XiaoMi-AI文件搜索系统
World File Search System仿真环境
母校档案馆bolognas ...
文献中广泛强调了在工业背景下对运营商的培训的重要性。虚拟现实（VR）被认为是用于培训的有效解决方案，因为它提供了沉浸式，现实和互动的仿真环境，这些环境促进了一种学习方法，这远非现实领域的风险。通过多项研究证明了其功效，但是在使用此类技术期间，在使用压力和认知负荷方面，对操作员的认知反应进行了适当的评估。本文提出了一种综合方法，用于分析用户的认知状态，适用于工业部门及其他地区的每种培训，从而促进了以人为本的设计和制造观点。使用工业案例研究对方法进行了评估，该案例研究将虚拟培训用于农业车辆组装。实验结果强调，借助VR额外的支持信息，尽管操作员的错误大幅减少，但由于要管理的信息量增加，因此重音任务的压力增加了。提出的协议允许了解操作员的认知条件，以优化VR培训应用程序，避免操作员的压力，心理超负荷和提高性能。
通过增强的PPO进行安全移动机器人导航的深度加固学习
摘要 - 无汇总运动对于移动机器人必不可少。大多数与车轮机器人无冲突和高效导航的方法都需要专家进行参数调整，以获得良好的导航行为。本研究调查了深入强化学习在复杂环境中训练移动机器人进行自动导航的应用。机器人利用激光雷达传感器数据和深度神经网络来生成控制信号，同时避免了障碍物。我们在凉亭仿真环境中采用两种强化学习算法：深层确定性政策梯度和近端政策优化。该研究在近端策略优化算法中引入了增强的神经网络结构，以提高性能，并具有精心设计的奖励功能，以提高算法效率。在障碍物和自由环境中进行的实验结果强调了拟议方法的有效性。这项研究通过应用深度强化学习，很大程度上有助于在复杂环境中提高自主机器人技术。索引术语 - 深处增强学习，自主航行，控制，避免障碍
展示竞技场3.0：在协作和高度动态的环境中提高社会导航
摘要 - 基于我们以前的贡献，本文介绍了Arena 3.0，Arena Bench [1]，Arena 1.0 [2]和Arena 2.0 [3]的扩展。Arena 3.0是一个综合软件堆栈，包含多个模块和仿真环境，重点是协作环境中社交导航方法的开发，模拟和基准测试。我们通过纳入各种新的社会力量模型和相互作用模式，涵盖人类和人类机器人动态，从而显着增强人类行为模拟的现实主义。该平台提供了一套全面的新任务模式，旨在进行广泛的基准测试和测试，并能够动态地产生现实和以人为中心的环境，以迎合各种社会导航方案。此外，该平台的功能是在三个广泛使用的模拟器中抽象的，每个模拟器都针对特定的培训和测试目的进行了量身定制。全球研究人员和学生社区通过对平台的广泛基准和用户评估来验证该平台的功效，与以前的版本相比，该平台的平台社区指出，它的实质性提高，并表达了利用该平台的未来研究和开发的兴趣。Arena 3.0在https://github.com/arena-rosnav上公开可用。
基于强化学习的分散武器 -
多次无误攻击是饱和和克服导弹防御系统的最简单方法之一。为了提高针对此类攻击者群体的拦截效率，有必要根据其运动学局限性分配拦截器。此外，这样的分配方案必须是可扩展的，以应对大型方案并允许动态重新分配。在本文中，我们首先提出了这种武器目标分配（WTA）问题的新表述，并提供了使用加固学习（RL）以及贪婪的搜索算法来解决它的分散方法。从每个追随者与所有目标的角度考虑参与。同时，其他拦截器与目标群体相关，而其他团队成员则可以使用其分配和成功概率。为了改善中途轨迹的塑造，在追随者和进来的对手之间放置了静态虚拟目标。每个拦截器根据从计算有效的仿真环境中的大量场景中学到的策略动态选择目标。RL输入状态包含目标的拦截器达到性覆盖范围以及其他导弹成功的概率。RL奖励汇总了团队绩效，以鼓励在分配层面上进行合作。相关的可及性约束是通过采用拦截器运动的运动学近似来分析获得的。RL的使用确保所有拦截器的实时可扩展和动态重新分配。我们将基于RL的分散WTA和指导方案与贪婪解决方案的性能进行比较，显示了RL的性能优势。
