XiaoMi-AI文件搜索系统
World File Search Systempermitted
©2024 IEEE。允许个人使用此材料。 ...
摘要 - 在本文中，我们提出了一种基于通信的动作空间增强D-MARL探索算法，以提高以占用网格图为代表的未知环境的绘制效率。通常，在探索大型和非结构化环境时，自主系统之间的通信至关重要。在这样的真实世界情景中，数据传输受到限制，并且在很大程度上依赖于代理间接近性和自主平台的属性。在拟议的方法中，每个代理的策略都通过利用异构代理近端策略优化算法进行优化，以自主选择是交流还是探索环境。为实现这一目标，通过整合代理间的交流和探索来提出多种新颖的奖励功能。调查的方法旨在提高映射过程中的效率和鲁棒性，最大程度地减少勘探重叠并防止代理碰撞。已经将接受不同奖励功能的D-MARL政策进行了比较，以了解不同的奖励术语对同质代理人的协作态度的影响。最后，提供了多个模拟结果以证明所提出的方案的功效。
©2023 IEEE。允许个人使用此材料。必须在任何其他用途中获得IEEE的许可，在任何当前或将来的Media，Inc
摘要 - 具有低地球轨道（LEO）卫星的Non-Trrestrial网络（NTN）被认为是支持全球无处不在的无线服务的有前途的补救措施。由于狮子座卫星的快速流动性，特定用户设备（UE）经常发生梁间/卫星切换。为了解决此问题，已经研究了地球固定的细胞场景，其中Leo卫星将其横梁方向调节朝向其停留时间内的固定区域，以保持UE的稳定传输性能。因此，LEO卫星需要执行实时资源分配，但是，Leo卫星的计算能力有限。为了解决这个问题，在本文中，我们建议在NTN中进行两次尺度的协作深度强化学习（DRL）方案（DRL）计划，其中Leo卫星和UE具有不同的控制周期，以不同的控制周期更新他们的决策政策。具体来说，UE更新其政策主题，以提高两个代理的价值功能。fur-hoverore，Leo卫星仅通过有限步骤推出，并通过从UE收到的参考决策轨迹做出决策。仿真结果表明，所提出的方案可以有效地平衡传统贪婪搜索方案的吞吐量性能和计算复杂性。索引术语 - 非事物网络（NTN），地球固定细胞，资源分配，深度强化学习（DRL），多时间级马尔可夫决策过程（MMDPS）。
（c）IEEE 2024。允许个人使用此材料。在任何当前或将来的媒体中，包括R
摘要 - 自动驾驶有可能革命的个人，公共和货运流动性。除了准确地感知环境外，自动化车辆还必须计划安全，舒适和有效的运动轨迹。为了促进安全性和进步，许多作品依赖于预测周围交通未来运动的模块。模块化自动驾驶系统通常将预测和计划作为顺序，单独的任务处理。这说明了周围交通对自我车辆的影响，但它无法预料到交通参与者对自我车辆行为的反应。最近的方法越来越多地整合了联合或相互依存的步骤中的预测和计划，以模拟双向相互作用。迄今为止，缺乏对不同集成原则的全面概述。我们会系统地回顾最新的基于深度学习的计划系统，并专注于它们如何整合预测。集成的不同方面从系统体系结构到高级行为方面都被考虑并相互关联。此外，我们讨论了不同整合原则的含义，优势和局限性。通过指出研究差距，描述相关的未来挑战并突出研究领域的趋势，我们确定了有希望的未来研究方向。
![课程大纲中关于使用生成人工智能 (AI) 的声明示例（见参议院章程 54 和 55） 生成人工智能是一种通过识别大量训练数据中的模式来创建类似人类内容（包括文本、图像、视频和计算机代码）的技术，然后创建具有相似特征的原始材料。示例包括：可以生成文本的 ChatGPT、Google Gemini、Claude 和 Jenni，可以生成编码和编程的 Github Co-pilot，以及可以生成图像的 DALL-E 和 Midjourney。（Pasick，2023 年）参议院章程 54 和 55 要求教师在课程大纲中包含“有关在课程中使用生成人工智能 (AI) 的信息或限制”。不将信息包含在课程大纲中的默认情况是允许在课程中使用生成人工智能（参议院：2024 年 5 月 10 日）。