XiaoMi-AI文件搜索系统
World File Search Systembile
用移动操作的交互式对象搜索语言的动态场景图
摘要 - 为了充分利用移动操纵机器人的功能，必须在大型未探索的环境中自主执行的长途任务。虽然大型语言模型（LLMS）已显示出关于任意任务的紧急推理技能，但现有的工作主要集中在探索的环境上，通常集中于孤立的导航或操纵任务。在这项工作中，我们提出了MOMA-LLM，这是一种新颖的方法，该方法将语言模型基于从开放式摄影场景图中得出的结构化表示形式，随着环境的探索而动态更新。我们将这些表示与以对象为中心的动作空间紧密地交织在一起。重要的是，我们证明了MOMA-LLM在大型现实室内环境中新型语义交互式搜索任务中的有效性。最终的方法是零拍摄，开放式摄影库，并且可以易于扩展到一系列移动操作和家用机器人任务。通过模拟和现实世界中的广泛实验，与传统的基线和最新方法相比，我们证明了搜索效率的显着提高。我们在http://moma-llm.cs.uni-freiburg.de上公开提供代码。
Oracle®移动供应链应用
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。
![[IROS-24]通过移动机器人的内核密度估计](/simg/a/a06704eb20fc4dadd5726ac28348960eedd4a69f.webp)
TouringMachines：动态、合理、移动代理的架构
自动化工厂、核电站、电信中心和空间站等设施的计算机控制操作环境正变得越来越复杂。随着这种复杂性的增加，使用集中管理和调度策略来控制此类环境将变得越来越困难，这些策略既能应对意外事件，又能灵活应对可能随时间发生的操作和环境变化。解决这个问题的一个越来越有吸引力的方法是将此类操作的控制权分配给许多智能的、能够完成任务的计算代理。现实世界领域可能由多个代理组成。在这样的领域中，代理通常会执行许多复杂的任务，这些任务需要在一定程度上关注环境变化、时间限制、计算资源界限以及代理的短期行动可能对其长期目标产生的影响。在现实世界中操作意味着必须在时间和空间的多个粒度级别上处理意外事件。虽然代理必须保持反应能力才能生存，但如果代理要与其他代理协调其行动并以有效的方式处理复杂任务，则需要一定程度的战略和预测决策。本论文提出了一种新的集成代理架构，旨在为具有
移动 NPU 上的实时量化图像超分辨率，移动 AI 2021 挑战赛：报告
图像超分辨率是最流行的计算机视觉问题之一，在移动设备上有许多重要的应用。虽然已经为这项任务提出了许多解决方案，但它们通常甚至没有针对常见的智能手机 AI 硬件进行优化，更不用说通常仅支持 INT8 推理的更受限的智能电视平台了。为了解决这个问题，我们推出了第一个移动 AI 挑战赛，其目标是开发一种基于端到端深度学习的图像超分辨率解决方案，该解决方案可以在移动或边缘 NPU 上展示实时性能。为此，为参与者提供了 DIV2K 数据集和训练过的量化模型，以进行高效的 3 倍图像升级。所有模型的运行时间都在 Synaptics VS680 智能家居板上进行评估，该板具有能够加速量化神经网络的专用 NPU。所提出的解决方案与所有主流移动 AI 加速器完全兼容，能够在 40-60 毫秒内重建全高清图像，同时实现高保真度结果。本文提供了挑战赛中开发的所有模型的详细描述。
ADA移动配置文件评估信（LOA）
在2025年2月，NCC Group对Chrome Beta（134.0.6998.4）（“应用程序”）（“应用程序”）进行了App Defense Alliance（ADA）的移动配置文件评估，并代表Google LLC（“开发人员”）根据NCC集团和开发人员之间的管理合同。评估目标是确定符合时间箱的评估中的ADA移动档案框架。ADA移动配置文件由App Defense Alliance（ADA）定义，并基于OWASP移动应用程序安全验证标准（MASVS）。有关评估的特定要求的更多具体信息，请参阅附录A。