利用投入输出分析的可持续性
对于产品，企业和行业，可靠地测量碳含量是确定与气候变化相关的过渡风险的关键。G20数据间隙计划的第3阶段要求收集排放数据和多区域输入输出（IO）表，以启用汇总碳内容的计算。我们需要哪些部门区分？我们需要有关技术的信息吗？如何在碳核算中使用统计数据？基于美国（美国）的IO表和公司级别的数据，我构建了一个微型仿真环境，可以充当回答这些问题的实验室。数据库由美国和加拿大的近5000个单位（少数例外）组成。分析的重点是间接排放和碳含量。对于典型的IO表的聚合水平，某些行业的碳含量内部异质性非常高。仍然，平均值对于公司级碳核算会计非常有用。统计数据可以在缺少提供者的直接信息的情况下为输入提供一致的启动值。具体来说，当公司级别的直接排放信息可用时，它们可用于近似供应商的间接排放。这将是欧盟（EU）的标准案例，一旦达成了即将到来的报告要求。
光伏供电混合储能能源管理......
摘要：在电动汽车 (EV) 中，使用多种能源通常可以保证安全行驶，而无需担心续航里程。电动汽车由光伏 (PV)、电池和超级电容器 (UC) 系统供电。这种安排的总体结果是行驶距离增加；电池尺寸减小；反应改善，尤其是在过载情况下；以及电池寿命延长。改进的结果可以高效利用能源，提供舒适的驾驶体验，并且需要更少的能源。在本研究中，讨论了 PV 系统和混合储能系统 (HESS)（包括电池）和 UC 之间的能源管理。提出了称为人工神经网络 (ANN) 和 Aquila 优化算法 (AOA) 的能源管理控制算法。所提出的组合 ANN-AOA 方法充分利用了 UC，同时限制了电池放电电流，因为它还可以缓解高速动态电池充电和放电电流。在 MATLAB 仿真环境中描绘和查看响应行为，以表示负载变化和各种道路状况。我们还讨论了光伏系统、电池和 UC 之间的管理，以实现与现有的改进型和声搜索 (MHS) 和基于遗传算法的比例积分微分 (GA-PID) 相比更高的 91 公里/小时的速度。这项研究的成果可以帮助汽车行业的研究人员和专业人士以及参与设计、维护和评估各种能源和存储系统（尤其是可再生能源）的各种第三方。
光伏/...的最佳能源管理策略
本文旨在为独立混合光伏-电池系统提出一种基于平坦度控制方法的能量管理策略 (EMS)。所提出方法的目标是利用非线性平坦度理论开发一种高效的 EMS，以提供稳定的直流母线电压以及太阳能电池阵列与电池之间的最优功率共享过程。所建议的 EMS 负责平衡 PV 系统和电池的功率参考，同时保持直流母线电压稳定并在其参考值处运行。为了最大化 PV 的功率，使用了基于可变步长 (VSSP 和 P&O) 的扰动观察最大功率点跟踪 (MPPT) 方法和 DC/DC 升压转换器。此外，还开发了 DC/DC 双向转换器来控制电池的充电和放电过程。此外，通过在基于 MATLAB ® /Simulink 的仿真环境中对所提出的 EMS 策略进行验证，使其适应各种场景，包括不同程度的辐射和负载突然变化的场景。结果表明，所提出的 EMS 方法能够保持总线电压稳定，即使负载或太阳辐射发生变化。此外，通过最大限度地减少总线电压尖峰，EMS 技术还确保了出色的电能质量，从而有助于延长电池的使用寿命和提高电池的效率。最后，与各种负载条件下的传统负载跟踪 (LF) 策略相比，所提出的策略具有最小的总线电压过冲率和更高的跟踪效率。
