XiaoMi-AI文件搜索系统
World File Search SystemUnscented
基于海流预报和多目标进化优化的声纳浮标网络优化部署决策支持系统
提出了一种用于水下监视应用中的协同轨迹检测的漂移声学传感器网络最优部署决策支持系统，并在模拟场景中进行了测试。该系统集成了海水流预报、传感器范围模型和简单的漂移浮标运动模型，以预测传感器位置和时间网络性能。采用多目标遗传优化算法，通过同时优化两个服务质量指标（网络区域覆盖和跟踪覆盖的时间平均值）来搜索一组帕累托最优部署解决方案（即网络漂移声纳浮标的初始位置）。优化后找到的解代表了两个指标之间不同的效率权衡，任务规划人员可以方便地评估这些解，以便在两个冲突目标之间选择具有所需折衷的解决方案。还通过无迹变换进行了灵敏度分析，以测试解决方案对网络参数和环境不确定性的稳健性。提供了利用真实概率海水流预报的模拟场景的结果，显示了所提方法的有效性。未来的工作是使该工具完全可操作并准备在真实场景中使用。� 2013 北约科学技术组织，海事研究和经验中心
融合算法启用的电动汽车电池的电荷估计，考虑到极端温度
使用扩展的Kalman滤波器（EKF）来估计锂离子电池（LIBS）的电荷状态（SOC），系统的噪声协方差矩阵和能量收集器的观察声音大多是随机给出的，这使得无法优化噪声问题。这会导致SOC估计的准确性和稳定性较低。为解决这些问题，提出了一种基于长期短期记忆 - 自适应的无知的卡尔曼滤波器（LSTM – AUKF）融合的方法来提高估计Libs Soc的准确性和稳定性。首先，从混合脉冲功率表征（HPPC）实验数据中鉴定出Thevenin模型的离线参数。然后，为电源LIB构建了SOC估计窗口的LSTM结构，并且电池SOC训练网络是通过电池电流，电压，温度和历史数据实时预测的。最后，设计了估计权力液体SOC的AUKF算法，然后提出了融合策略。实验验证表明，用于估计研究窗口中LSTM -AUKF混合动力锂电池的均方根平方误差（RMSE），最大（最大）和平均绝对误差（MAE）分别为1.13、1.74和0.39％。与窗口LSTM网络相比，融合算法提高了SOC估计功率LIB的准确性和稳定性。
自适应在线收费估计电动汽车锂...
摘要：电荷状态（SOC）估计是安全性能和锂离子（锂离子）电池寿命的重要问题。在本文中，提出了一种强大的自适应在线长期记忆（ROLSTM）方法，以提取电动汽车（EV）中锂离子电池的SOC估计。顾名思义的实时方法是基于一个复发性神经网络（RNN），该神经网络（RNN）包含长期记忆（LSTM）单元，并使用强大和适应性的在线梯度学习方法（ROADAM）进行优化。在拟议的体系结构中，为三个输入中的每一个定义了一个顺序模型：电池的电压，电流和温度。因此，这三个网络并联起作用。使用这种方法，LSTM单元的数量减少。使用此建议的方法，一种不依赖精确的电池模型，并且可以避免复杂的数学方法。此外，与传统的递归神经网络不同，该网络随时重写内容，LSTM网络可以决定通过所提出的网关保留当前的内存。在这种情况下，它可以轻松地将此信息转移到较长的路径上，以接收和维持长期依赖性。使用真实数据库，实验结果说明了与迄今为止使用的神经网络建模和无流感的KalmanFulter方法相比，ROLSTM应用于SOC估算的ROLSTM的性能更好。
使用机器学习
摘要 - 本文提出了一种新型的地形自适应局部轨迹规划师，旨在在可变形地形上自动操作。最先进的解决方案要么不考虑可变形的地形，要么不提供足够的鲁棒性或计算速度。为了弥合此搜索差距，本文引入了一种新型的模型预测控制（MPC）公式。与仅依赖于避免障碍物的硬性或软限制的普遍的最新方法相反，目前的配方通过纳入两种类型的约束来增强鲁棒性。通过广泛的仿真来评估配方的有效性和鲁棒性，涵盖了广泛的随机场景，并与最新方法进行了比较。随后，通过文献中以最佳控制的地形力学模型来增强该配方，并明确解决了地形变形。此外，采用无知的卡尔曼过滤器的地形估计器可用于在线动态调整下沉指数，从而产生地形自适应配方。在现实世界中，该公式在现实世界的实验中进行了测试，以刚性验证的配方作为基准测试。结果展示了拟议的配方所实现的优越的安全性和绩效，强调了将Terramogenics知识整合到计划过程中的重要意义。具体而言，所提出的地形自适应配方可实现平均绝对侧滑角，平均绝对偏航率降低，目标时间较短以及更高的成功率，这主要归因于其对计划者内部机械学的增强的理解。