联合公告 - 美国陆军工程兵团、移动区
工程师保护局关于东北和东南部 Beta 型流量持续时间评估方法可用性的通知 发布日期：2023 年 4 月 12 日 美国陆军工程兵团 (Corps) 巴尔的摩、布法罗、查尔斯顿、芝加哥、底特律、沃斯堡、加尔维斯顿、亨廷顿、杰克逊维尔、堪萨斯城、小石城、路易斯维尔、孟菲斯、莫比尔、纳什维尔、新英格兰、新奥尔良、纽约、诺福克、费城、匹兹堡、萨凡纳、圣路易斯、塔尔萨、维克斯堡和威尔明顿区以及美国环境保护署 (EPA) 第 1、2、3、4、5、6 和 7 区联合宣布东北和东南部 Beta 型流量持续时间评估方法 (SDAM) 可用性（日期：2023 年 4 月 12 日）。这些方法是一种快速评估工具，有助于区分东北和东南 SDAM 区域河段尺度上的短暂性、间歇性和常年性径流。beta SDAM 可能有助于为识别可能受《清洁水法》第 404 条监管管辖的水域提供技术指导；但是，这些方法不会改变“美国水域”的定义。这些 beta SDAM 由工程兵团和环境保护署开发，用于缅因州、新罕布什尔州、佛蒙特州、马萨诸塞州、罗德岛州、康涅狄格州、新泽西州、特拉华州、马里兰州、纽约州、宾夕法尼亚州、西弗吉尼亚州、弗吉尼亚州、北卡罗来纳州、南卡罗来纳州、佐治亚州、佛罗里达州、路易斯安那州、阿拉巴马州、田纳西州、肯塔基州、俄亥俄州、印第安纳州、阿肯色州、堪萨斯州、伊利诺伊州、密歇根州、密苏里州、密西西比州、俄克拉荷马州、德克萨斯州和哥伦比亚特区的全部或部分地区（图 1）。由于气候差异和数据点数量相对较少，加勒比地区站点未用于开发此 SDAM 迭代，方法也不涵盖加勒比地区。这些测试方法源自文献综述和在东北和东南各种水文景观的 336 个河段进行的多年实地研究。测试版 SDAM 是通过对现场数据的统计分析开发的，它提供了一种数据驱动的方法，使用可靠的指标来确定河段尺度的流量持续时间类别。这些机构正在将这些测试版 SDAM 提供给为期一年的初步实施和评论期，以告知东北和东南最终 SDAM 的开发。只要对流量持续时间类别存在不确定性并且需要快速评估方法，就可以应用东北和东南的测试版 SDAM。这些方法提供了一个科学支持的快速评估框架，以一致、可靠、可重复和可辩护的方式支持最佳专业判断。使用这些方法可以做出更及时、更可预测的管辖权决定，并且在了解流量持续时间类别以改善生态评估、管理和决策时也很有用。测试版 SDAM 是专门根据东北和东南地区收集的数据开发的。
移动机器人障碍物检测和避免NAV ...
摘要 - 智能机器人技术在维护，维修和大修（MRO）机库操作方面具有重要意义，其中移动机器人可以在其中导航复杂而动态的环境，以进行飞机视觉检查。飞机机库通常忙碌而变化，形状和尺寸各不相同，呈现出严格的障碍物和条件，可能导致潜在的碰撞和安全危害。这使得障碍物检测和避免对安全有效的机器人导航任务至关重要。常规方法已在计算问题上应用，而基于学习的方法的检测准确性受到限制。本文提出了一个基于视觉的导航模型，该模型将预训练的Yolov5对象检测模型集成到机器人操作系统（ROS）导航堆栈中，以优化复杂环境中的障碍物检测和避免。该实验在ROS-Gazebo模拟和Turtlebot3 Waffle-Pi机器人平台中进行了验证和评估。结果表明，机器人可以越来越多地检测并避免障碍物，而无需碰撞，同时通过不同的检查点导航到目标位置。关键字 - 自主导航，对象检测，避免障碍物，移动机器人，深度学习