XiaoMi-AI文件搜索系统
World File Search System动态环境
动态环境中的战略规划
摘要 企业传播规划正处于转型期。在 VUCA 世界中，规划必须适应不稳定、不确定、复杂和模糊的环境。战略规划分析、计划、实施和评估传播计划或活动，但同时需要变得越来越敏捷。本文提出了战略规划正在从传统的、相当线性的方法向新的、更具动态性的模型演变的论点。基于文献，通过将设计思维原则、实践和技术引入传播研究的知识体系，提供了一种新的视角。因此，本文将设计思维作为一种思维方式和一种在企业传播规划中创造性解决问题的手段。一项在德国传播机构和咨询公司中进行的定性研究的结果表明，设计思维的元素已被实践者使用和实施。研究确定至少有五种类型的实现，其中三种与设计思维有明显的联系。基于这些发现，一种模块化、以利益相关者为中心的传播规划方法被概念化。
复杂和动态环境中的微状态 - BORIS
图 4 EEG 和伪影：(a) 参考点的变化降低了频谱中的飞机结构振动模式，如飞行前和飞行时 Cz 电极中的原始信号所示。(b) 和 (c) 中显示了 ICA 表征的一些说明性伪影。我们选择了相应 IC 活动的 1 分钟特征段。数据被分段以方便可视化。发动机故障发生在第 30 段左右。(b) 显示与发动机相关的组件，其活动呈现周期性模式，当发动机关闭时停止。(c) 说明与参与者运动相关的组件，其特征是短暂的峰值
复杂动态环境中的微状态 - BORIS
图 4 EEG 和伪影：(a) 参考点的变化降低了频谱中的飞机结构振动模式，如飞行前和飞行时 Cz 电极中的原始信号所示。(b) 和 (c) 中显示了 ICA 表征的一些说明性伪影。我们选择了相应 IC 活动的 1 分钟特征段。数据被分段以方便可视化。发动机故障发生在第 30 段左右。(b) 显示与发动机相关的组件，其活动呈现周期性模式，当发动机关闭时停止。(c) 说明与参与者运动相关的组件，其特征是短暂的峰值
动态环境中的操纵器技能再现的自适应框架
摘要 - 在不确定和动态环境中的机器人技能学习和执行是一项具有挑战性的任务。本文提出了一个自适应框架，该框架结合了从演示中学习（LFD），环境状态预测和高级决策。主动的适应性阻止了反应性适应的需求，这落在环境中的变化之后而不是预期它们背后。我们提出了一种新颖的LFD表示，即弹性拉普拉斯轨迹编辑（ELTE），它不断地适应轨迹形状，以预测未来状态的预测。然后，使用无用的卡尔曼过滤器（UKF）和Hidden Markov模型（HMM）的高级反应性系统可防止基于离散决策集的动态环境的当前状态中的不安全执行。我们首先在模拟中验证我们的LFD表示，然后在36个真实世界中使用腿部移动操纵器在实验中评估整个框架。我们在环境中不同的动态变化下显示了拟议框架的效率。我们的结果表明，所提出的框架会产生强大而稳定的自适应行为。
优化方法在动态环境中改善视觉猛击
是针对一个问题，即经典视觉大满贯系统的鲁棒性受到环境中动态目标特征点的极大影响，提出了一种使用目标检测算法来识别和消除动态目标特征点的方法。首先，使用目标检测算法yolov5识别收集的环境图像，然后选择周围环境。对象被识别为环境中的动态目标，然后将目标检测结果集成到视觉猛击前端的特征提取中，删除了提取图像特征点的动态目标部分的特征点，其余的静态特征点用于映射构造和定位，并在TUM DATA集合上进行测试。结果表明，在使用目标检测算法来消除动态特征点后，在高度动态的场景中，视觉SLAM系统的绝对轨迹误差的根平方误差将减少97.89％，从而有效提高了系统的定位准确性和鲁棒性。
从动态环境中多步操作任务的演示中的逻辑学习
摘要 - 从演示中学习（LFD）是将类似人类技能授予机器人的有效框架。然而，设计一个能够无缝模仿，推广和反应在动态环境中长期地平线操纵任务的干扰的LFD框架仍然是一个挑战。为了应对这一挑战，我们提出了Logic-LFD，该逻辑LFD将任务和运动计划（TAMP）与动态运动原始词（DMP）的最佳控制配方相结合，从而使我们能够合并运动级别的Via-via-via-via-via-via-vie-vie-aint-vie-viarpoint规范并处理任务级别的变化或动态环境中的干扰。我们对我们提出的方法对几个基线进行了比较分析，从而评估了其在三个长马操纵任务中的概括能力和反应性。我们的实验证明了逻辑LFD的快速概括和反应性，用于处理任务级别的变体和长距离操纵任务中的干扰。项目网页：https：//sites.google.com/view/logic-lfd
在线多机器人覆盖路径在动态环境中通过信息素的增强学习
摘要 - 两种有希望的覆盖路径计划方法是基于奖励和基于信息素的方法。基于奖励的方法允许自动学习启发式方法，通常会产生优于手工制作的规则。另一方面，基于信息素的方法在放置在不熟悉的环境中时始终显示出卓越的概括和适应能力。为了获得两全其美的最好，我们引入了贪婪的熵最大化（GEM），这是一种混合方法，旨在最大程度地提高一群像均质蚂蚁的代理商沉积的信息素的熵。我们首先在可实现的熵上建立一个尖锐的上限，并表明这对应于最佳的动态覆盖路径计划。接下来，我们证明，尽管剥夺了基本必需品，例如记忆和明确的交流，但GEM仍在紧密接近这一上限。最后，我们表明，宝石可以在恒定时间内异步执行，从而使其随意扩展。