教学大纲说明样本：[非详尽列表] 禁止使用示例 1：在本课程中，使用任何生成式 AI 系统（包括但不限于 ChatGPT、Claude、Jenni、Github Co-pilot、DaLL-E 和 Midjourney）均被视为可能带来不应有优势的未经授权的辅助工具，因此不得在提交的成绩作业创作中或作为本课程任何作业的一部分使用。在本课程的评分作业中使用生成式 AI 系统被视为学术不端行为，可能根据章程 31：学术诚信受到纪律处分。示例 2：在本课程中，生成式 AI 工具（例如 ChatGPT、Google Gemini、Claude、Jenni、Github Co-pilot、DaLL-E 和 Midjourney）被视为未经授权的辅助工具。在本课程的任何作业（例如写作过程、创作过程、图像创建过程）的任何阶段均不允许使用生成式 AI。以此方式使用将被视为学术不端行为，并可能根据章程 31：学术诚信受到纪律处分。示例 3：本课程不允许使用生成式 AI 工具（例如 ChatGPT、Google Gemini、Claude、Jenni、Github Co-pilot、DaLL-E 和 Midjourney 等）；因此，在本课程中使用任何 AI 工具进行作业都将被视为违反大学的学生行为准则，因为该作业并不完全是你自己的，并可能根据章程 31：学术诚信受到纪律处分。示例 4：除非讲师明确说明，否则本课程的所有作业均严禁使用生成式人工智能工具。这包括 ChatGPT、Google Gemini、Claude、Jenni、Github Co-pilot、DaLL-E 和 Midjourney 以及其他人工智能工具。使用未经授权的辅助工具构成学术不端行为，可能受到《条例 31：学术诚信》的处罚。一些允许的用途示例 1：学生可以根据每次评估概述的指导方针在本课程中使用生成式人工智能，只要承认并引用了生成式人工智能的使用，并遵循课程大纲和/或作业说明中给出的引用说明即可。这包括 ChatGPT、Google Gemini、Claude、Jenni、Github Co-pilot、DaLL-E 和](/simg/2/2b284d70466e04bcf703479538c50445c084deab.png)
课程大纲中关于使用生成人工智能 (AI) 的声明示例（见参议院章程 54 和 55） 生成人工智能是一种通过识别大量训练数据中的模式来创建类似人类内容（包括文本、图像、视频和计算机代码）的技术，然后创建具有相似特征的原始材料。示例包括：可以生成文本的 ChatGPT、Google Gemini、Claude 和 Jenni，可以生成编码和编程的 Github Co-pilot，以及可以生成图像的 DALL-E 和 Midjourney。（Pasick，2023 年）参议院章程 54 和 55 要求教师在课程大纲中包含“有关在课程中使用生成人工智能 (AI) 的信息或限制”。不将信息包含在课程大纲中的默认情况是允许在课程中使用生成人工智能（参议院：2024 年 5 月 10 日）。教学大纲说明样本：[非详尽列表] 禁止使用示例 1：在本课程中，使用任何生成式 AI 系统（包括但不限于 ChatGPT、Claude、Jenni、Github Co-pilot、DaLL-E 和 Midjourney）均被视为可能带来不应有优势的未经授权的辅助工具，因此不得在提交的成绩作业创作中或作为本课程任何作业的一部分使用。在本课程的评分作业中使用生成式 AI 系统被视为学术不端行为，可能根据章程 31：学术诚信受到纪律处分。示例 2：在本课程中，生成式 AI 工具（例如 ChatGPT、Google Gemini、Claude、Jenni、Github Co-pilot、DaLL-E 和 Midjourney）被视为未经授权的辅助工具。在本课程的任何作业（例如写作过程、创作过程、图像创建过程）的任何阶段均不允许使用生成式 AI。以此方式使用将被视为学术不端行为，并可能根据章程 31：学术诚信受到纪律处分。