XiaoMi-AI文件搜索系统
World File Search System动态模型
基于地形力学的动态模型...
摘要 - 基于Terramogealics的轨道车辆（TRV）的动态模型被广泛用于动态分析中。但是，由于其高复杂性和计算成本，这些模型与基于模型的控制器设计不相容。本研究提出了一种新型且简化的基于TRAMEGRAINIC的动态模型，可用于基于优化的实时运动控制器设计。到此为止，我们使用轨道剪切应力的平均项近似轨道的相互作用，以使模型在计算上有效且可线化。通过在轮式车辆场中引入滑动比和滑动角的概念，最终将基于Terramogearics的动态模型简化为紧凑而实用的单轨动态模型，从而降低了对精确滑移比的需求。单轨模型使我们能够通过分别考虑侧面和纵向动力学来设计有效的运动控制方案。最后，在各种道路条件下使用实际TRV对提出的动态模型进行了验证和验证。此外，在模拟中比较了不同模型的性能，以证明所提出的模型在TRV路径遵循任务中的表现优于现有模型。
表演性人-ML协作的动态模型
机器学习（ML）模型越来越多地用于各种应用程序，从电子商务的推荐系统到医疗保健的诊断预测。在本文中，我们提出了一个新颖的动态框架，用于思考ML模型在表现性的人类ML协作系统中的部署。在我们的框架中，ML建议的引入更改了人类决策的数据生成过程，这只是代理地面真理，然后将其用于培训模型的未来版本。我们表明，这种动态过程原则上可以收敛到不同的稳定点，即ML模型和人+ML系统具有相同的性能。相对于实际地面真理，这些稳定点中的一些是最佳的。我们对1,408名参与者进行了经验用户研究，以展示此过程。在研究中，人类在机器学习预测的帮助下解决了背包问题的实例。这是一个理想的环境，因为我们可以看到ML模型如何学会模仿人类的决策以及该学习过程如何收敛到稳定点。我们发现，对于许多ML性能，人类可以改善ML预测，以动态达到最大背包值的92％的平衡性能。我们还发现，如果人类合理地遵循ML建议，平衡性能可能会更高。最后，我们测试货币激励措施是否可以提高人类决策的质量，但我们找不到任何积极的影响。我们的结果对在人类决策可能偏离无可争议的基础真理的情况下部署ML模型具有实际意义。
大流行，激励和经济政策：动态模型
大流行的出现是一种外源性休克，但是传染的动态非常内源性 - 取决于个人在激励措施中做出的选择。在这样的事件中，经济政策不仅可以减轻经济损失，而且可以通过影响大流行本身的轨迹的激励措施来产生改变。我们在经济的动态平衡模型中发展了这一想法。就像在传统的Sir模型中一样，感染率取决于人们在家中花费多少时间而不是在家外工作。但是，在我们的模型中，是否要上班是一个个人做出的决定，他们在今天外部工作与更高的感染风险以及预期的未来经济和健康相关的损失做出了更高的薪水。结果，大流行动力学取决于在常规模型中无关的因素。特别是，期望和前瞻性行为至关重要，可能导致均衡，经济活动，感染和死亡的水平不同。分析得出新颖的政策课程。例如，嵌入类似于《美国照顾法》的财政包装中的激励措施可能导致两种感染波。
流行病、激励措施和经济政策：动态模型
疫情的爆发是一种外生冲击，但传染的动态在很大程度上是内生的——取决于个人在激励下做出的选择。在这种情况下，经济政策不仅可以通过减轻经济损失来发挥作用，还可以通过影响疫情本身轨迹的激励来发挥作用。我们在受疫情影响的经济体的动态均衡模型中发展了这一想法。与传统的 SIR 模型一样，感染率取决于人们在家里和外出工作的时间。但在我们的模型中，是否外出工作是由个人做出的决定，他们在今天外出工作的更高报酬与更高的感染风险以及预期的未来经济和健康相关损失之间做出权衡。因此，疫情动态取决于传统模型中无关的因素。特别是，预期和前瞻性行为至关重要，可能导致具有不同水平的经济活动、感染和死亡的多重均衡。分析产生了新的政策教训。例如，类似于美国《关怀法案》的财政方案中所包含的激励措施可能会导致两波感染。
任何步骤动态模型都改善了未来的pre
基于模型的增强学习方法提供了一种有希望的方法来通过促进动态模型中的政策探索来提高数据效率。但是，由于自举预测，在动力学模型中准确预测的顺序步骤仍然是一个挑战，该预测将下一个状态归因于当前状态的预测。这会导致模型推出期间积累的错误。在本文中，我们提出了ny-step d ynamics m odel（adm），以通过将引导预测减少为直接预测来减轻复合误差。ADM允许将可变长度计划用作预测未来状态的输入，而无需频繁地引导。我们设计了两种算法，即ADMPO-ON和ADMPO-OFF，它们分别适用于在线和离线模型的框架中。在在线设置中，与以前的最新方法相比，ADMPO-ON显示出提高的样品效率。在离线设置中，与最近最新的离线方法相比，ADMPO不仅表现出优异的性能，而且还可以更好地使用单个ADM来更好地了解模型不确定性。该代码可在https://github.com/lamda-rl/admpo上找到。
