XiaoMi-AI文件搜索系统
World File Search Systemlenging
IAA-ICSSA-20-0X-XX 地月空间领域认知轨道设计
随着可机动飞行器和计划进入深空（即超越地球同步地球轨道（GEO））的飞行器越来越多，空间环境变得越来越拥挤，空间领域感知（SDA）和空间交通管理（STM）变得越来越具有挑战性。由于地球轨道卫星和地月轨道卫星之间的距离很大且观测几何有限，因此空间基地月领域感知任务的轨道设计是一个重要课题。必须为地月空间物体建立复杂的天体动力学模型，因为月球引力不能像在地球轨道飞行器动态模型中那样被忽略或视为地月物体跟踪动态模型的扰动。地月空间体系在天文学、行星际任务分级、月球探索和通信以及地球轨道插入等应用方面具有重要价值，因此越来越受到航天工业的关注 [1]。放置在地月共线拉格朗日点 L1 和 L2 的航天器可以避免地球和月球的重力井、表面环境问题以及人造和天然空间碎片。这些航天器需要较低的驻留推进剂（每秒厘米级），并且可以在 L1 和 L2 之间或地月空间和日地空间之间飞行 [2]。
![arxiv：2212.07652v2 [CS.CV] 2023年3月13日](/simg/7\7f0401e7d4e88395f67b55e2f149559fcc638af4.webp)
arxiv：2212.07652v2 [CS.CV] 2023年3月13日
自从深CNN的突破以来，已经对人体及其相关部位（例如面部，头或手）进行了深入研究，并得到了极大的影响。但是，大多数这些检测器都是独立训练的，这使其成为将检测到的身体部位与人相关联的艰巨任务。本文重点介绍了对人体及其相应部分的联合检测问题。特别是我们提供了一种新颖的扩展对象表示，该对象表示会整合身体或其部位的中心位置偏移，并构建一个密集的单阶段锚点基于单阶段的身体零件零件零件探测器（BPJDET）。BPJDET中的身体部分关联嵌入到包含半数和几何信息的统一表示中。因此，BPJDET不会遭受遇到错误的关联后匹配，并且具有更好的准确性速度权衡。此外，BPJDET可以无缝概括以共同检测任何身体部位。为了使我们的方法的有效性和优越性，我们对Citypersons，Crowdhuman和BodyHands数据集进行了广泛的实验。所提出的BPJDET检测器在这三个基准测试基准上实现了最新的关联性能，同时保持了高准确的检测精度。代码在https://github.com/hhnuzhy/bpjdet中。
基于MOSFET物理的紧凑型模型量产
摘要：随着纳米级半导体器件尺寸的不断缩小，从复杂的物理方程中获取表面势的解析解变得越来越困难，而这正是 MOSFET 紧凑模型的根本目的。在本文中，我们提出了一个通用框架，利用深度神经网络的通用近似能力，自动推导 MOSFET 表面势的解析解。我们的框架结合了物理关系神经网络 (PRNN)，可以从通用数值模拟器并行学习处理复杂的数学物理方程，然后将模拟数据中的“知识”灌输到神经网络，从而生成器件参数和表面势之间的精确闭式映射。本质上，表面势能够反映二维 (2D) 泊松方程的数值解，超越了传统一维泊松方程解的限制，从而更好地说明缩放器件的物理特性。我们在推导 MOSFET 的解析表面电位以及将导出的电位函数应用于 130 nm MOSFET 紧凑模型的构建和电路模拟方面取得了令人鼓舞的结果。这种高效框架能够准确预测器件性能，展现了其在器件优化和电路设计方面的潜力。
![arxiv：2407.00460v1 [cs.ai] 2024年6月29日](/simg/4\4f43cce67d295b5b9c973772f056066aa0df40c7.webp)