示例 3：本课程不允许使用生成式 AI 工具（例如 ChatGPT、Google Gemini、Claude、Jenni、Github Co-pilot、DaLL-E 和 Midjourney 等）；因此，在本课程中使用任何 AI 工具进行作业都将被视为违反大学的学生行为准则，因为该作业并不完全是你自己的，并可能根据章程 31：学术诚信受到纪律处分。示例 4：除非讲师明确说明，否则本课程的所有作业均严禁使用生成式人工智能工具。这包括 ChatGPT、Google Gemini、Claude、Jenni、Github Co-pilot、DaLL-E 和 Midjourney 以及其他人工智能工具。使用未经授权的辅助工具构成学术不端行为，可能受到《条例 31：学术诚信》的处罚。一些允许的用途示例 1：学生可以根据每次评估概述的指导方针在本课程中使用生成式人工智能，只要承认并引用了生成式人工智能的使用，并遵循课程大纲和/或作业说明中给出的引用说明即可。这包括 ChatGPT、Google Gemini、Claude、Jenni、Github Co-pilot、DaLL-E 和
课程大纲中关于使用生成人工智能 (AI) 的声明示例（见参议院章程 54 和 55） 生成人工智能是一种通过识别大量训练数据中的模式来创建类似人类内容（包括文本、图像、视频和计算机代码）的技术，然后创建具有相似特征的原始材料。示例包括：可以生成文本的 ChatGPT、Google Gemini、Claude 和 Jenni，可以生成编码和编程的 Github Co-pilot，以及可以生成图像的 DALL-E 和 Midjourney。（Pasick，2023 年）参议院章程 54 和 55 要求教师在课程大纲中包含“有关在课程中使用生成人工智能 (AI) 的信息或限制”。不将信息包含在课程大纲中的默认情况是允许在课程中使用生成人工智能（参议院：2024 年 5 月 10 日）。教学大纲说明样本：[非详尽列表] 禁止使用示例 1：在本课程中，使用任何生成式 AI 系统（包括但不限于 ChatGPT、Claude、Jenni、Github Co-pilot、DaLL-E 和 Midjourney）均被视为可能带来不应有优势的未经授权的辅助工具，因此不得在提交的成绩作业创作中或作为本课程任何作业的一部分使用。在本课程的评分作业中使用生成式 AI 系统被视为学术不端行为，可能根据章程 31：学术诚信受到纪律处分。示例 2：在本课程中，生成式 AI 工具（例如 ChatGPT、Google Gemini、Claude、Jenni、Github Co-pilot、DaLL-E 和 Midjourney）被视为未经授权的辅助工具。在本课程的任何作业（例如写作过程、创作过程、图像创建过程）的任何阶段均不允许使用生成式 AI。以此方式使用将被视为学术不端行为，并可能根据章程 31：学术诚信受到纪律处分。示例 3：本课程不允许使用生成式 AI 工具（例如 ChatGPT、Google Gemini、Claude、Jenni、Github Co-pilot、DaLL-E 和 Midjourney 等）；因此，在本课程中使用任何 AI 工具进行作业都将被视为违反大学的学生行为准则，因为该作业并不完全是你自己的，并可能根据章程 31：学术诚信受到纪律处分。示例 4：除非讲师明确说明，否则本课程的所有作业均严禁使用生成式人工智能工具。这包括 ChatGPT、Google Gemini、Claude、Jenni、Github Co-pilot、DaLL-E 和 Midjourney 以及其他人工智能工具。使用未经授权的辅助工具构成学术不端行为，可能受到《条例 31：学术诚信》的处罚。一些允许的用途示例 1：学生可以根据每次评估概述的指导方针在本课程中使用生成式人工智能，只要承认并引用了生成式人工智能的使用，并遵循课程大纲和/或作业说明中给出的引用说明即可。这包括 ChatGPT、Google Gemini、Claude、Jenni、Github Co-pilot、DaLL-E 和
