XiaoMi-AI文件搜索系统
World File Search Systemautonomous
自主驾驶系统中的路径计划算法
这项综合审查的重点是自主驾驶系统（ADS），该系统旨在减少人为错误，这是大约95％的汽车事故的原因。广告包括六个阶段：传感器，感知，本地化，评估，路径计划和控制。我们解释了每个阶段中使用的主要最新技术，分析了275篇论文，其中162个专门针对路径计划，因为其复杂性，NP-HARD优化性质和在AD中的关键作用。本文将路径规划技术分为三个主要组：传统（基于图，基于抽样的，基于梯度，基于优化的，插值曲线算法），机器和深度学习以及元数据效果优化，详细介绍了他们的优势和缺陷。的发现表明，代表我们研究的23％的元海拔优化方法是成为能够处理复杂问题的一般问题解决者的优先选择。此外，它们具有更快的收敛性和局部最小值的风险降低。占25％的机器和深度学习技术，以其学习能力和对已知方案的快速响应而受到青睐。混合算法的趋势（27％）结合了各种方法，合并了每种算法的好处并克服了对方的缺点。此外，自适应参数调整对于提高效率，适用性和平衡搜索能力至关重要。本评论阐明了自动驾驶系统中路径规划的未来，有助于应对当前的挑战并解锁自动驾驶汽车的全部功能。
继续使用Th
•继续与联邦政府驾驶自动驾驶汽车。虽然距离全尺度推出数年了，但CTDOT已被选为联邦赠款接收者，以测试北美第一个全尺寸的自动运输巴士项目。•利用运输网络公司（TNC）提供更有效的竞技服务。ADA Paratransit服务对于无法使用固定劳动巴士服务的残疾人至关重要，这是CTDOT内增长最快的费用。主流式ADA Paratransit骑手和越来越多的第三方TNC的使用可能每年节省100万美元或更多的节省，同时改善服务。今天，CTDOT每年可提供超过100万次乘车的每次乘车乘坐41美元的补贴。相比，加利福尼亚州使用TNC将平均每次旅行的平均成本从30-32美元下降到8美元；波士顿的MBTA将平均成本从46美元降低到13美元。•简化总线系统和CAP本地补贴。本地公交系统缺乏同步，部分原因是14个公交区的分裂，每个公交区都有自治权来确定要运行的公交服务和要收取的票价。CTDOT大约补贴了当地巴士运输运营的90％-97％。CTDOT应探索转移
基于模糊代理的仿真，用于管理一支自动工业车队的电池电池
摘要：本文提出了使用模糊逻辑来探索自动工业工具（AIVS）的电池充电管理的多代理模拟。这种方法通过分布式系统提供适应性和韧性，可容纳AIV电池容量的变化。结果突出了自适应模糊模型在优化充电策略，提高运营效率和遏制能耗的功效。动态因素（例如工作负载变化和AIV基础结构通信）以启发式方式考虑，强调了自主系统中灵活的协作方法的重要性。值得注意的是，能够根据能源关税优化充电的基础设施可以大大减少高峰时段的消耗，从而强调了此类策略在动态环境中的重要性。总体而言，该研究强调了将适应性模糊的多代理模型纳入AIV能源管理以推动工业运营中的效率和可持续性的潜力。
自动驾驶汽车的横向控制
自主驾驶能够通过减少道路事故，交通拥堵和空气污染来重塑移动性和运输。这可以产生能源效率，便利性和更高的生产率，因为将在其他活动中获得大量驾驶时间。自动驾驶汽车是复杂的系统，由几个执行感知，决策，计划和控制的模块组成。控制对于实现自动驾驶至关重要，基本上将其分为处理速度跟踪的纵向控制和横向控制，从而确保准确的转向。后者在路径跟踪应用程序中是原始的，最近的研究在该领域取得了巨大的飞跃。本文的目的是对有关自动驾驶汽车横向控制的最新研究进行技术调查，并强调技术挑战和限制以进一步发展。
对多个自动表面车辆的协调控制
在海上环境中，对各种活动的自主表面船（ASV）的使用和实施预计将推动其控制和控制的增长。尤其是，多个ASV的协调提出了新的挑战和机遇，需要在机器人技术，控制理论，通信系统和海洋科学的交集上进行跨学科的研究工作。可以集体使用这些船只的多种任务或目标，可以应用和组合不同的控制技术。这包括对机器学习的探索，以考虑以前认为不可行的方面。本评论提供了对协调的ASV控制的全面探索，同时解决了先前评论留下的关键差距。与以前的工作不同，我们采用了一种系统的方法来确保完整性并最大程度地减少文章选择中的偏见。我们深入研究了复杂的亚行动ASV世界，重点是定制的控制策略以及机器学习技术的整合以增加自治。通过综合最新进展并确定新兴趋势，我们提供了推动这一领域向前发展的见解，从而为未来的研究工作提供了最新技术的全面概述和指导。
