摘要 - 可推广的感知是太空机器人技术中高级自治的支柱之一。估计动态环境中未知对象的结构和运动对于此类自主系统至关重要。传统上,解决方案依赖于目标对象的先验知识,多个不同的表示或不适合机器人操作的低保真输出。这项工作提出了一种新颖的方法,可以使用统一表示形式来逐步重建和跟踪动态未知对象 - 一组3D高斯斑点,描述了其几何形状和外观。可区分的3DGS框架适合以动态对象设置。管道的输入是一组顺序的RGB-D图像。3D重建和6-DOF姿势跟踪任务是使用基于一阶梯度的优化来解决的。该公式很简单,不需要预训练,不假定对对象或其运动的先验知识,并且适合在线应用程序。在任意相对运动下的10个未知航天器的数据集中验证了所提出的方法。实验表明,在短期到中持续时间内,目标对象的成功3D重建和准确的6-DOF跟踪。讨论了跟踪漂移的原因,并概述了潜在的解决方案。
阅读理解是一种逐字逐句地解释或从所讲或所读的内容中形成深刻思想的能力。它在社区的整体运作中发挥着重要作用。它也是阅读的支柱之一。本文旨在评估高中生在核心科学科目中的阅读理解水平,并确定影响阅读理解能力的不同因素。描述性调查试图确定一些社会特征的范围和分布,如教育或培训、职业和地点,并发现这些特征如何与某些行为模式或态度相关。用于评估阅读理解的工具有三个难度级别:初级上层故事、中级故事和中高级故事。正确答案为 75% 及以上的学生被归类为“精通水平”。正确答案为 50%-74% 的学生被归类为“接近精通水平”。而“低精通水平”类别适用于得分为 49% 及以下的学生。根据伊玛目 (2014) 的读者类别对学生进行分类。在阅读理解能力测试结果方面,结果显示,只有 7% 的受访者被归类为精通水平的读者。与 49% 的接近精通水平和 44% 的较差精通水平相比,这一结果微不足道。
执行摘要本章旨在摘要在接下来的几年中对汽车电子产品的关键破坏性趋势进行摘要。对自动驾驶以及车辆电气化的越来越重视导致了使用的半导体和电池的巨大变化以及其在下一代汽车中的包装和异质整合。本章的关键要点将是针对自动驾驶,高级通信集成的处理器的高度复杂的包装以及确保所有组件的较高可靠性的相关挑战,这些挑战是基于新的汽车的新用例和通用运输的新组件。随着雷达,激光雷达和其他传感技术的进步,传感器技术的进步将有许多进步。随着汽车继续通电,电力系统的集成将继续。最后,人工智能(AI)将对汽车的功能和安全性以及用于提高电子组件可靠性的技术至关重要。亮点在处理器第5节中,显示了汽车环境中高级CMOS节点的挑战。第6节的传感器,指示商业化的新技术变化;第7章和第8章分别讨论了可靠性和电力训练电气化的主要主题。此新修订中的更改摘要包括第6.2节(雷达)的新添加,第6.3节(LIDAR)的更新和第7节(可靠性)的更新。
摘要 - 在这项研究中,我们对智能电网安全性,探索系统体系结构,攻击方法,国防策略和未来的研究机会进行全面审查。我们对各种攻击向量进行了深入的分析,重点是智能网格中高级综合的新攻击表面。该评论特别包括对协调攻击的深入分析,这些攻击结合了多种攻击策略并利用各种智能网格组件的脆弱性,以增加其不良影响,以表明这些威胁的复杂性和潜在严重性。之后,我们研究了创新的检测和缓解策略,包括游戏理论,图理论,区块链和机器学习,讨论他们在抵消不断发展的威胁和相关研究挑战时的进步。特别是,我们的审查涵盖了对广泛使用的基于机器学习的缓解策略的彻底检查,分析其应用程序和研究挑战,这些挑战涉及受监督,不受欢迎的,不受影响的,半监督,合奏,合奏和加强学习。此外,我们概述了未来的研究方向,并探索了新技术和关注。我们首先讨论现有和新兴策略的研究机会,然后探索新技术的潜在作用,例如大语言模型(LLMS),以及对智能电网安全的对抗机器学习的新兴威胁。