NPS 关于披露学术工作中生成式 AI 使用的指导国防部关于使用生成式 AI 的临时指导强调了透明度和引用的必要性，希望学生和作者标记在生成式 AI 的帮助下生成的文档。同样，在学术研究、出版、作者和学习环境中正在建立标准，以承认 AI 在准备手稿和完成课程作业中的作用。如果您计划使用或已经使用生成式 AI 作为编写课程作业或论文作业的工具，请首先确保您的使用符合教授或顾问的政策。如果您不确定您的使用是否符合教职员工的政策，请不要想当然。直接询问您的教授或顾问，向他们提供您计划如何使用或已经使用生成式 AI 的具体示例。当您使用生成式 AI 可能会引入您未创建的元素（例如，措辞、图像、代码）时，您需要向您的读者和利益相关者（例如，教授、顾问、出版商、赞助商）披露 AI 的使用情况。即使您已获得使用 AI 的许可，也要包含简短的描述性披露声明。有关更多背景信息，请查看 NPS 学术荣誉准则和 NPS 关于使用生成式 AI 的临时指导。披露声明
NPS 关于在学术工作中披露生成式 AI 使用的指导 DoD 关于使用生成式 AI 的临时指导强调了透明度和引用的必要性，期望学生和作者对在生成式 AI 帮助下生成的文档进行标记。同样，在学术研究、出版、作者和学习环境中也正在建立标准，以承认 AI 在准备手稿和完成课程作业中的作用。如果您计划使用或已经使用生成式 AI 作为编写课程作业或论文作业的工具，请首先确保您的使用符合教授或顾问的政策。如果您不确定您的使用是否符合教职员工的政策，请不要想当然。直接询问您的教授或顾问，向他们提供您计划如何使用或已经使用生成式 AI 的具体示例。当您使用生成式 AI 可能会引入您未创建的元素（例如，措辞、图像、代码）时，您需要向读者和利益相关者（例如，教授、顾问、出版商、赞助商）披露 AI 的使用情况。即使您已获得使用 AI 的许可，也请包含简短、描述性的披露声明。有关更多背景信息，请查看 NPS 学术荣誉准则和 NPS 关于使用生成式 AI 的临时指导。披露声明
© 2023 IEEE。允许个人使用本材料。对于所有其他用途，无论是在现有还是未来的媒体中，都必须获得 IEEE 的许可，包括
该芯片通过引线键合到 PCB 上，并放置在温控室 (Espec SH-241) 中。使用信号发生器 (Keysight 33500B)，以 140kHz 的频率用 20 伏峰峰值 (Vpp) 15 周期方波脉冲驱动 pMUT，并使用示波器 (Keysight DSOX4024A) 捕获回声。使用高压配电盘在 TX 和 RX 模式之间切换 pMUT。值得注意的是，阵列中的所有 16 个膜都作为发射器 (TX) 脉冲，然后切换为接收 (RX) 回声信号。芯片被限制在 30 厘米长的有机玻璃管内，以最大限度地减少在没有放大电子器件的情况下由于扩散而造成的信号损失。室的温度以 10°C 为增量，从 30 到 90°C 不等。每次温度增加时，在测量之前都要观察 2 分钟的稳定时间
概念计划要求清单 场地限制计划 自然环境评估 噪音缓解 建筑环境评估 与理事会通过的计划的一致性 绩效领域 开发影响费 主要分区 b-2 现有建筑条件 场地提案计划 现有分区和允许的最大密度 保护区提案 rc4 娱乐和公园 开放空间提案 分区差异 特殊例外 与设计手册的一致性
巴尔的摩县法规 (BCC) 第 32-4-213 节要求提交概念规划，由县机构和马里兰州交通运输部州公路管理局 (MDOT-SHA) 审查。概念规划应为拟议开发项目的示意图，按比例绘制，最小 1 英寸 = 50 英尺，最大宽度为 36 英寸，并具有足够的细节，以使县和公众能够了解所提议的内容，并能够以知情的方式对这些提议作出回应。概念规划可根据契约信息编制，使用巴尔的摩县地理信息系统 (GIS) 上显示的地形，并说明此处包含的以下概念规划清单中的所有项目。建议申请人在提交概念规划检查打印之前参加概念规划前会议 (PCPC) 和/或与各个县审查机构进行互动
