XiaoMi-AI文件搜索系统
World File Search System任务计划
机组人员逃生系统测试
Gaganyaan 任务的时间表目前为 2024 年或更晚，强调安全胜于仓促。无人任务计划于次年初进行，中止任务则于同年进行。载人任务预计于 2024 年底或 2025 年初进行，具体取决于各种情况。ISRO 已获得关键火箭部件的人类评级，而乘员逃生系统设计必须确保宇航员的安全机制能够按时完成。
使用GPT-4V
摘要 - 在开放环境中的自动驾驶机器人导航和操纵需要推理并通过闭环反馈进行重新掌握。我们提出了Come-Robot，这是使用GPT-4V视觉基础模型的第一个闭环框架，用于在现实世界中的开放式推理和自适应计划。我们精心构建了一个用于机器人探索，导航和操纵的动作原始库，在任务计划中用作GPT-4V的可呼叫执行模块。在这些模块的顶部，GPT-4V充当可以完成多模式推理的大脑，使用代码生成动作策略，验证任务进度并提供用于重新启动的反馈。这样的设计使得 - 机器人能够（i）积极地感知环境，（ii）执行定位的过程，以及（iii）从失败中恢复。通过涉及8个挑战现实桌面和操纵任务的全面实验，与现状的基线方法相比，任务成功率显着提高（25％）我们进一步进行全面的分析，以阐明演员的设计如何促进故障恢复，自由形式的指导跟随和长期地平线任务计划。
应用于...
摘要 - 地球成像卫星是我们日常生活的关键部分，可以使全球跟踪工业活动。用例涵盖了许多应用程序，从天气预报到数字地图，碳足迹跟踪和植被监测。但是，有局限性；卫星很难制造，维护昂贵，并且发射到轨道上很棘手。因此，卫星必须有效地使用。这提出了一个称为卫星任务计划问题的挑战，可以是计算中的vivetosolveOnlargesCales.ever，近距离算法，例如贪婪的增强学习和优化算法，通常可以提供令人满意的分辨率。本文介绍了一组量子算法来解决误解计划问题，并证明了比迄今为止实施的classical算法的优势。该问题被提出，是因为在包含数千个任务和多个卫星的真实数据集上完成的高优先级任务数量。这项工作表明，通过解决方案链接和聚类，优化和机器学习算法为最佳解决方案提供了最大的潜力。本文特别表明，杂交量子增强的增强剂学习剂可以在高优先级任务上获得98.5％的完成百分比，从而在基线贪婪方法中以75.8％的完成率显着改善。这项工作中提出的结果铺平了在太空行业中支持量子的解决方案的方式，更普遍地是整个工业的未来任务计划问题。
确保更安全的航空航天解决方案......
我们的 CCH 设计可通过侧面访问面板上的面板连接器或安全数字 (SD) 卡快速更新软件和固件。除了软件更新之外，此输入/输出方法还提供额外的存储访问，并促进基于存储的功能，例如根据应用程序上传配置和任务计划。集成商还可以使用各种输入/输出方法与任务系统交互，包括 USB、以太网 (1Gbe)、GPIO 和 RS-422。
llm3：大型基于语言模型的任务和运动...
