XiaoMi-AI文件搜索系统
World File Search Systemtraf
无线磁传感器在城市环境中的应用及其准确性验证
摘要：在智慧城市中，传感器是必不可少的元素——最新交通信息的来源。本文讨论连接到无线传感器网络 (WSN) 的磁传感器。它们投资成本低、使用寿命长且易于安装。但是，在安装过程中仍需要局部扰动路面。往返日利纳市中心的所有车道都配有传感器，每五分钟发送一次数据。它们发送有关交通流强度、速度和成分的最新信息。LoRa 网络确保数据传输，但在发生故障时，4G/LTE 调制解调器可实现备用传输。这种传感器应用的缺点是其准确性。研究任务是将 WSN 的输出与交通调查进行比较。在选定的道路剖面上进行交通调查的适当方法是使用 Sierzega 雷达进行视频录制和速度测量。结果显示值失真，主要是在短时间间隔内。磁传感器最准确的输出是车辆数量。另一方面，交通流组成和速度测量相对不准确，因为不容易根据动态长度识别车辆。传感器的另一个问题是频繁的通信中断，这会导致中断结束后值的累积。本文的第二个目标是描述交通传感器网络及其可公开访问的数据库。最后，有几种数据使用建议。
头脑中的飞机：空中交通管制员的心理方式...
I. 引言 在正常运行状态下，两个空中交通管制员组成的二元组负责任何给定空域。 两者都可以访问与任务相关的信息，例如雷达数据、天气报告和航班时刻表。图 1 显示了德国空中交通管制员的工作场所。 在二元组中，空中交通管制员扮演着不同的角色：一个（执行官）负责通过无线电使用口头交通命令与飞行员通信，而另一个（规划员）负责协调来自或向其他扇区的航班的接受或移交。 这是必要的，因为每个扇区都有其各自的飞行高度层运行，并且通常只接受某个飞行高度层阈值内的航班，以保持相邻航班之间的平稳垂直对齐。在安排交接时，规划人员还负责核实高管与飞行员之间的沟通，并在必要时进行干预。因此，职责的划分取决于良好的内部沟通以及透明的工作环境。加快和维持有序的交通流量可以说是空中交通管制员工作的主要目标。然而，出于安全原因，严格遵守分离标准设定了不可协商的规则，这些规则充当了约束 [1，第 341 页]。这两个特点的结合导致了一项艰巨的工作，特别是因为空中交通管制员必须
增强型空中交通管制系统——人工智能作为预测空中交通冲突的数字辅助系统
摘要：当今的空中交通管理 (ATM) 系统围绕空中交通管制员和飞行员发展。这种以人为本的设计在过去使空中交通非常安全。然而，随着航班数量的增加和使用欧洲空域的飞机种类的增加，它正在达到极限。它带来了严重的问题，例如拥堵、飞行安全性下降、成本增加、延误增加和排放量增加。将 ATM 转变为“下一代”需要复杂的人机集成系统，以提供更好的空域抽象并创建态势感知，正如文献中针对此问题所述。本文做出了以下贡献：(a) 概述了问题的复杂性。(b) 它引入了一种数字辅助系统，通过系统地分析飞机监视数据来检测空中交通中的冲突，从而为空中交通管制员提供更好的态势感知。为此，使用长短期记忆 (LSTM) 网络（一种流行的循环神经网络 (RNN) 版本）来确定其时间动态行为是否能够可靠地监控空中交通并对错误模式进行分类。 (c) 大规模、真实的空中交通模型（包含数千个包含空中交通冲突的航班）用于创建参数化的空域抽象，以训练 LSTM 网络的几种变体。所应用的网络基于 20-10-1 架构，同时使用泄漏 ReLU 和 S 形函数
航空业数字化培训 - 阿伯泰大学
空中交通管制行业受到严格监管，采用严格的流程和程序来确保知识产权 (IP) 和工作场所的安全。空中交通管制员 (ATC) 和其他与空中交通服务相关的角色的培训是一个漫长而昂贵的过程。预计学员的培训速度将远远低于空中交通行业对员工的需求。本文重点介绍两个原型移动培训应用程序——位置指示器 (LI) 和飞机控制位置操作员 (ACPO) 入门包。LI 和 ACPO 入门包的制作旨在探索如何使用数字应用程序改进和支持空中交通管制培训。每个应用程序都探索了空中交通管制行业学员的一个关键学习领域，并提出了目前正在使用的等效培训的替代方案。这两个原型的设计重点是提供简洁的用户体验以及游戏化元素来提高参与度。作为本文的一部分，我们利用 LI 和 ACPO Starter Pack 进行了可用性测试。我们在四个不同地点共进行了九次可用性测试。这些可用性测试的参与者来自不同的人口统计学背景，对当前培训的体验各不相同，使用这两种应用程序的时间也各不相同。我们调整了系统可用性量表 (SUS)，并将其用于量化参与者的反应
文章 无线磁传感器在城市环境中的应用及其准确性验证