如果您怀疑课程中存在人工智能滥用，可以考虑采取哪些策略 本期 Vitality 旨在考虑采取一种全面的方法来解决学生在课程中涉嫌滥用人工智能的问题，包括收集证据、参与对话、了解学生的观点、探索涉嫌滥用人工智能的根本原因，以及采取适当的教育和/或纠正措施。《检测人工智能的 Vitality》11 月刊指出，制定明确的书面课程政策，规定学生在课程中可以和不能使用人工智能的重要性，这是维护学术诚信的第一步。即便如此，我们在帮助学生学习如何记录和提供创作过程证据方面仍面临重大挑战。因此，除了详细说明课程中允许或禁止的人工智能工具类型及其用途外，我们还可能希望为学生提供他们可以收集或需要随作业一起提交的文档类型的指南/示例。帮助学生理解并遵守学术诚信准则需要我们持续努力和投入，并在作业、项目和考试中设置提醒 (Lang, 2013)。如果您怀疑课程中存在滥用人工智能的情况，请考虑以下流程，该流程可能与您已经使用的流程类似：
如果您怀疑存在人工智能，可考虑采取的策略课程中的滥用 本期 Vitality 旨在考虑采取一种全面的方法来解决学生在课程作业中涉嫌滥用人工智能的问题，包括收集证据、参与对话、了解学生的观点、探索涉嫌滥用人工智能的根本原因，并采取适当的教育和/或纠正措施。《检测人工智能的 Vitality》 11 月刊指出，制定明确的书面课程政策，规定学生在课程作业中可以和不能使用人工智能的重要性，这是维护学术诚信的第一步。即便如此，我们在帮助学生学习如何记录和提供创作过程证据方面仍面临重大挑战。因此，除了详细说明我们的课程中允许或禁止的人工智能工具类型及其用途之外，我们可能还希望为学生提供他们可以收集或需要随作业一起提交的文件类型的指南/示例。帮助学生理解和遵守学术诚信准则需要我们不断努力和承诺，并在作业、项目和考试中提醒学生 (Lang, 2013)。如果您怀疑课程中存在人工智能滥用，请考虑以下可能与您已经使用的流程类似的流程：
特许开发权特别委员会报告
我们相信，许可开发权可以在改革后的规划系统中继续发挥重要作用：减少住户、企业和地方规划当局的规划官僚作风；支持法定机构（包括地方当局）履行职责；帮助提供住房并支持我们的商业街。个人权利使我们的学校和医院得以扩大，我们的农民得以多样化，住户得以扩建房屋以容纳不断增长的家庭。重要的是，截至 2022 年 3 月的七年间，此类权利已提供超过 94,000 套住房。为了进一步证明此类权利的价值，我们最近就新的和修订的许可开发权进行了磋商，以支持增长、旅游业和英国能源安全战略。
©2022 IEEE。允许个人使用本材料。对于所有其他用途，无论是在现有还是未来的媒体中，都必须获得 IEEE 的许可，包括
摘要 — 在能源和资源受限的可穿戴设备上自动识别健身活动消除了激烈健身期间的人机交互要求 - 例如轻触敲击和滑动。这项工作提出了一个微型且高精度的残差卷积神经网络，它在毫瓦微控制器中运行，用于自动锻炼分类。我们在三个资源受限的设备上评估了带量化的深度模型的推理性能：两个带有 ARM-Cortex M4 和 M7 内核的来自 ST Microelectronics 的微控制器，以及一个 GAP8 片上系统，后者是来自 Green-Waves Technologies 的开源多核 RISC-V 计算平台。实验结果表明，在全精度推理下，十一项锻炼识别的准确率高达 90.4%。本文还介绍了资源受限系统的权衡性能。在保持识别准确率（88.1%）和最小损失的同时，每次推理仅需要 3 s。得益于 8 个 RISC-V 集群核心，GAP8 上每次推理只需 2 毫秒。我们测量发现，它的执行时间比 Cortex-M4 和 Cortex-M7 核心快 18.9 倍和 6.5 倍，表明基于所述数据集以 20 H z 采样率进行实时板载锻炼识别的可行性。在最大时钟频率下，GAP8 上每次推理消耗的能量为 0.41 m J，而 Cortex-M4 上为 5.17 m J，Cortex-M7 上为 8.07 m J。当系统使用电池供电时，它可以延长电池寿命。我们还引入了一个开放数据集，该数据集由从十个受试者收集的 50 个 11 个健身房锻炼课程组成，可公开获取。索引术语 — 锻炼识别、健身房识别、锻炼分类、边缘计算、TinyML、PULP