巴西彼得罗波利斯天主教大学。电子邮件:flavio.42040103@ucp.br 摘要:本文提出了一种基于层次分析法 (AHP) 和贝叶斯信念网络 (BBN) 识别铁磁材料部件磁粉检测 (MPI) 中高级风险的方法。概率和影响的结合确定了最重要的风险,需要解决这些风险以改进质量管理体系并确保组织的可持续性。作为一种方法论,将从案例研究和专家调查中获得的风险因素的估计风险概率加载到贝叶斯信念网络软件中以评估不良事件发生的概率,并使用 AHP 对风险的相对重要性(影响)进行排序。概率和影响的结合确定了最重要的风险。本文的创新之处在于将贝叶斯信念网络与 AHP 相结合,并使用目标树仪表板来提高关键部件检查的质量和可持续性。该方法的应用表明,关键硬件检查中最重要的风险与操作员失误、不利的控制和环境、负面的组织因素有关。本文提出了针对这些风险的应对措施,旨在防止关键硬件的 MPI 检查发生故障。本文为 f 领域的文献做出了贡献
助理教授Alparslan SOLAK 个人信息 办公室电话:+90 212 383 3032 电子邮件:asolak@yildiz.edu.tr 网址:https://avesis.yildiz.edu.tr/asolak 国际研究人员 ID ScholarID:3t5qkm0AAAAJ ORCID:0000-0002-4346-3377 Publons / Web Of Science ResearcherID:AAZ-6944-2020 ScopusID:57371982800 Yoksis Researcher ID:264513 教育信息 博士学位,土耳其耶尔德兹技术大学机械工程学院,机械工程/建筑 2017 - 2023 研究生,伊斯坦布尔技术大学,机械工程学院,机械工程/建筑,土耳其 2014 - 2017 本科生,耶尔德兹技术大学,机械工程学院,机械工程,土耳其 2010 - 2014 外语 英语,B2 中高级 论文 博士学位,在压缩、弯曲和冲击条件下波状蜂窝的机械行为研究,耶尔德兹技术大学,自然与应用科学研究生院,2023 研究生,煤矿用带式输送机的设计和设计参数的优化,伊斯坦布尔技术大学,机械,机械工程,2016 研究领域 有限元方法,机械测试 学术头衔/任务 助理教授,耶尔德兹技术大学,机械工程学院,机械工程系,2024 - 继续 研究助理,耶尔德兹技术大学,机械工程学院,机械工程系,2017 - 2024
摘要。自 2015 年以来,商业手势界面扩大了研究人员和艺术家使用新型肌电图 (EMG) 生物特征数据的范围。EMG 数据可测量肌肉幅度,并使我们能够通过与数字媒体进行自然手势交互来增强人机交互 (HCI)。虚拟现实 (VR) 是一种沉浸式技术,能够模拟现实世界及其抽象。然而,当前的商业 VR 技术不具备处理和使用生物特征信息的能力。与当前商业 VR 设备中使用光学传感器进行手势识别相比,在 VR 中使用生物特征识别技术可以更好地描述手势细节并使用复杂的自定义手势,例如器乐演奏中的手势。然而,EMG 数据很复杂,必须使用机器学习来使用它。本研究使用 Myo 臂带对 Wekinator 中的四种自定义手势进行分类,并观察它们的预测准确性和表示(包括或省略信号开始)以在 VR 中创作音乐。结果表明,根据手势表示类型,特定的回归和分类模型在对 VR 中高级音乐 HCI 的四种音乐手势进行分类时最为准确。我们应用并记录了我们的结果,表明 EMG 生物识别技术有望成为未来 VR 中交互式音乐创作系统的良方。