摘要 - 常规任务和运动计划（TAMP）方法依赖于手动设计的界面将符号任务计划与连续运动的连接连接。这些特定领域和劳动密集型模块在解决现实世界中的新兴任务方面受到限制。在这里，我们提出了LLM 3，这是一种新型的大型语言模型（LLM）的tamp框架，具有独立于域的界面。具体来说，我们利用了预训练的LLM的强大推理和计划能力提出符号动作序列，并为运动计划选择连续的动作参数。至关重要的是，LLM 3通过提示结合了运动计划，允许LLM通过推理运动故障来迭代地完善其建议。因此，LLM 3在任务计划和运动计划之间的接口，减轻了处理域之间特定信息的复杂设计过程。通过盒装域中的一系列模拟，我们定量地证明了LLM 3在解决tamp问题和选择动作参数方面的效率。消融研究不解决运动失败推理对LLM 3的成功的显着贡献。此外，我们在物理操纵器上进行定性实验，证明了我们在现实世界中方法的实际适用性。
对大语模型增强强化学习的调查：概念，分类学和方法
摘要 - 具有广泛的预训练的知识和高级一般能力，大型语言模型（LLMS）作为一种有希望的途径，以增加多任务，样本效率和高级任务计划等诸如多任务学习，样本效率和高级任务计划之类的途径。在这项调查中，我们对LLM增强RL中现有文献进行了全面审查，并总结了其特征与常规RL方法相比，旨在阐明研究范围和未来研究的方向。利用经典的代理 - 环境相互作用范式，我们提出了一种结构化的分类法，以系统地将LLMS在RL中的功能分类，包括四个角色：信息处理器，奖励设计师，决策者，决策者和生成器。对于每个角色，我们总结了方法论，分析缓解的特定RL挑战，并提供对未来方向的见解。最后，讨论了对LLM增强RL的每个角色，潜在应用，潜在的机会和挑战的比较分析。通过提出这种分类法，我们旨在为研究人员提供一个有效利用RL领域中LLM的框架，从而在复杂应用中加速RL应用程序，例如机器人技术，自动驾驶和能源系统。
克里斯·阿吉亚（Chris Agia）
[10] C. Agia，K。M. Jatavallabhula，M。Khodeir，O。Miksik，V。Vineet，M。Mukadam，L。Paull，L。Paull和F. Shkurti，“任务学：评估机器人任务计划在大型3D场景图上进行大型3D场景图的计划”机器学习研究会议记录，第1卷。164，PMLR，2022，pp。46–58。 [在线]。 可用：https：//arxiv.org/abs/2207.05006。46–58。[在线]。可用：https：//arxiv.org/abs/2207.05006。
找到资源，挖掘并建立在月球上。
•轨道和行星表面上的高精度相对定位和时间同步。•具有现实的通信限制的任务计划，操作和执行。•在其他特工和障碍物密集拥挤的地区快速，实时，协调的运动计划。•操作概念和工具，可为另一个星球上的飞船或机器人组的团队提供情境意识和指挥能力。•通过观察和估计多代理系统中其他代理的作用来进行无通信的协调。•合作操作和空间构造•合作信息收集和估算目标对象（大空间结构或小行星）。
数据驱动的时空模拟器用于加固学习方法
时空应用，例如出租车命令调度和仓库任务计划，并急剧取决于操作效率的算法。但是，这些应用的固有动力性质在算法设计中提出了挑战。流动性服务的增长有助于收集过时的时空数据，这又促使算法设计人员使用数据驱动的方法。强化学习（RL）以其强大的性能和对空间环境的适用性而认可的，它具有相当大的研究兴趣。尽管具有潜力，但RL算法仍需要将模拟器用于培训和验证目的。然而，没有为时空算法de-smage开发任何特定的类似系统。此空缺阻碍了时空算法设计师的进步。在此演示中，我们构建了一个称为数据驱动的临时模拟器（DSS）的系统，希望为Spa-Totiotemporal算法设计师提供便利。dss擅长处理与出租车订单调度和仓库任务计划有关的问题，并具有为其他用户确定的方案而扩展的多功能性。该系统包括可视化模块，这些模块具有洞察力，以及旨在流式传输开发过程的开发人员工具。这使设计师能够有效地制定，评估和重新确定其算法，从而在时空应用开发中可能加速创新。
OTB - 卫星轨道试验台或
深空原子钟 (DSAC) DSAC 是一种微型、超精密的汞离子原子钟，在 OTB 上托管时，将发射到地球轨道以展示其单向导航的功能和实用性。DSAC 将进行为期一年的演示，以提供下一代深空导航和无线电科学任务所需的时间和频率稳定性，并可能为未来的全球定位系统提供所需的时间和频率稳定性。DSAC 由加州理工学院喷气推进实验室 (JPL) 为美国宇航局空间技术任务理事会的技术演示任务计划开发。