基于区块链的随机能量管理，考虑激励价格
摘要 - 将大分布网格分解为互连的微电网（MG）可以潜在地增强电力系统的效率，可持续性，弹性和可靠性。但是，整个网络中的能源管理将更加复杂和具有挑战性。本文为基于区块链技术的互连MGS开发了一个新颖的能源管理框架。利用区块链技术可以潜在地提高系统安全性，还可以降低系统风险，减少财务欺诈并降低运营成本。首先定义优先级列表，以进入相互联系的MGS内的有效的能源折衷。此外，提出了内置合同，为从一个亚mg购买更多电力的一方提供价格折扣。还建立了基于无意义转换技术的随机框架，以管理与可再生能源的小时负载需求和输出功率相关的不确定性。所提出的模型被形成为混合企业线性编程问题，并通过基于区块链的能量/功率管理算法解决。案例研究包括住宅，工业和商业MG，即三个住宅，一个商业和一个关键负荷（医院）。类似结果表明，提出的模型的效率和有效性很高，并验证了其经济和可靠性的优点。
安全，动态人体工程学和自适应决策
摘要 - 将协作机器人集成到工业环境中的整合提高了生产率，但也强调了与操作员安全和人体工程学相关的重大挑战。本文提出了一个创新的框架，该框架集成了先进的视觉感知技术，实时人体工程学监测和行为树（BT）基于自适应的决策。与通常在孤立或静态上运行的传统方法不同，我们的方法结合了深度学习模型（Yolo11和缓慢地），先进的跟踪（无流感的卡尔曼滤波器）和动态的人体工程学评估（OWAS），提供了模块化，可扩展和适应性系统。实验结果表明，该框架在几个方面都优于先前的方法：检测姿势和动作的准确性，在管理人类机器人相互作用方面的适应性以及通过及时的机器人干预措施降低人体工程学风险的能力。尤其是，视觉感知模块比Yolov9和Yolov8具有优越性，而实时人体工程学的概念消除了静态分析的局限性。自适应角色管理是由行为树实现的，比基于规则的系统具有更大的响应能力，使该框架适合复杂的工业场景。我们的系统在掌握意图识别方面的准确性为92.5％，并成功地将人体工程学风险分类为实时响应能力（平均延迟为0.57秒），使及时的机器人指数术语 - 人类机器人合作，实时的eR-GONOMICS，实时的eR-GONOMICS，适应性的决策，视觉感知，视觉感知，是Haviour haviour tree Yolo，Yolo。
基于多传感信息融合的移动机器人定位与环境感知技术
本文重点介绍了位置准确性低的问题和在复杂环境中移动机器人的不良环境感知性能。它基于IMU和GP的机器人姿势信息和环境知觉信息进行了关键的技术研究，以检测机器人自己的姿势信息，以及激光雷达和3D摄像头，以感知环境信息。在“姿势信息融合层”中，粒子群处理算法用于优化BP神经网络。没有偏见的卡尔曼过滤，并实现了未经意识的卡尔曼滤波器，以实现INS-GPS松散耦合导航，从而减少了INS组件IMU的偏见和噪声。此外，当GPS信号丢失发生时，训练有素的神经网络可用于输出预测信息，以进行惯性导航系统的错误校正，提供更准确的速度，并将信息作为绝对位置约束。在环境感知融合层中，补偿的IMU预一整合性调查分别与次要水平分别与视觉探光仪和激光镜探测融合。这使机器人的实时精确定位和环境图的更精细结构。最后，使用实际收集的轨迹来验证算法，以进行multi传感器信息的两级融合。实验结果表明，该算法提高了机器人的定位准确性和环境感知性能。机器人运动轨迹和原始真实轨迹之间的最大误差为1.46 m单位，而最小误差为0.04 m单位，平均误差为0.60 m。
锂离子电池状态和参数估计的新级联框架
