XiaoMi-AI文件搜索系统
World File Search SystemTrajectory
临近空间高超声速滑翔飞行器弹道分析...
当其在临近空间飞行并获得一定高度和速度时，凭借高升阻比的结构优势，仍可实现大范围的水平和垂直机动。它不仅克服了传统抛物线弹道机动性差的缺点，而且与常规高超声速巡航导弹相比，还具有射程远、机动性强的优势。随着临近空间高超声速滑翔飞行器能够丰富空间作战的内涵和理念、对传统作战模式提出挑战和冲击、具有广阔的军事应用前景等共识，各国都高度重视临近空间高超声速滑翔飞行器的弹道特性研究。参考文献[4]用数值方法研究了初始高度、角度和速度对弹道平衡滑翔状态的影响，并分析了跳跃形成的原因。文献[5]改进了平衡滑翔和跳跃滑翔两种典型弹道的弹道特性研究方法。文献[6]对跳跃式高超声速飞行器的弹道特性及参数优化问题进行了探讨。本文通过建模与仿真的方法，对某高超声速滑翔飞行器滑翔再入弹道特性进行了分析，并从射程、速度、高度、过载等方面探讨了飞行器动能武器系统防御该类飞行器的难点。为临近空间防御能力建设提供了方向。
数据驱动的飞机轨迹预测的新可靠性研究
摘要：本文利用美国联邦航空管理局提供的交通流量管理系统 (TFMS) 特定航线固定翼飞机轨迹公共数据集，测量了六种轨迹预测模型的两个主要因素，包括回归准确性和对抗攻击鲁棒性。从基本的常规到高级的深度学习，六种数据驱动的回归器及其所需的架构，从其预测轨迹的准确性和可靠性方面进行了探索。本文的主要贡献是针对飞机轨迹问题描述了对抗样本的存在，本文将其重铸为回归任务。换句话说，虽然数据驱动算法是目前最好的回归器，但它们可能会受到对抗样本的攻击。对抗样本类似于训练样本；然而，它们会导致经过精细训练的回归器做出错误的预测，这对基于学习的轨迹预测算法构成了安全隐患。结果表明，尽管基于深度学习的算法（例如长短期记忆 (LSTM)）相对于传统分类器（例如支持向量回归 (SVR)）具有更高的回归准确度，但它们对精心设计的状态更敏感，这些状态可以被精心操纵，甚至可以将其预测状态重定向到不正确的状态。这一事实对飞机构成了真正的安全问题，因为对抗性攻击可以重新
2023 年 ICT 行业将继续呈现正增长轨迹
参与度提高、技术采用和新的发展蓝图为了增加参与度提供各种电子通信服务，管理局将电子通信网络和服务许可证的数量从 2022 年的八十四 (84) 个增加到 2023 年的九十二 (92) 个。三家实体特别获得许可提供国际数据连接服务，而低地球轨道卫星服务提供商 SpaceX 获得许可在赞比亚提供星链卫星互联网服务。邮政和快递行业持牌运营商的参与度增长相对较高，持牌运营商数量从 2022 年的 70 (71) 增至 103 (103)。此前，邮政和快递服务行业运营商的许可费在 2023 年初大幅降低，降幅高达 55%。移动货币服务继续表现强劲，赞比亚银行的官方估计显示，移动货币交易额从上一期的 2958 亿赞比亚马克增长了 50% 以上，达到 2023 年的 4520 亿赞比亚马克。其他值得注意的发展包括科技部长 Felix C. Mutati 公布了赞比亚 ICT 行业发展的官方蓝图。ICT 政策和数字化转型战略已正式发布，将指导 ICT 行业发展的中期优先事项。该国推出了更新、更具创新性的技术，在该国提供服务的三家移动网络运营商中，有两家推出了 5G 服务并引入了嵌入式 SIM 卡。这些发展不仅为改善客户体验铺平了道路，也为行业数字化铺平了道路。
轨迹解码中的迁移学习：传感器还是源空间？
摘要：本研究调查了跨参与者和跨会话的迁移学习，以在连续手部轨迹解码的背景下最大限度地缩短脑机接口 (BCI) 系统的校准时间。我们重新分析了一项涉及 10 名健全参与者、为期 3 个会话的研究的数据。采用留一参与者 (LOPO) 模型作为起始模型。采用递归指数加权偏最小二乘回归 (REW-PLS) 来克服由于训练数据池庞大而导致的内存限制。我们考虑了四种场景：无更新的广义 (Gen)、具有累积更新的广义 (GenC) 以及具有累积 (IndC) 和非累积 (Ind) 更新的个别模型，每个模型都使用传感器空间特征或源空间特征进行训练。广义模型（Gen 和 GenC）的解码性能低于偶然水平。在个体模型中，累积更新 (IndC) 相对于非累积模型 (Ind) 没有显著改善。性能表明解码器无法在此任务中跨参与者和会话进行推广。结果表明，尽管源空间特征中有额外的解剖信息，但传感器空间个体模型可以实现最佳相关性。在 Ind 模型中，解码模式在三个会话中显示出围绕楔前叶的更局部化的模式。
减少 MRI 扫描时间的 k 空间轨迹设计
1 KP Pruessmann 等人，“SENSE：快速 MRI 的灵敏度编码”，MRM，1999 年。2 Michael Lustig 等人，“稀疏 MRI：压缩感知在快速 MRI 成像中的应用”，MRM，2007 年。3 N. Chauffert 等人，“基于旅行商的可变密度抽样”，SampTA，2013 年。
气象不确定性下的稳健飞机轨迹优化
