XiaoMi-AI文件搜索系统
World File Search System仿真环境
量子方法用于整数小波变换及其...
随着技术进步的快速进步，对高处理和存储能力的需求已大大增加。因此，发现操纵和转换信息的新方法是必要的。一种潜在的解决方案是量子信息处理，它大大减少了存储的数据的量，操作数量以及经典工具（例如小波变换（WT））的复杂性。wt是许多领域的主要工具，例如加密，信号编码，水印，组合，掉头和信息检索。其经典相关性推动其在量子水平上的进展，从而提高了对一，二维和三维量子小波的转换的计算效率。但是，常规的，实价的WT不适用于无损应用，并且在计算上很复杂。整数到整数WT（IWT）是另一种转换，将整数映射到整数，它使用起重方案来执行信号分解分析。此方案降低了计算成本，允许对实价WT进行实践无损应用，并产生新的小波家族。到目前为止，整数版本（Q-IWT）尚无定义的QWT定义，这在量子信息处理中可能很有价值。因此，我们为HAAR，DAUBECHIES和CDF核的一维整数小波转换提出了一种量子方法，包括信号分解和无损压缩的量子算法。此外，我们将使用IBM的仿真环境作为分析和验证的手段。我们将使用复杂性和数学分析，性能，挠性，信号恢复，熵和噪声添加指标评估所提出的转换和压缩应用。
注意差距：自动驾驶汽车的逻辑英语，序言和多代理系统
在本文中，我们提出了一个模块化系统，用于代表和推理，并具有自动驾驶汽车交通规则的法律方面。我们专注于英国高速公路法规（HC）的子集。随着人类驾驶员和自动化车辆（AV）将在道路上进行交互，尤其是在城市环境中，我们声称应该存在一个可访问，统一的高级计算模型，并适用于两个用户。自动驾驶汽车引入了责任转变，不应带来缺点或增加人类驾驶员的负担。我们开发了模型的“硅中”系统。提出的系统由三个主要组成部分构建：使用逻辑英语编码规则的自然语言接口；序言中规则的内部表示；以及基于Netlogo的基于多机构的仿真环境。三个组件相互作用：逻辑英语被转化为序言（以及一些支持代码）； Prolog和Netlogo接口通过谓词。这样的模块化方法使不同的组件能够在整个系统中承担不同的“负担”。它还允许交换模块。给定的NetLogo，我们可以可视化建模规则的效果，并使用简单的动态运行方案验证系统。指定的代理商监视车辆的行为，以确保合规性和记录可能发生的潜在违规行为。然后，验证者利用有关潜在违规行为的信息，以确定违规行为是否应处以惩罚，在异常和案件之间进行区分。
QSIMPY：量子云资源管理的以学习为中心的模拟框架
摘要 - Quantum Cloud Computing是一种新兴的计算范式，可以无缝访问量子硬件作为基于云的服务。但是，有效利用量子资源是具有挑战性的，需要有效的仿真框架才能进行有效的资源管理设计和评估。为了满足这一需求，我们提出了Qsimpy，这是一个新颖的离散事件仿真框架，旨在以主要重点为重点，以促进以学习为中心的方法，以解决云环境中的量子资源管理问题。受到可扩展性，兼容性和可重复性原则的基础，Qsimpy提供了一个基于Simpy的轻量级仿真环境，该环境基于Simpy，这是一种众所周知的基于Python的仿真引擎，用于建模量子云资源和任务操作的动态。我们将体育馆的环境集成到我们的框架中，以支持创建模拟环境，以开发和评估强化学习基于增强学习的技术，以优化量子云资源管理。QSIMPY框架封装了量子云环境的运行复杂性，支持通过DRL方法进行动态任务分配和优化研究的研究。我们还证明了Qsimpy在制定量子任务放置问题的增强学习政策中的使用，并证明了其潜力是对未来量子云研究的有用框架。索引术语 - 量子云计算，量子资源管理，强化学习，离散事件模拟
亚音单一AFT引擎（SUSAN）系统集成分析与未来飞机尺寸工具（FAST）
NASA提出了亚音速单尾电动发动机概念（SUSAN），以满足对电气化飞机设计的不断增长的需求，这有可能将CO 2排放量减少50％并限制航空的环境影响。苏珊的推进系统由一台涡轮扇发动机和16个分布式电动推进器组成。它被设计为一种商业运输，可容纳180名乘客有效载荷，载有2,500海里，同时以0.785的马赫和37,000英尺的速度巡航Susan的设计包括多种高级技术，例如具有边界层摄入，分布式电气推进系统的单个AFT发动机，以及几个州立电动电动子系统。本文整合了在单个建模和仿真环境中为苏珊开发的各种技术和方法。Susan是使用密歇根大学开发的未来飞机尺寸工具（快速）建模的。使用飞机规格和从文献中收集的设计任务概况，快速评估Susan及其集成技术的系统级别的可行性和性能。引入了其他推进系统和BLI模型，以将Susan的先进技术纳入其设计中。由此产生的Susan型号的MTOW为189,394 lbm，OEW为117,460 lbm，设计任务为30,701 lbm的预测块燃料燃烧。Susan模型的高升力比为20.49，鼓励进一步研究这些高级技术如何降低对控制表面尺寸的依赖并提高飞机总体上的效率。快速预测AFT发动机0.4372 lbm/（LBF·HR）的巡航TSFC，其中包括BLI技术的效果。