对多个自动表面车辆的协调控制
在海上环境中，对各种活动的自主表面船（ASV）的使用和实施预计将推动其控制和控制的增长。尤其是，多个ASV的协调提出了新的挑战和机遇，需要在机器人技术，控制理论，通信系统和海洋科学的交集上进行跨学科的研究工作。可以集体使用这些船只的多种任务或目标，可以应用和组合不同的控制技术。这包括对机器学习的探索，以考虑以前认为不可行的方面。本评论提供了对协调的ASV控制的全面探索，同时解决了先前评论留下的关键差距。与以前的工作不同，我们采用了一种系统的方法来确保完整性并最大程度地减少文章选择中的偏见。我们深入研究了复杂的亚行动ASV世界，重点是定制的控制策略以及机器学习技术的整合以增加自治。通过综合最新进展并确定新兴趋势，我们提供了推动这一领域向前发展的见解，从而为未来的研究工作提供了最新技术的全面概述和指导。
集群软件管理和部署指南
美国政府最终用户：Oracle计划（包括任何操作系统，集成软件，任何已嵌入，安装或在交付的硬件上激活的程序，以及此类程序的修改）和Oracle计算机文档或美国政府最终用户提供或访问的其他Oracle数据是“商业计算机软件”，“商业计算机软件”，“商业计算机软件文档”，“商业计算机软件”，“商业计算机软件”，“有限的权利数据”或“有限的权利”适用于适用于适用的适用性，或者适用于适用性的适用性，并适用于适用于适用性。因此，使用，复制，重复，释放，显示，披露，修改，衍生作品的准备和/或适应i）Oracle程序（包括任何操作系统，集成软件，嵌入，安装或激活的任何程序，在此类程序中嵌入或激活的任何程序，对此类程序的限制和其他限制），III和/或III IS IS III和/或/或/或/或/或/或/或/或/或/或/或/或/或/或/或/ii ii III），IS或/或/或/或/或/或/或/或/或/或/或/或III III IS IIS）在适用的合同中。管理美国政府使用Oracle Cloud Services的条款由适用的此类服务的合同定义。没有其他权利授予美国政府。
一个基于摄像头的系统，可在半自动车辆中检测到方向盘上的驾驶员
摘要。半自主车需要监视驾驶员检查他是否正在监督系统和/或准备接管。大多数汽车都依靠方向盘传感器来检测手，并且不监视驾驶员可能执行的非驾驶相关任务。我们提出了一个带有多个分支体系结构的基于摄像头的系统，该系统在代表次要任务和平板电脑位置的平板电脑上提供了方向盘上的手数。它还解决了其他基于摄像头系统的常见问题：转向轮前的自由手可以归类为抓住它。此外，我们的系统处理驾驶员可能在方向盘上使用平板电脑的情况，因为他可以在自主模式下进行。这两个点对于评估驾驶员需要接管的时间至关重要。最后，将方向盘和相机系统都结合在一起也将使车辆更难欺骗，因此更安全。视频可用：https：//www.youtube.com/watch?v=qfyom4sdwr4
优化的自适应MPC用于自动驾驶汽车的横向控制
摘要 - 自治车辆是解决大多数运输问题的解决方案，例如安全性，舒适性和效率。转向控制是实现自动驾驶的主要重要任务之一。模型预测控制（MPC）是该任务的效果控制器之一，因为其最佳性能和处理约束的能力。本文提出了用于路径跟踪任务的自适应MPC控制器（AMPC），并提出了一种改进的PSO算法，以优化AMPC参数。使用查找表方法在线实现参数改编。通过模拟评估了提出的AMPC性能，并将其与经典的MPC和Pure Pursuit控制器进行了比较。索引项 - 自主车，优化，模型预控制，自适应控制，粒子群优化。
基于视觉的算法用于自主空中着陆
摘要 - 登陆阶段是澳大利亚航空登陆的关键阶段，尤其是当航空站降落在移动平台上的时，作为地面车辆。在本文中，将无人机板上摄像头的信息与观察者组合在一起的解决方案用于估计和预测着陆平台的未来位置。此着陆估计用于基于四局的控制算法，用于产生和跟踪着陆轨迹。然后在实时实验（两种情况）中验证所提出的解决方案，以证明闭环系统的良好性能和效率。本文报告了这些实验的主要图。此外，由于这项工作旨在为将来的发展奠定基础，因此在上一节中讨论了这项工作的现有限制。