arxiv：2407.00460v1 [cs.ai] 2024年6月29日
自动驾驶汽车中的运动计划问题是计算上的[7]，通常分解为三个子问题[15]：（i）任务计划； （ii）行为计划； （iii）本地计划。图。1。在我们的自动驾驶汽车中，任务计划者接收起始位置，并确定自动驾驶汽车必须驾驶的车道顺序。此序列被转换为intents（例如在下一个十字路口右转），并将其发送给行为计划者以及环境表示。行为计划者然后生成一系列高级参数化驱动器操作，以导航环境朝着指定目标。当地规划师发现了一个平稳的轨迹，可满足所需的行为和舒适感。最后，车辆控制器使用轨迹来确定转向，油门和制动命令。行为计划的早期方法使用有限的状态机[13,18]。由于驾驶问题的固有复合物，这种系统通常很难维护。状态机器的组合将问题分解为子问题，可以减轻这种缺乏可维护性[17]。国家机器的产生层次结构通常引入了优先表的需求[14]，这是一个基于规则的系统也很熟悉的概念[5]。
使用关键点的稳定不足导航
摘要 - 我们提出了一种基于稳固的视觉范围，用于使用Sepantic Kepoints的囊室不足农业机器人。自主态下导航由于作物行之间的紧密间距（〜0。75 m），由于多径误差而导致的RTK-GPS精度降解，以及从过度混乱中的LiDAR测量中的噪声。早期的工作称为crogfollow，通过提出具有最终感知的基于学习的视觉导航系统来解决这些挑战。然而，这种方法具有以下局限性：由于缺乏置信度措施而导致的遮挡过程中缺乏可解释的表示以及对异常预测的敏感性。我们的系统Cropfollow ++，以学习的语义关键点表示，引入了模块化感知体系结构。这种学习的表示形式比Cropfollow更模块化，更可靠，并且提供了一种置信度措施来检测闭塞。cropfollow ++在涉及碰撞的数量（13 vs. 33）的现场测试中，跨越〜1的碰撞数量显着超过了cropfollow。在挑战性的后期田野中，各有9公里。我们还在各种野外条件下大规模覆盖了多个囊性播种机器人的cropfollow ++，并讨论了从中学到的关键经验教训。
具有单核苷酸的高保真DNAZYME辅助CRISPR/CAS13A系统解决特异性
有两种改善特定城市Cas12a和Cas13a核酸酶的常用方法。是工程师CRRNA，包括将合成不匹配引入crrna的间隔域，设计发夹 - 间隔者CRRNA，以及用2 0 -O -methyl修改CRRNA。21 - 25然而，必须仔细设计不匹配的CRRNA中的数量和位置，以减少无靶标的效果，而无需牺牲CAS蛋白的裂解活性。22,23更重要的是，使用发夹蛋白 - 间隔者CRRNA和2 0-O-methyl modi crrna仅将原始CRISPR/CAS系统的特定城市提高了2至3倍。24,25另一种方法是高级工程cas蛋白。26 - 28，由于复杂的蛋白质表达和筛选过程，它仍然与之合作。此外，所有这些策略旨在优化CRISPR/CAS系统的不同组成部分，而无需克服裂解效率和特定城市之间的基本交易。因此，可以显着改善特定城市的策略对于它们的实际应用（例如生物传感）非常需要，因为它们将避免误解积极的结果。dnazymes（也称为脱氧核酶，DNA酶或催化DNA），是单链DNA分子，具有
对数遗憾地传达MDP：使用匪徒利用已知的动态