使用云台机制进行自主无人机应用的主动对象检测和跟踪
摘要：对象识别，本地化和跟踪在计算机视觉应用中起着原始重要性的作用。但是，这仍然是一项极其艰巨的任务，尤其是在需要使用快速移动的无人机需要实时操作的对象的情况下。通常，这些基于视觉的系统的性能受到运动模糊和几何扭曲的影响，仅举两个问题。gimbal系统对于补偿运动模糊并确保视觉流稳定至关重要。在这项工作中，我们使用安装在无人机上的三级式（DOF）gimbal系统研究了主动跟踪方法的优势。提出了一种利用关节运动和视觉信息实时跟踪球形和平面对象的方法。跟踪方法在两个不同的逼真的凉亭仿真环境中进行了测试和评估：3D位置跟踪（球形）的第一个，第二个是6D姿势（平面基准标记）的第二个。我们表明，主动对象跟踪对于无人机应用是有利的，首先是通过减少动作模糊，这是由快速摄像机运动和振动引起的，其次，通过将感兴趣的对象固定在视场的中心内，从而减少了由于外围畸变而引起的重新投射错误。与传统的被动方法相比，结果表明有效的物体估计精度提高了主动方法的精度。更具体地说，一组实验表明，在具有挑战性的运动模式的条件下，在图像失真的情况下，主动的万日跟踪可以提高已知大小移动对象的空间估计精度。
BSK-RL：航天器任务的模块化，高保真增强学习环境
强化学习（RL）是一个高度适应性的框架，用于在广泛的问题领域中产生自主代理。虽然RL已成功地应用于高度复杂的现实世界系统，但大量文献研究了抽象和理想化的问题。尤其是航天器任务领域的情况，在这种情况下，即使是传统的预备方法也倾向于使用高度简化的航天器动力学和操作模型。当在全面模拟中测试简化的方法时，它们通常会导致保守的解决方案，这些解决方案是不可行的次优或侵略性解决方案。因此，需要高保真的航天器仿真环境来评估基于RL的和其他任务算法。本文介绍了BSK-RL，BSK-RL是一种开源Python软件包，用于为航天器任务问题创建和自定义加固学习环境。它结合了Basilisk（一种高速和高保真的航天器仿真框架）与RL环境的标准体育馆API包装器中的卫星任务和操作目标的抽象相结合。该软件包旨在满足RL和航天器操作研究人员的需求：环境参数易于重现，可自定义和随机化。环境是高度模块化的：可以指定卫星状态和操作空间，可以定义任务目标和奖励，并且可以配置卫星动力学和飞行软件，并隐式地引入操作限制和安全限制。可以为考虑沟通和协作的更复杂的任务场景而创建异质的多机构环境。使用包装的培训和部署用于具有资源限制的地球观察卫星。
预赛：世界模型预培训具有可学习的动作表示
摘要。基于模型的强化学习学习以学习决策的最新技术是通过建立有关环境染色体的世界模型来做出决策的。世界模型学习需要与真实环境进行广泛的互动。因此，从大规模视频中提出的几种创新方法，例如APV提出了无监督的预先培训模型，从而使更少的交互作用可以很好地调整世界模型。但是，这些方法仅将世界模型作为一个没有动作条件的视频预测模型预先训练，而最终世界模型则是动作条件。此差距限制了无监督的预训练的有效性，以增强世界模型的能力。为了进一步释放无监督的预训练的潜力，我们引入了一种方法，该方法可以预先培训世界模型，但可以从无动作视频中使用，但具有可学习的动作表示（PRELAR）。特定的是，两个相邻时间步骤的观察结果被编码为一种不断的动作表示，世界模型被预先训练为行动条件。为了使隐式动作表示更接近真实的行动，动作状态的一致性损失旨在自我监督其优化。在微调过程中，实际动作被编码为训练整个世界模型的下游任务的动作表示形式。从元世界仿真环境中对各种视觉控制任务进行了评估。代码可以在https://github.com/zhanglixuan0720/prelar结果表明，拟议的预赛显着提高了世界模型学习中的样本效率，证明了在世界模型预训练中进行不合转行动的必要性。
基于近端策略优化算法及视觉感知的机械臂导纳控制研究