dfvlr-风洞中的动态模型测试
Icas.org › ICAS1980 › ICAS-80-23.2.pdf PDF 作者：K Wilhelm — 作者：K Wilhelm 风洞试验，各种信息... 先进控制概念的测试需要其他方法来获取... (1) 产生以下一组。 15 页
通过将随机天气发生器与动态模型相结合
进行准确的亚季节预测仍然是科学界的挑战（White等人2022）。中期时间范围位于中期每日天气预报和季节性预测之间（Vitart等人，2017年）。为了改善季节前的前提，已经做出了巨大的努力来理解不同的过程，相互作用和可预测性的来源（Domeisen等人。，2022; Robertson＆Vitart，2019年； White等。，2022）。中季可预测性与大气，海洋和土地过程有关（Robertson＆Vitart，2019年）。亚季节范围最重要的预性能力来源如下：Madden-Julian振荡（Lau＆Waliser，2011; Vitart等人，2017年），由于其对热带和外界全球天气的影响（Cassou，2008; Deflorio等人，2019年）;土壤水分（Koster等人，2010年），因为这会影响较低的大气温度和局部预言（Domeisen等人，2022; Wei＆Dirmeyer，2019年）；雪覆盖（Lin＆Wu，2011年），尤其是极地和中纬度地区（Penny等人，2019年）;海洋条件（Woolnough等人，2007年），显示出在某些地区增强降水和温度预测的能力（Subramanian等人，2019年）;以及对降水和温度的影响滞后的strato-everhere（Butler等人，2019年）。，2020年；纽曼等人。，2003年； Rashid等。，2011年； Vitart，2014年）。，2022; Mariotti等。改善亚季节预测还与模型物理的改善有关，通过纳入了地球系统的辅助过程和许多组成部分，例如海洋和海冰，以及在与前面提到的可预测性不同来源之间相互作用相关的初始条件下的不确定条件（Merryfield等。下午预测变得更加准确（Robertson＆Vitart，2019年）。NWP的预测在过去几十年中有所改善（Magnusson＆Källén，2013年）。NWP模型已从概率的方法转变为概率方法。的确，集合（概率）预测通过为预测变量产生一组概率来帮助捕捉大气混乱（Palmer，2000）。因此，一个概率的预测通过更大的结合预测提供了最有可能的情况和与之相关的不确定性，从而可以更自信地验证亚季节预测。由于上述所有努力，亚季节合奏预测已经展示了其潜在的，以提供有价值的预测和早期对重大气候和天气事件的警报（Domeisen等人，2018年； Robertson＆Vitart，2019年）。这些
系统级别的安全护罩：通过不确定的神经网络动态模型
摘要在许多对照和机器人应用程序中都考虑了神经网络（NN）作为黑框函数近似器。但是，在不确定性存在下验证整体系统安全的困难阻碍了NN模块在安全至关重要的系统中的部署。在本文中，我们利用NNS作为未知染色体系统轨迹跟踪的预测模型。我们在存在固有的不确定性和其他系统模块的不确定性的情况下考虑控制器设计。在这种情况下，我们制定了受约束的传播跟踪问题，并表明可以使用混合智能线性程序（MILP）对其进行求解。在机器人导航和通过模拟避免障碍物中，基于MILP的方法在经验上得到了证明。演示视频可在https://xiaolisean.github.io/publication/2023-11-01-L4DC2024获得。关键字：神经网络，系统级安全，不确定性，轨迹跟踪
基于车辆动态模型导航中气动系数自校准的研究
摘要：基于车辆动态模型 (VDM) 的导航性能在很大程度上取决于先验未知的气动系数的准确确定。在模型模拟或风洞实验分析等不同技术中，通过有利于全球导航卫星系统 (GNSS) 定位的状态空间增强进行自校准的方法是一种有趣且经济的替代方案。我们在模拟下研究这种技术，目的是确定飞机机动对气动系数之间以及与其他误差状态的精度和（去）相关性的影响。不同机动的组合表明对于获得令人满意的气动系数估计并减少其不确定性至关重要。
用于主动农场控制的风力涡轮机偏航动态模型
图 3 (A) 根据方程 (11)，建模的时间延迟（以秒为单位）与流向距离 x 的关系，其中积分上限为 x，不同的颜色代表不同的偏航角。 (B) 建模的两个涡轮机之间的时间延迟（以秒为单位）与第一个涡轮机的偏航的关系。 对于该测试，涡轮机直径为 100 m，涡轮机轮毂高度也是 100 m，自由流速度为 U ∞ = 7:77 m/s，并通过设定摩擦速度 u ∗ = 0:45 m/s 来确定，然后使用方程 U ∞ =ðu∗lnðzh=z0ÞÞ=0:4 来找到轮毂高度的自由流速度。局部推力系数为 C0T = 4 = 3，尾流膨胀系数由公式确定：kw = u∗ = U∞ = 0:0579