XiaoMi-AI文件搜索系统
World File Search System任务计划
三角洲：使用大语言模型分解的有效的长期机器人任务计划
摘要 - 大语言模型（LLM）的最新进展彻底改变了许多研究领域。在机器人技术中，通过解锁前所未有的上下文意识级别，将常识性知识整合到下游任务中已大大推动了该领域。尽管知识收集了大量知识，但由于幻觉或缺少域信息，LLM可能会产生不可行的计划。为了应对这些挑战并提高计划的可行性和计算效率，我们介绍了Delta，这是一种新颖的LLM知名任务计划方法。通过使用场景图作为LLM中的环境表示，Delta实现了快速生成精确的计划问题描述。为了提高计划绩效，Delta将LLMS的长期任务目标分解为自回归的子目标序列，从而使自动化的任务计划人员能够有效地解决复杂的问题。在我们的广泛评估中，我们表明，与艺术品相比，达美航空可以实现高效且全自动的任务计划管道，达到更高的计划成功率，并明显较短的计划时间。
Robodexvlm：视觉语言模型模型的任务计划和灵活机器人操纵的运动控制
摘要 - 本文介绍了Robodexvlm，这是一个用于机器人任务计划的创新框架，并掌握了配备灵敏手的协作操纵器的检测。以前的方法着眼于简化且有限的操纵任务，这些任务通常忽略了以长期培训方式抓住各种对象相关的复杂性。相比之下，我们提出的框架利用灵巧的手能够抓住不同形状和大小的对象，同时根据自然语言命令执行任务。所提出的方法具有以下核心组件：首先，设计了一个具有任务级恢复机制的稳健任务计划器，该机制设计了视觉语言模型（VLMS），这使系统能够解释和执行长序列任务。第二，基于机器人运动学和正式方法提出了语言引导的灵活掌握感知算法，该方法是针对带有多种物体和命令的零摄像的灵巧操作量身定制的。全面的实验结果验证了Robodexvlm在处理长层场景和执行灵巧抓握方面的有效性，适应性和鲁棒性。这些结果突出了该框架在复杂环境中运行的能力，展示了其进行开放式灵巧操作的潜力。我们的开源项目页面可以在https://henryhcliu.github.io/robodexvlm上找到。
工作跟踪 (JSP)、本地发展任务计划 (LDAP) 和驻地指导计划 (GMP) 应用程序
我请求考虑参加所选计划。我理解参与是自愿的，我可以随时退出。在我的主管的酌情决定下，我可能会获得合理的值班时间参与计划活动。我参加此计划并不保证获得培训、任务、晋升或职业发展。我理解，如果被选中参加此计划，我将被要求完成所有计划要求。我还理解完成此计划可能需要投入个人时间。
弹性的独立表征和水凝胶渗透压的混合部分
摘要 - 在其突出的场景理解和发挥功能的情况下，预先训练的视觉语言模型（VLM）（例如GPT-4V）引起了机器人任务计划中越来越多的关注。与传统的任务计划策略相比，VLM在多模式信息解析和代码生成中很强，并表现出显着的效率。尽管VLM在机器人任务计划中具有巨大的潜力，但它们遭受了幻觉，语义复杂性和有限的背景等挑战。要处理此类问题，本文提出了一个多代理框架，即GameVLM，以增强机器人任务计划中的决策过程。在这项研究中，提出了基于VLM的决策和专家代理人来进行任务计划。具体来说，决策代理人用于计划任务，并采用专家代理来评估这些任务计划。零和游戏理论，以解决不同代理之间的不一致并确定最佳解决方案。对真实机器人的实验结果证明了该框架的功效，平均成功率为83.3％。我们的实验视频可在https://youtu.be/sam-mkcpp7y上找到。索引术语 - 任务计划，多机构，视觉语言模型，零和游戏理论，决策。
FY23 工作见习 (JSP)、本地发展任务计划 (LDAP) 和驻军指导计划 (GMP) 申请
我请求考虑参加所选计划。我理解参加是自愿的，我可以随时退出。根据我的主管的判断，我可能会获得合理的工作时间参与计划活动。我参加此计划并不保证获得培训、任务、晋升或职业发展。我理解，如果被选中参加此计划，我将被要求完成所有计划要求。我还理解完成此计划可能需要投入个人时间。
美国移民和海关执法局 ICE
战略背景通过将战略、预算资源请求、计划或 PPA 和衡量向利益相关者交付成果的绩效指标结合在一起来呈现绩效预算。通用拨款结构 (CAS) 允许 DHS 将战略计划观点与我们的资源预算观点相结合。通过这种结构，很大一部分 1 级 PPA 代表了 DHS 所指的任务计划。任务计划是一组共同行动以实现 DHS 外部特定高级结果的活动，包括运营流程、技能、技术、人力资本和其他资源。ICE 的任务计划如下所示。与我们的任务计划相关的绩效指标分为两组指标，即战略指标和管理指标。战略指标传达了我们的任务计划为我们的机构目标带来的成果，并被视为我们的《2010 年政府绩效与结果法案现代化法案》(GPRAMA) 指标。显示了其他管理指标，以提供与其预算计划相关的组件预期任务计划绩效的更全面背景。未显示前一年结果的措施表是因为当时尚不存在该措施。执法和驱逐行动 (ERO)：执法和驱逐行动通过识别和逮捕非法移民、拘留