在现代操纵器交互任务中，由于环境的复杂性和不确定性，准确的对象表面建模通常很难实现。因此，改善操纵器与环境之间相互作用的适应性和稳定性已成为相互作用任务的重点之一。针对操纵器的互动任务，本文旨在在视觉指导下实现良好的力量控制。因此，基于Mujoco（带有触点的多关节动力学）物理引擎，我们为操纵器构建了交互式仿真环境，并创新地集成了基于位置的视觉伺服控制和录取控制。通过深度强化学习（DRL）中的近端策略优化（PPO）算法，有效地集成了视觉信息和力量信息，并提出了结合视觉感知的接收性控制策略。通过比较实验，将允许控制与视觉感知相结合，并将力控制的整体性能提高了68.75％。与经典的入学控制相比，峰值控制精度提高了15％。 实验结果表明，在平坦和不规则的凹面环境中，允许控制与视觉感知结合表现良好：它不仅可以准确地执行视觉构成的力控制任务，而且还可以在各种接触表面上维持施工力，并迅速适应环境变化。与经典的入学控制相比，峰值控制精度提高了15％。实验结果表明，在平坦和不规则的凹面环境中，允许控制与视觉感知结合表现良好：它不仅可以准确地执行视觉构成的力控制任务，而且还可以在各种接触表面上维持施工力，并迅速适应环境变化。在精确组装，医疗援助和服务操纵器的领域中，它可以提高操纵器在复杂和不确定的环境中的适应能力和稳定性，从而促进智能操纵器的自主操作的发展。
基于模型的物联网智能系统中的人工智能设计
Pieter J. Mosterman 是位于马萨诸塞州纳蒂克的 MathWorks 高级研究与技术办公室的首席研究科学家兼主任，他在那里从事计算方法和技术的研究。2009 年至 2017 年期间，他担任麦吉尔大学计算机科学学院的兼职教授。在加入 MathWorks 之前，他是德国航空航天中心 (DLR) 的研究员，位于奥伯法芬霍芬。他获得了田纳西州纳什维尔范德堡大学的电气和计算机工程博士学位，以及荷兰特温特大学的电气工程硕士学位。他的主要研究兴趣是计算机自动多范式建模 (CAMPaM)，主要应用于设计自动化、培训系统以及故障检测、隔离和重新配置。 Mosterman 博士设计的电子实验室模拟器于 1994 年被微软公司提名为计算机世界史密森奖。2003 年，他因关于混合键合图建模和仿真环境 HyBrSim 的论文获得了英国机械工程师学会唐纳德·朱利叶斯·格罗恩奖。2009 年，他因担任 SIMULATION：SCS Transactions 主编而获得国际建模与仿真学会 (SCS) 杰出服务奖。Mosterman 博士曾担任 SIMULATION CAMPaM、IEEE Transactions on Control Systems Technology 和 ACM Transactions on Modeling and Computer Simulation 特刊的客座编辑。他主持过 30 多次科学活动，担任 100 多个国际项目委员会成员，发表了 100 多篇同行评审论文，是 100 多项获奖专利的发明人。
虚拟深部脑刺激：使用虚拟大脑对尖峰基底神经节模型和全脑平均场模型进行多尺度联合模拟
- 我们实现并验证了一种针对基底神经节内和周围皮层下区域的脉冲网络模型的联合仿真方法，并将其与每个皮层区域的平均场网络模型相结合。 - 我们的模拟基于一个规范的连接组，包括皮层和基底神经节区域之间的详细路径，并结合了健康对照者和帕金森病患者的特定受试者优化权重。 - 我们通过证明所实现的模型在静息状态下显示出生物学上合理的动态来提供概念证明，包括虚拟患者的丘脑活动减少，以及虚拟深部脑刺激期间的丘脑活动正常化和主要在额叶区域的分布改变的皮层活动。 - 所提出的联合仿真模型可用于为个别患者定制深部脑刺激。摘要深部脑刺激 (DBS) 已成功应用于各种神经退行性疾病，作为一种有效的对症治疗。然而，它在大脑网络中的作用机制仍然知之甚少。许多虚拟 DBS 模型将基底神经节周围的子网络及其动态分析为脉冲网络，其细节由实验数据验证。然而，连接组学证据表明 DBS 的广泛影响影响了许多不同的皮质和皮质下区域。从临床角度来看，除了运动影响之外，DBS 的各种影响也已得到证实。神经信息学平台虚拟大脑 (TVB) 提供了一个建模框架，使我们能够虚拟地执行刺激（包括 DBS），并在进行 DBS 导线置入的侵入性手术之前从动态系统的角度预测结果。为了准确预测 DBS 的影响，我们实施了一个详细的基底神经节脉冲模型，并通过我们之前开发的联合仿真环境将其与 TVB 相结合。这