XiaoMi-AI文件搜索系统
World File Search Systemobstacle
通过海马集线器构建海马神经元模型的在线互操作资源
摘要 - 评估和更新自动驾驶机器人实时的自主机器人的障碍速度，可确保对噪音和干扰的鲁棒性。一个被动阻尼控制器可以通过扭矩控制的机器人获得所需的运动，该机器人保持合规，并确保对外部扰动的安全响应。在这里，我们提出了一种设计被动控制政策的新方法。我们的算法与无障碍区域相结合，同时过渡到增加障碍物附近的阻尼以确保避免碰撞。这种方法可确保各种情况下的稳定性，从而有效地减轻干扰。对7DOF机器人臂的验证表现出与基线相比的出色碰撞拒绝能力，这强调了其实用性对现实世界的实用性。我们的障碍物阻尼控制器代表了在复杂和不确定的环境中安全机器人控制中的重大进步。
使用机器学习的盲人避免障碍
摘要最近，对象识别技术已经看到了许多技术用于自动驾驶汽车，机器人和工业设施。尽管如此，最需要这些技术的是视觉障碍，但从中获得了最少的收益。本文的目的是使用深度学习技术为盲人开发对象检测系统。除此之外，还提到了语音指导技术是告知对象所在的视觉问题的人的一种方式。您仅在对象识别深度学习模型中使用（YOLO）算法一次（YOLO）算法，而文本到语音（TTS）用于合成语音公告，从而使盲人可以方便地获取有关对象的信息。因此，它提出了一个有效的对象检测系统，该系统有助于盲人在没有其他人协助的情况下在受限区域内找到事物；并且该系统的性能已通过实验验证。
使用基于 AI 的避障技术实现无人机安全着陆
摘要 — 随着第四次工业革命的进行，许多关于无人机的研究工作已经积极开展。目前，无人机技术最重要的部分之一是飞行过程中障碍物的自主识别和避障。通常情况下，无人机依靠 GPS 信号按照飞行前指定的航路点飞行。然而，当无人机接近指定着陆点时，可能会出现障碍物和不可预见的物体，这些障碍物和物体可能会严重危及无人机的安全着陆。因此，无人机的安全着陆成为一个非常重要的问题。在这方面，本研究探讨了将人工智能 (AI) 技术应用于无人机的可能性，以提高安全性。通过将图像传感器、支持 AI 的物体识别和无人机飞行控制计算机集成在一起，无人机可以更安全地着陆，而不必担心在飞行着陆阶段因意外障碍物而翻倒或严重损坏。 索引术语 — 着陆平台跟踪、避障、图像分割、人工智能、二维坐标、飞行控制
高度自动化汽车中的避障 - 南特 - LS2N
方法来协助驾驶员控制车辆。目前，该方法正在考虑用于制定手动和自动驾驶模式之间平稳过渡的策略。本文有两个目标。首先，它提出采用现有的触觉共享控制策略来实现手动和自动驾驶模式之间的转换，并在驾驶模拟器上对真实驾驶员评估这种方法。其次，它提出在避障环境中评估四种不同的过渡曲线。第一个曲线是从自动驾驶模式逐渐过渡到共享控制模式，然后在越过障碍物后从共享控制模式再次过渡到自动驾驶模式。第二个曲线是从自动驾驶模式逐渐过渡到手动模式。第三个曲线是从自动驾驶模式到手动模式的二元过渡。最后，在第四种条件下，驾驶员超越自动驾驶模式。这些过渡曲线在驾驶模拟器上以曲线和直线进行评估。结果首先验证了使用触觉共享控制策略来执行手动和自动驾驶模式之间的转换。自动化系统和驾驶员提供的扭矩分配与预期共享水平的进展相对应。其次，无论是在转向性能还是主观评价方面，渐进式过渡都比二元过渡和自动驾驶模式的覆盖更具优势。
无人地面车辆的传感器融合和避障
本论文 - 开放获取由 Scholarly Commons 免费提供给您，供您开放获取。它已被 Scholarly Commons 的授权管理员接受并纳入学位论文和论文。如需更多信息，请联系 commons@erau.edu 。
定量均质化障碍物问题及其自由边界
1。简介。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。2 1.1。主要结果摘要。。。。。。。。。。。。。。。。。。。。。。。。。5 1.2。手稿的组织。。。。。。。。。。。。。。。。。。。。。。。9 2。背景理论。。。。。。。。。。。。。。。。。。。。。。。。。。。10 2.1。符号。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。10 2.1.1功能空间。。。。。。。。。。。。。。。。。。。。。。。。。。。10 2.2。有用的不平等。。。。。。。。。。。。。。。。。。。。。。。。。。。。。11 2.3。均质理论，假设和已知估计值。。。。。。。12 2.3.1周期均质化。。。。。。。。。。。。。。。。。。。。。。12 2.3.2几乎是周期性的均质化。。。。。。。。。。。。。。。。。。