它提高了我在轨迹规划和执行方面的知识和思想。本论文中描述的算法的实现大部分是使用开源软件和库完成的。为所有这些软件包做出贡献的人太多了，无法一一感谢，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非常善良的人，他们使计算机疼痛变得可以忍受。毫无疑问，这几年我没有因为我的无助而感到惭愧，也没有因为我的离去而无奈地得到我同伴的帮助和支持。大卫、莎拉、丹尼和米克，他们在天上的光辉灿烂，感谢所有伟大的时刻； amis compañeros de exilio en el Inframundo, Álex, Bin y Marco (ahora Señor del ídem)；卡洛斯，我的回忆录；德斯帕乔；一个马努，通过对我们非理性的比较的热情，对具体的图形或程序进行绝对的批评。卢卡·罗科（Luca y Rocco）：我个人欢迎我们的新意大利霸主。贡萨洛（Gonzalo），我希望我能与洛斯·辛普森（Los Simpson）一起参考其他人物，是的，我是一个出色的生活（remunerada）。托尼（Toni）对胡安·贝内特（Juan Benet）大厦的太阳系人民的荣誉进行了幽默限制的调查。丹尼尔、马苏德、瓦伦丁，以及爱德华多、纳乔和未来调查组的所有未来的事情。等离子研究中的许多人都知道许多关于电力推进的术语，但这些术语并不意味着今天已经发生了。 Dado que aguantarme es demasiado trabajo para unas pocas personas, mucha gente ha contribuido dorante estos años, y es justo agradecérselo.阿尔瓦罗、亚伦、卡洛斯和萨拉，感谢您的帮助。马可、卡门、哈维、伊莎、朱莉、西莉亚、巴勃罗、阿图罗、维尔、埃琳娜和托马斯：他们在卡雷拉的哈比亚大街上度过了漫长的岁月，但不承认自己已经堕落了。米里亚姆、玛丽亚、巴勃罗、安娜、劳拉、丽贝卡和阿尔贝托，感谢 los maravillosos saraos。 Juan、David、Juampe、Maritxu、María、Mario、Miguel、Xiana 和 Rosana，都在谈论莫拉和诺。谨向您提供所有相关信息，感谢您提供的信息。最后，我要对我的家人进行一次宝贵的理解，特别是西尔维娅和劳拉、查科、特拉斯托、特鲁科和可可，他们将帮助您完成所有的事情：谢谢，妈妈和爸爸。
制作和利用轨迹预测中的在线地图不确定性
高清（HD）地图在现代自动驾驶汽车（AV）堆栈的开发中发挥了不可或缺的作用，尽管具有高相关的标签和维护成本。因此，许多最近的作品提出了从传感器数据在线估算高清地图的方法，使AV可以在先前映射的重新下进行操作。但是，当前的在线地图估计方法是通过隔离其下游任务的，将其集成在AV堆栈中的开发。特别是它们不会产生不确定性或置信度估计。在这项工作中，我们将多个最先进的在线地图示出方法扩展到估算不确定性的额外，并显示如何与轨迹预测1允许更紧密地集成在线地图1。在这样做时，我们发现纳入不确定性的训练收敛速度最高高出50％，并且在现实世界中驾驶数据集中的预测性能高达15％。
mftraj：无图，行为驱动的轨迹预测
本文介绍了用于自动驾驶的轨迹预测模型，重点是动态流量sce-narios中的复杂相互作用，而不依赖高清图。该模型，称为MFTRAJ，利用历史轨迹数据与新型动态图基于行为感知的模块相结合。以自适应结构感知的交互式卷积网络在其核心上捕获了道路使用者的正常和行为特征，并提供了时空的复杂性。通过线性注意机制增强，该模型达到了计算效率并降低了参数开销。对Argoverse，ngsim，HighD和MoCAD数据集进行评估强调了MFTRAJ的鲁棒性和适应性，即使在数据挑战的方案中，也不需要获得其他信息，例如HD MAPS或矢量化映射，甚至超过了数字基准。重要的是，即使在情况下，它仍保持竞争性能，这些竞争性能与大多数现有的最新模型相当。结果和方法表明，自主驾驶轨迹预测的显着进步，为更安全，更有效的自主系统铺平了道路。
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。
dtg：基于扩散的轨迹生成，用于无MAP的全局导航
摘要 - 我们提出了一种新颖的基于端到端扩散的轨迹生成方法DTG，用于无地图的全球导航，以挑战户外场景，并具有遮挡和非结构化的越野特征，例如草，建筑物，灌木丛等。给定一个遥远的目标，我们的方法计算出满足以下目标的轨迹：（1）最大程度地降低目标的旅行距离； （2）通过选择不位于不良区域的路径来最大化遍历性。具体来说，我们为扩散模型提供了一种新颖的条件RNN（CRNN），以有效地产生轨迹。此外，我们提出了一种自适应训练方法，以确保扩散模型产生更多可遍历的轨迹。我们在各种室外场景中评估了我们的方法，并将性能与赫斯基机器人的其他全球导航算法进行比较。实际上，我们观察到的行进距离至少提高了15％，遍历性提高了7％。视频和代码：https：//github.com/jinggm/dtg.git。