摘要：锂离子电池在线监视由于其内部状态的不可衡量的特征而具有挑战性。到目前为止，电池监视的最有效方法是基于等效电路模型应用高级估计算法。此外，一种估计缓慢变化的不可估计的参数的通常方法是将它们包括在零时间导数条件下，构成所谓的扩展等效电路模型，并已广泛用于电池状态和参数估计。尽管将各种高级估计算法应用于联合估计和双重估计框架，但这些估计框架的本质尚未更改。因此，电池监视结果的改进有限。因此，本文提出了一种新的电池监视结构。首先，由于叠加原则，提取了两个子模型。对于非线性，进行了可观察性分析。表明，局部可观察性的必要条件取决于电池电流，电池容量的初始值以及相对于充电状态的开路电压的衍生物平方。然后，获得的可观察性分析结果成为提出新的监测结构的重要理论支持。选择并使用常用的估计算法，即卡尔曼过滤器，扩展的卡尔曼过滤器和无香的卡尔曼过滤器。使用合成数据的数值研究已证明了所提出的框架的有效性。使用合成数据的数值研究已证明了所提出的框架的有效性。除了提供电池开路电压的同时估算外，电池容量估计更快，更易用的电池容量估计是新提出的监测结构的主要优势。
地磁传感器地面校准技术研究
地磁场是地球的基本物理场，具有全天时、全天候、全区域等特点。因此地磁场具有丰富的参数信息。其中，地磁总场、地磁三分量、磁倾角、磁偏角、地磁梯度可用于磁导航[1]。地磁传感器具有体积小、成本低、精度高等优点。此外，地磁传感器还具有很强的抗冲击或过载能力。因此地磁传感器在商业和军事领域得到了广泛的应用。本文的目的是对地磁传感器进行校准和补偿，并最终通过校准后的地磁信息实现地磁导航[2]。现有的地面校准算法包括：1）椭球拟合法，该方法基于一个假设。即在磁传感器测量误差的影响下，磁场测量轨迹可以近似为一条椭圆轨迹。最小二乘椭球拟合法算法的本质是寻找一组椭圆参数，使得测量数据与拟合数据之间的距离在某种意义上最小化。该方法的优点是计算方便，但是对于三轴磁传感器的补偿效果有限[3]。2）磁变校准法，该方法试图计算旋转、拉伸和平移因子，将椭球轨迹校正为圆轨迹。然后利用该模型滤除异常信号。该方法同样易于实现，但补偿标定的精度也有限[4]。3）卡尔曼滤波法。卡尔曼滤波是一种常见的线性系统参数估计方法。可以采用扩展卡尔曼滤波（EKF）和无迹卡尔曼滤波（UKF）进行补偿。
![[SSC24-XI-01]](/simg/6\6b7d6b752364ecf63f7edc33230e19cb47ee7804.webp)
[SSC24-XI-01]
本文介绍了在Starling地层飞行光学实验（StarFox）期间进行的一群小型航天器群的初始飞行结果。Starfox是NASA Starling Mission上的四个实验之一，该实验由2023年7月推出的四个立方体组成。仅一角方法应用板载摄像机获得的卫星间轴承角度进行导航，增加卫星自主权并实现新的任务概念。尽管如此，先前的飞行演示仅介绍了一个观察者和目标，并依靠Apriori目标轨道知识来初始化，转化操作以解决目标范围以及外部绝对轨道更新以维持收敛。StarFox通过应用仅角度的绝对和相对轨迹测量系统（ARTM）来克服这些局限性，该系统整合了三种新型算法。图像处理使用多种假设方法和域特异性运动学建模来启用并跟踪图像中的多个目标，并计算目标轴承角。批处理轨道确定通过迭代批次最小二乘和弱可观察到的目标范围的采样来计算从轴承角批次的初始群轨道估计。顺序轨道确定利用具有非线性模型的自适应，有效的无气体滤波器，以随着时间的推移来完善群体估计。通过横跨链路共享的多观察者测量值无缝融合以实现可靠的绝对和相对轨道测定。Starfox Flight数据和遥测者提供了卫星群的仅自动角度导航的首次演示，包括多目标和多观察者相对导航；未知目标导航的自主初始化；并同时确定绝对和相对轨道。在有挑战性的测量条件下，单个观察者达到了目标范围的0.5％的相对定位误差，而多个观察者则降低至0.1％。结果表明，关于正在进行的Starfox活动以及仅在未来分布式任务中的纯粹导航的应用方面表现出色。