机器人组的设计，分析和实施
摘要：今天，技术正在沿着同一方向发展，以迅速增加的人类需求。为满足这些需求所做的工作使生活每天更轻松。机器人武器与外部用户或执行预定的命令一起工作。如今，每个领域的机器人武器领域最发达的领域是行业和医学领域。该项目的主要重点是设计和开发机器人臂的机制，以供采摘和位置。机器人臂的设计具有5度的自由度，并编程为准确地完成简单的轻型材料挑选，并放置任务以协助任何行业的生产线。3D打印方法用于制造项目的机器人臂组件。因此，它在此方法中提供了更精确的维度以及巨大的时间和节省成本。机器人臂配备了6台伺服电动机，可连接零件并带动臂移动。arduino，一种开源计算机硬件和软件可通过驾驶伺服电动机来修改位置来控制机器人臂。无线控制是通过通过蓝牙模块与Android操作系统一起使用智能手机来完成的。机器人臂正在测试和验证其性能，结果表明它可以正确执行选拔任务。为了建立一个良好的仿真环境，我们使用Fusion 360软件。关键字：机器人臂，轴心，自由度，工作信封和工作量，空间，运动学，有效载荷，拾取和位置机器人，机器人臂，机器人 - 阿杜诺。
环境设计空间：建模和性能更新
环境设计空间（EDS）是为亚音速飞机设计和评估而设计的建模和仿真环境。将其与其他类似框架区分开来的主要功能之一是其执行飞机性能和尺寸，排气排放和噪音预测的能力。由于多个行业标准工具的集成，这三个要素被无缝执行。自2008年的构想以来，EDS已被用来支持多个研究实体和项目，以评估当前和未来的飞机概念和技术。与该领域的专家小组结合，在多年来对其结果和假设进行了校准和修订。因此，它经历了持续的发展，增强了其能力，不仅可以对传统的管子和翼飞机进行建模，还可以对非常规的配置进行建模。在撰写本文的撰写中，其功能范围超出了标准的单线轴和双线轴发动机，包括齿轮风扇，超高旁路涡轮扇形，开放式转子和部分涡轮推进架构。本文概述了如何使用EDS来支持主要的研究。然后，提出了一种开发和校准发动机和飞机模型以匹配现有开源数据的方法。最后，显示了可用的高级发动机和飞机架构的摘要。结果表明，EDS可以创建与现有系统性能紧密相匹配的模型，以及它具有支持未来飞机设计和技术开发研究的功能。
端到端的基于深度学习的路径计划和碰撞检查框架：bin选择应用程序
抽象的实时和效率路径计划对于所有机器人系统至关重要。，对于工业机器人而言，这更为重要，因为总体计划和执行时间直接影响生产线中的周期时间和自动化经济学。尽管在静态环境中问题可能并不复杂，但在计划时间和最佳性方面，经典方法在高维环境中是不可能的。碰撞检查在获得复杂环境中的路径计划的实时解决方案方面提出了另一个挑战。为了解决这些问题，我们提出了一个基于端到端的学习框架，即路径计划和碰撞检查网络（PPCNET）。PPCNET通过使用两个网络顺序计算航路点来生成路径：第一个网络生成了路点，第二个网络确定路径是否在路径的无碰撞段上。端到端培训过程基于模仿学习，该学习使用来自专家规划师的经验的数据聚合来同时培训两个网络。我们利用两种方法来训练一个有效近似确切几何碰撞检查功能的网络。最后，在两个不同的仿真环境中评估了PPCNET，并在用于BIN采摘应用程序的机器人臂上进行了实际实现。与最先进的路径规划方法相比，我们的结果通过以可比的成功率和路径长度大大减少了计划时间，显示出绩效的显着改善。