我们研究了具有已知动态但未知奖励功能的平均奖励和交流马尔可夫决策过程（MDP）中的遗憾最小化。尽管在此类MDP中学习比完全未知的MDP更容易，但它们仍然在很大程度上是挑战，因为它们包括特殊情况，例如组合半伴侣等大类问题。以统计上有效的方式利用遗憾最小化的过渡功能的知识似乎在很大程度上没有探索。猜想，即使有已知的过渡，我们即使在通用MDP中实现精确的最佳性也是NP-HARD，因此我们专注于计算有效的放松，以实现Order-Timpimal-Timal-Topimal-Mic MIC的遗憾而不是精确的最佳性。我们通过基于流行的匪徒最小经验差异策略引入一种新颖的算法来填补这一空白。提出的算法的关键组成部分是一个经过精心设计的停止标准，利用固定策略引起的复发类别。我们得出了一种非渐近，问题依赖性和对数的遗憾，该算法依赖于利用该结构的新颖遗憾分解。我们进一步提供了有效的实施和实验，以说明其有希望的经验绩效。关键字：平均奖励马尔可夫决策过程，遗憾的最小化，对数遗憾，马尔可夫链，经常性课程
高分辨率运动型X射线光学器件通过405 nm 3D激光光刻
X射线的有效聚焦对于高分辨率X射线显微镜至关重要。称为运动型的衍射X射线光学在理论上提供了最高的焦点效率。但是，由于它们的纳米制作，它们长期以来一直无法使用。最近，使用3D激光光刻在近红外波长下实现了包括运动型在内的各种X射线光学几何形状。由于运动型的最小特征（周期）决定了解决能力，因此有一种自然的动力来寻找用较小特征的kino形式制造的kino形式。在这里，使用具有405 nm的激发波长的定制3D激光光刻设置，与以前的工作相比，它允许将运动型的最小时期一半。在扫描传输X射线显微镜图像分辨率方面提高了40％，即145 nm的截止分辨率，在700 eV时效率为7.6％。通过磁性样品的PtyChographic Imageing证明了一个重建的像素大小为18.5 nm，达到了显微镜设置的设计极限，该磁性样品的对比度强烈降低。此外，由405 nm 3D激光光刻制造的X射线镜头有可能比其他手段制成的X射线镜头便宜得多。
迈向多模态和用户友好型可解释人工智能的声音化
我们习惯于听取解释。例如，如果有人觉得你今天很伤心，他们可能会用“因为你太难过了”来回答你的“为什么？”。然而，今天的人工智能（AI）——如果有的话——主要是以视觉或文本的方式提供决策的解释。虽然这种方法适合通过视觉媒体进行交流，例如在研究论文或智能设备的屏幕中，但它们可能并不总是最好的解释方式；尤其是当最终用户不是专家时。特别是，当人工智能的任务是音频智能时，视觉解释似乎不如可听的、声音化的解释直观。声音化在处理非音频数据的系统中对可解释人工智能（XAI）也具有巨大潜力——例如，因为它不需要用户的视觉接触或主动注意。因此，人工智能决策的声音化解释面临着一项具有挑战性但极具前景和开创性的任务。这涉及结合创新的 XAI 算法，以便指向负责 AI 决策的学习数据，并包括数据分解以识别突出方面。它进一步旨在识别负责决策的预处理、特征表示和学习注意模式的组成部分。最后，它以模型级决策为目标，为决策链提供整体解释
AI 技术堆栈模型
（例如 Salesforce 和 Sense Time）通过将云服务与 AI 核心组件（例如，大量数据、高级学习算法和强大的计算硬件）集成在一起，已成为 AI 即服务 (AIaaS) 竞赛的主要参与者。4 尽管 AIaaS 产品允许公司利用 AI 功能而无需从头开始投入大量资源，8 但出现了许多问题，阻碍了所需 AI 系统的开发。例如，当前的 AI 产品被认为是一个完全捆绑的软件包，不同供应商之间的互操作性较低，并导致供应商锁定和专有问题。此外，不同层的紧密耦合组件限制了新功能的扩展，并抑制了开发人员在选择合适的 AI 组件进行实际实施时的灵活性和适应性。此外，当供应商将多个 AI 产品捆绑成一个包时，可靠性就会受到质疑，因为为每个 AI 产品定义透明的服务级别协议 (SLA) 是一项挑战。此外，捆绑的 AI 产品被视为严格控制的系统，会抑制开源社区的支持并提高锁定成本，从而增加潜在的不兼容性并引入不同供应商之间未来的迁移成本。