FY23 工作跟踪 (JSP)、本地发展任务计划 (LDAP) 和驻军指导计划 (GMP) 申请
我请求考虑参加所选计划。我理解参与是自愿的，我可以随时退出。在我的主管的酌情决定下，我可能会获得合理的值班时间参与计划活动。我参加此计划并不保证获得培训、任务、晋升或职业发展。我理解，如果被选中参加此计划，我将被要求完成所有计划要求。我还理解完成此计划可能需要投入个人时间。
射电天文学的月球轨道的卫星群
iac-20，b4,3,6，x59219 Olfar的自主任务计划：Lunar轨道上的卫星群，用于射电射线天文学的Sung-Hoon Mok A *，Jian Guo A，Jian Guo A，Eberhard Gill A，Eberhard Gill A，Raj Thilak Rajan Ba Aerospace Engifetry of Aerospace Engineering（lr）（LR），LR），DELLE（LR），deflue（lr），deflue（lr）。荷兰2629 HS，s.mok@tudelft.nl; j.guo@tudelft.nl; e.k.a.gill@tudelft.nl b Faculty of Electrical Engineering, Mathematics & Computer Science (EWI), Delft University of Technology, Mekelweg 4, Delft, The Netherlands 2628 CD , r.t.rajan@tudelft.nl * Corresponding Author Abstract Orbiting Low Frequency Array for Radio Astronomy (OLFAR) is a radio astronomy mission that has been studied since 2010 by several荷兰大学和研究机构。该任务旨在通过在30 MHz频带以下的超低波长状态下收集宇宙信号来产生天空图。一颗卫星群，其中包括10多个配备了被动天线的卫星，将部署在可以最小化射频干扰的太空中，例如，在月球的远处。到目前为止，已经投入了一些研究来设计空间部分，其中包括有效载荷和平台元素。但是，尚未详细设计地面部分，尤其是任务计划系统。在本文中，根据当前的卫星设计提出了任务计划问题后，提出了OLFAR的系统任务计划方法。关键字：任务规划，射电天文学，卫星群，月球轨道，地面部门，自治1。任务控制元素（MCE）是地面部分元素之一，其主要功能是任务计划和计划。简介地面细分市场对于任务成功以及太空领域和发射部门[1]起着重要作用。它旨在在有限的资源和限制下安排几个任务；最终，为特定的计划范围生成时间表。任务计划算法（或不久的算法）通常可以分为三类：确定性精确算法，确定性近似算法和非确定性近似算法[2]。首先，确定性精确算法提供了一个精确的最佳解决方案，但需要三个方面的计算时间最长。例如，蛮力搜索需要在获得全球最佳解决方案之前列举所有可能的候选者。其次，确定性近似算法提供了一个亚最佳解决方案，其计算负担明显较小。它通常被称为启发式算法[3]。有例如贪婪算法和本地搜索算法。第三，非确定性近似算法也提供了次优的解决方案，通常称为元启发式算法或基于人群的算法。遗传算法和粒子群优化是众所周知的非确定性近似算法。但是，应注意的是，算法的定义和分类在文献中通常会有所不同。
国际飞机任务规划系统 (IAMPS) - Leidos
f 支持在 2D/3D 视图中进行任务演练，通过真实的飞行预览显示地图上的位置，并从飞行员的角度在 3D 合成环境中描绘飞机 f 审查从 IAMPS 任务计划应用程序导入的计划任务，以协调任务程序和目标行动 f 通过记录的航空电子数据流中的深入、明确细节进行行动后审查，以在最佳回忆间隔内提供关键反馈 f 将记录的飞机位置、驾驶舱视频和飞行音频与从 IAMPS 任务计划应用程序导入的规划数据进行比较，以交互方式分析执行情况与飞行计划 f 使用同步显示器同时重建多架飞机的飞行，通过空中机动精确跟踪相对位置