和避免阻塞也被纳入优化目标。通过与其他尖端作品进行广泛的基准比较来验证我们方法的范围。与基于自主激光雷达的群体系统集成在一起，提出的计划者在现实世界中展示了其效率和鲁棒性，这些实验杂乱无章。
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。
地球与……之间的双脉冲转移轨迹
美国宇航局计划在 2024 年之前将人类送回月球 [1]。这引发了人们对月球探索任务的兴趣。为了有效地将人类和机器人任务送上月球，正在研究不同的最佳低和/或高推力轨道转移。最简单、最快速但不节能的方法是霍曼转移 [2]。霍曼转移需要两次燃烧，一次在轨道的近地点，另一次在远地点。航天器在地球停泊轨道上时位于近地点，远地点设置在所需的月球轨道高度。另一种研究航天器从地球到月球的转移的方法是使用拼块圆锥曲线法。拼块圆锥曲线近似依赖于太阳系动力学的开普勒分解 [3]。通过沿轨道小心地切换 SOI（影响球），航天器的运动在给定时间内仅受一个主要天体控制。例如，在使用补片圆锥曲线进行地球到月球转移的情况下，航天器在转移的大部分时间里将位于地球的 SOI 中，而在最后的时间里只靠近月球。霍曼转移和补片圆锥曲线都是 2BP（二体问题）中简单、直接的转移方法。从 1960 年代到 1980 年代，包括月球和阿波罗任务在内的所有登月任务都使用了一些对霍曼和补片圆锥曲线转移的改动。2BP 向月球的转移受到发射窗口的限制，并且需要多次修正燃烧，从而增加了总 Δ𝑉 成本。以阿波罗 11 号为例，它必须进行两次月球轨道交叉燃烧和四次中途修正。阿波罗 11 号进入月球轨道所需的总 Δ𝑉 为 13571.1 ft/s（4.136 km/s）[4]。
不确定性驱动的轨迹截断，用于数据增强的数据加强学习
摘要。配备了训练有素的环境动态，基于模型的型号增强学习（RL）算法可以成功地从固定尺寸的数据集中成功学习良好的策略，甚至有些质量较差的数据集。不幸的是，不能保证从训练有素的动态模型中生成的样品是可靠的（例如，某些合成样本可能位于静态数据集的支持区域的外面）。为了解决这一点，我们提出了与u ncleantity（tatu）的束缚t runcation，如果沿轨迹的累积不确定性太大，则可以自适应地截断合成轨迹。我们从理论上展示了塔图的绩效界限，以证明其受益合理。为了示出Tatu的优势，我们首先将其与两种基于经典模型的型号RL算法结合在一起，MOPO和组合。此外，我们将tatu与几个未经省的模型集成在一起，不含频率rl算法，例如BCQ。D4RL基准测试的实验结果表明，Tatu显着提高了其能力，通常会大幅度通过很大的边缘。代码可在此处找到。
Spotlight新闻驱动的定量交易基于轨迹优化
新闻驱动的定量交易（NQT）近年来被广泛研究。大多数存在的NQT方法都是在两步范式中执行的，即首先通过财务预测任务对市场进行分析，然后做出交易决策，这是由于几乎徒劳的预测任务而失败的。为了绕过财务预测任务，在本文中，我们专注于加强基于基于NQT的NQT范式，该范式利用新闻直接做出有利可图的交易决策。在本文中，我们根据决策轨迹优化提出了一种新颖的NQT框架聚光灯，该框架可以有效地将连续且灵活的交易序列拼接在一起，以最大程度地提高利润。此外，我们通过构建聚光灯驱动的状态轨迹来增强此框架，该轨迹遵循由聚光灯新闻引起的不规则突然跳跃的随机过程。此外，为了适应非平稳的金融市场，我们为该框架提出了有效的培训管道，该框架与在线填充进行了预处理融合，以在线交易期间有效地平衡勘探和利用。在三个真实世界数据集上进行的广泛实验证明了我们提出的模型优于最先进的NQT方法。
基于差分平面度的一类 3D 空中机械手的 6D 位姿任务轨迹跟踪
I. 引言 A. 背景与动机 近年来，空中操控引起了机器人研究界的极大兴趣 [1]。多个研究小组展示了使用安装在空中机械手上的夹持器进行空中抓取 [2]–[4]。Lee 和 Kim、Kim 等人展示了协作式空中机械手在有障碍物的环境中抓取未知有效载荷 [5]，[6]。Orsag 等人演示了使用四旋翼平台和安装在平台上的双臂执行拾取和钉孔任务 [7]。欧盟第七框架计划资助了几个空中机械手项目，研究空中机械手与环境交互时的运动规划和阻抗控制 [8]–[10]。德国航空航天中心的一个研究小组介绍了安装在直升机上的 7 自由度人形手臂的潜在应用 [11]。类似 Delta 的机构 [12] 和并联机械手 [13] 也被考虑用于空中机械手。这些现有的研究为空中操纵的研究提供了广阔的未来。然而，与地面操纵器相比，空中操纵器能够完成的任务仍处于非常初级的阶段。这是由于许多因素造成的，例如