13 2.3.3随机均质化。。。。。。。。。。。。。。。。。。。。。13 2.4。经典障碍物问题。。。。。。。。。。。。。。。。。。。。。。15 2.4.1与可测量的系数17 3。障碍问题的均质化。。。。。。。。。。。。。。。18 3.1。两个障碍问题的紧密感。。。。。。。。。。。。。。。。。。18 3.2。惩罚障碍问题。。。。。。。。。。。。。。。。。。。。。。。。20 3.3。惩罚障碍问题的均质化。。。。。。。。。。。。22 4。大规模C 1，1-溶液的常规性。。。。。。。。。。。。。。27 5。自由边界的同质化和大规模规律性。。31 5.1。自由边界的定性平坦度。。。。。。。。。。。。。。。。。33 5.2。改善平坦度。。。。。。。。。。。。。。。。。。。。。。。。。。38附录A.尺寸一中的示例。。。。。。。。。。。。。。。。。。。。。。44
具有高级导航和避免障碍的自动无人机输送系统
印度的物流运营每天约1亿个套餐。重型机动车（HMV）在白天的城市中通勤，严重的车辆充血，交付人员不足，导致快递服务的生产率从85％降低到50％。该项目的动机是降低传统的最后一英里交付系统中的运营成本，并执行及时的交付。想法是建立一个提供安全有效的交付服务的无人机交付系统。目的地的确切位置被从地面控制站喂给无人机，并且将包装放置在无人机中，它在飞行控制器的帮助下执行自动驾驶仪。可以通过飞行控制器和避免碰撞系统来缓解可操作性。包装交付机制得到了认证系统的帮助，以确保安全交付。在原始位置，它是通过扫描ARTAG/QR码来实现的，该码将在飞行时发送给客户。仅在ARTAG/QR代码与附加数据匹配时才提供软件包。 整个过程是通过机器人操作系统和开源Autopilot软件套件与硬件的集成来执行的。 无人机交付是一种破坏性的技术，正在重新定义传统物流行业。 无人机提供了一种更具成本效益的方式来通过最大程度地降低运营成本和间接费用来交付包裹，从而使企业能够增加其收入和底线。 关键字：机器人操作系统（ROS），Artag，Autopilot。仅在ARTAG/QR代码与附加数据匹配时才提供软件包。整个过程是通过机器人操作系统和开源Autopilot软件套件与硬件的集成来执行的。无人机交付是一种破坏性的技术，正在重新定义传统物流行业。无人机提供了一种更具成本效益的方式来通过最大程度地降低运营成本和间接费用来交付包裹，从而使企业能够增加其收入和底线。关键字：机器人操作系统（ROS），Artag，Autopilot。
LIDAR和基于超声传感器的智能障碍物检测系统
近年来，LIDAR（光检测和范围）技术与自动驾驶电动汽车（AEV）的整合引起了极大的关注，这标志着朝着实现更安全，更有效的运输系统的关键步骤。LIDAR传感器具有提供精确和实时三维环境感知的无与伦比的能力，具有增强AEV的自主性和可靠性的巨大承诺。然而，在该领域迅速发展的研究中，确保居住者和行人的安全仍然是一个关键的关注，需要一丝不苟的关注。现有文献广泛地讨论了与AEVS中的LiDAR集成相关的技术方面和性能指标，但在解决有效缓解潜在风险所需的细微差别安全含义和主动措施方面存在显着差距。本文旨在通过提出一个综合框架来弥合这一差距，该框架优先考虑LIDAR技术将其整合到AEV中。
深度和布局编码的模拟假肢避免
●室内：参与者使用深度层次或深度层次的碰撞少于布局●roomd：参与者使用depthorlayout少于少于depthorayout少于bic layoutonly●roomf●roomf：参与者使用layoutonly以外的任何模式少碰撞差异●参与者在选择depthandlay的depthandaylaylaylyoutlayly dive <<
高效路径规划和边缘动态避障，确保 USV 安全航行
摘要 — 无人水面舰艇 (USV) 凭借其自主性优势被广泛应用于各个领域，而路径规划是实现自主性的关键技术。然而，单独使用全局路径规划无法避开移动障碍物，而单独使用局部路径规划可能陷入局部极小值而无法到达目标。因此，本文提出了动态目标人工势场 (DTAPF) 方法，以跟随 A* 算法生成的全局路径的动态点作为人工势场 (APF) 的目标点。此外，为了提高传统集中式路径规划方法的 USV 导航响应时间和安全性，我们提出了用于全局路径规划的边缘计算架构和偏移制导方法以避开移动障碍物并符合碰撞规则 (CORLEG)。实验结果表明，采用本文提出的方法，无人艇在存在移动障碍物的环境中能够以较高的概率（约99.4%）到达目标，与传统APF算法相比，在平均路径长度和平均航行时间几乎没有增加的情况下，碰撞概率降低了71%，且计算时延远低于本地计算，也低于云计算。