• 第 IE 章 3(b) - 恶意外国人才招募计划的当事方,已修改为包含一个新章节,规定恶意外国人才招募计划的当事方个人没有资格担任 NSF 提案的高级/关键人员。 • 第 II.C.2 章“提案字体、间距和边距要求”已修改,以允许以横向格式提交提案文件。 • 第 II.D.1.e(ii) 章“恶意外国人才招募计划”是一个新章节,涉及 2022 年 CHIPS 和科学法案第 10632 节(42 USC § 19232),该节涉及恶意外国人才招募计划的要求。正如 ORED 之前所传达的,被确定为 PI 和高级/关键人员的个人的 ePRAF 认证声明已更新,以表明所有 PI 和高级/关键人员都已了解并遵守了他们在 2022 年《CHIPS 和科学法案》下的责任,即个人不是恶意外国人才招聘计划的一方,并且他们进一步同意在奖项有效期内每年向赞助商证明他们不是恶意外国人才招聘计划的一部分。• 第 II.D.2.h(i) 章“个人简介”,本节已修订,取消了个人简介 3 页的限制。提案的这一部分没有页数限制。个人简介中的“协同活动”部分已删除。现在,被指定为高级/关键人员的个人必须提交此信息,作为 Research.gov 中高级/关键人员文件的一部分。
金属增材制造 (AM) 与传统减材制造相比,具有设计灵活性更高、开发时间更短、模具成本更低、生产浪费更少等巨大优势,因此受到越来越多的关注。然而,由于材料特性、产品设计、工艺参数、工艺特征、增材制造后工艺和产品质量之间尚未解决的复杂关系,导致工艺稳健性、稳定性和可重复性不足,严重阻碍了其在业界的广泛接受。为了促进金属增材制造中高级数据分析的有效实施,以支持智能过程监控、控制和优化的发展,本文提出了一种用于金属增材制造系统的新型数字孪生 (DT) 协作数据管理框架,其中云 DT 与不同产品生命周期阶段的分布式边缘 DT 进行通信。开发了一个包含特定产品生命周期数据综合列表的金属增材制造产品数据模型,以支持协作数据管理。通过在 MANUELA 项目中开发的分布式金属 AM 系统中的实际实施,验证了所提框架的可行性和优势。还介绍了基于云和深度学习的金属 AM 层缺陷分析的代表性应用场景。所提出的支持 DT 的协作数据管理在增强对金属 AM 工艺的基本理解、开发模拟和预测模型、减少开发时间和成本以及提高产品质量和生产效率方面显示出巨大潜力。
对建筑环境中可持续性的越来越重视强调了智能建筑中高级控制策略的需求。尤其是,诸如HVAC之类的环境控制系统起着至关重要的作用,因为它们负责大约50-60%的能源消耗和40-60%的CO 2排放[1,2] [1,2]可以在各种结构中分布在多个结构中,通过各种单位进行分配的多个设备和促销分配的多种设备和促销,并分发了多种设备和促销。最近的研究探索了基于AI的分布式控制解决方案的应用,该解决方案利用多代理体系结构来协调和优化这些系统的运行[3]。这种体系结构不仅可以增强系统的响应能力和效率,而且还可以开放用于解决复杂分布式环境中可扩展性,鲁棒性和互操作性的研究的新途径。我们正在研究和开发现代多代理体系结构在同一区域中使用多个设备和多个站点的场景设计分布式控制系统。我们专注于在数据中心操作空气冷却器机队的数据中心,通常管理每个建筑物的30至100个设备,每个站点跨越多个建筑物。每个设施都呈现出独特的配置和操作条件,这些配置和操作条件加上了非常严格的安全性和需要局部弹性解决方案的专有要求。我们的研究通过提供:我们正在探索实施分布式自主代理的方法,以促进实时监视和适应,容错,可扩展性和安全性合规性。