摘要：在智慧城市中，传感器是必不可少的元素，是最新交通信息的来源。本文介绍了连接到无线传感器网络 (WSN) 的磁传感器。它们投资成本低、使用寿命长、安装方便。然而，在安装过程中仍需要对路面进行局部扰动。往返于日利纳市中心的所有车道都配有传感器，每隔五分钟发送一次数据。它们发送有关交通流强度、速度和成分的最新信息。LoRa 网络确保数据传输，但如果发生故障，4G/LTE 调制解调器可实现备用传输。这种传感器应用的缺点是其准确性。研究任务是将 WSN 的输出与交通调查进行比较。在选定的道路轮廓上进行交通调查的适当方法是使用 Sierzega 雷达进行视频录制和速度测量。结果显示值失真，主要是在短间隔内。磁传感器最准确的输出是车辆数量。另一方面，交通流量组成和速度测量相对不准确，因为基于动态长度识别车辆并不容易。传感器的另一个问题是频繁的通信中断，这会导致中断结束后值的累积。本文的第二个目标是描述交通传感器网络及其可公开访问的数据库。最后，有几种数据使用建议。
使用贝塞尔曲线为运输飞机生成曲率连续轨迹
摘要：随着空中交通的增加，更好地管理和组织空中交通对于提高交通安全和空域容量至关重要。因此，需要对更复杂、更灵活的飞机轨迹进行临时描述，以允许高交通密度并限制环境影响。该方法包括通过拼接多条贝塞尔曲线从预先存在的控制点生成平滑的 4D 路径，同时确保接头处的 G2 连续性。此外，由于控制点和拟议轨迹之间的欧几里得距离由轨迹的最佳重塑控制，因此需要考虑轨迹的曲率-速度-负载因子之间的权衡。生成的轨迹旨在补充常规飞行计划，帮助解决空中交通冲突并通过更好的时间安排提高空中运力。Matlab 模拟证实了该方法的可行性，当为重塑算法定义距离范围时，显示出有希望的结果。
使用元启发式搜索
摘要 - 使用AUSONSOPOUS车辆（AVS）的安全保证方法，通过将AVED测试放在具有挑战性的交通方案中，通过抽象场景规范捕获并在现实的交易模拟器中进行调查，进行系统级安全评估。作为基于方案的AVS测试的第一步，必须对fraffiffim festario的初始场景进行评估。在这种情况下，场景具体化挑战是将抽象交通场景的高级特定规范所采用的，旨在将它们映射到具体场景，在该场景中，为车辆的每个属性定义了确切的数字初始值（例如，位置或速度）。在本文中，我们提出了一种交流场景混凝土化方法，该方法将车辆放置在逼真的路线图上，以便满足通过表达式场景规范语言定义的一组可扩展的抽象约束，该语言也支持不一致的静态发现。然后，抽象约束映射到相应的数字约束，通过具有可自定义的目标函数和约束聚合策略的元启发式搜索来解决。我们对三个现实的路线图进行了一系列实验，以将我们方法的八个配置与状态的三种变体进行比较，并评估其可扩展性。
膜运输和亚细胞药物靶向途径
微分子和大分子进入细胞和在细胞内的运动显著地控制着它们的一些药代动力学和药效学参数，从而调节细胞对外源性和内源性刺激的反应。各种药剂和其他生物活性分子在细胞内和整个细胞内的运输对于细胞的保真度是必要的，但对此研究甚少。对抗癌症和微生物感染的新策略需要更深入地了解膜和亚细胞运输途径，并从本质上调节抗菌和抗癌药物耐药性的引发和传播的几个方面。此外，为了获得最大可能的生物利用度和治疗效果并限制药理生物活性物质的有害毒性，有时需要用靶向配体对其进行功能化，以调节亚细胞运输并增强定位。近来，药物靶向方案主要集中在靶向组织成分和细胞附近，然而，膜和亚细胞运输系统将分子引导到合理位置。递送平台的有效性在很大程度上取决于其物理化学性质、细胞内屏障和药物的生物分布、药代动力学和药效学范式。大多数亚细胞器都具有一些特殊的特性，可以通过这些特性来操纵膜和亚细胞靶向，例如线粒体中的负跨膜电位、溶酶体中的腔内 delta pH 等。存在许多专门的方法，它们可以积极促进亚细胞靶向并限制生物活性分子的脱靶。载体分子设计方面的最新进展使得能够处理膜运输，从而促进活性化合物向亚细胞定位的递送。本综述旨在涵盖促进活性分子运送到亚细胞位置的膜运输途径、亚细胞药物运送系统的相关途径以及载体系统在药物运送技术中的作用。
自主空中交通管制员：深度多智能体强化学习方法
空中交通管制是在高度动态和随机环境中的实时安全关键决策过程。在当今的航空实践中，人类空中交通管制员监控并指挥多架飞机飞过其指定空域。随着传统（商用客机）和低空（无人机和 eVTOL 飞机）空域的空中交通复杂性快速增长，需要一个自主空中交通控制系统来适应高密度空中交通并确保飞机之间的安全分离。我们提出了一个深度多智能体强化学习框架，该框架能够识别和解决具有多个交叉点和合并点的高密度、随机和动态航路区中的飞机之间的冲突。所提出的框架采用了演员-评论家模型 A2C，该模型结合了近端策略优化 (PPO) 的损失函数来帮助稳定学习过程。此外，我们使用集中学习、分散执行方案，其中一个神经网络由环境中的所有代理学习和共享。我们表明，我们的框架既可扩展又高效，可容纳大量进场飞机，实现极高的交通吞吐量和安全保障。我们通过在 BlueSky 环境中进行大量模拟来评估我们的模型。结果表明，在极端高密度空中交通场景中，我们的框架能够分别解决交叉点和合并点的 99.97% 和 100% 的所有冲突。