XiaoMi-AI文件搜索系统
World File Search System单传感器
多视图单传感器红外摄像机的固定图案去除噪声
固定图案噪声（FPN）是由于成像传感器的反应中的不均匀性而在视频上存在的时间相干噪声。对于红外视频来说，这是一个常见的问题，它降低了观察者的质量并阻碍了随后的应用程序。在这项工作中，我们引入了FPN删除问题的概括，其中输入数据由具有相同FPN的几个不同序列组成。这是由红外摄像机通过镜子或相机本身（例如用于监视的镜子本身）捕获多个传感器的红外摄像机的动机。与从单个视图中的标准FPN删除问题相比，该多视图设置为FPN进行了更准确的估计。我们提出了一种新型的能量最小化，以进行多视图FPN去除，并提出了可以以离线和线路方式应用的两种优化算法。此外，我们还表明，提出的能量可以适应从单个视图中删除FPN的问题，并具有滚动窗口的方法，从而对最终的状态进行了显着改进。我们通过合成数据和来自监视红外摄像机的真实数据证明了所提出的方法的性能。
比例压力控制器 - 产品目录 PPC 2004-5.0DEF
PPC 有多种配置。PPC5C 可以订购带有单或双传感器、模拟或数字命令信号的型号，用于压力或真空服务。所有其他 PPC 都可以订购带有模拟命令信号的单传感器型号。单传感器 PPC 可以配置内部传感（独立）或外部传感（例如比例多压力 Pak ® ）。双传感器 PPC 可用于控制其他设备，如增压器。带有模拟或数字命令信号的 PPC 的选择取决于可用于该应用的命令设备。大多数 PPC 系列都有带盖或无盖设备可供选择。无盖 PPC 适用于防潮柜或区域，而带盖 PPC 可用于无保护环境（冲洗）。MAC 提供多种特殊修改，旨在满足客户特定的应用要求。如果我们的标准产品选项不能满足您的要求，请联系您当地的 MAC 经销商进行咨询。
用于非侵入性肌电神经界面的生物机制研究，用于上limb假体控制：10年的观点评论
十年前，一群来自学术界和行业的研究人员确定了上限limb假体控制中的工业和学术最先进的二分法，这是一种广泛使用的生物界应用。他们提出，如果解决了四个关键的技术挑战，可以弥合这一差距，并将学术研究转化为临床和商业上可行的产品。这些挑战是不直觉的控制方案，缺乏感觉反馈，鲁棒性和单传感器方式。在这里，我们提供了有关过去十年发生的研究工作的透视审查，目的是应对这些挑战。此外，我们讨论了上限假体控制研究中最新发展至关重要的三个研究领域，但在10年前的评论中没有设想：深度学习方法，表面肌电图分解和开源数据库。为了结束审查，我们为上限假肢及其他地区的研究与发展提供了前景。
移动信息系统特刊... - Hindawi.com
传感器数据融合是将分布在不同地点的多个同类或不同类型的传感器所提供的局部数据资源综合起来，利用计算机技术对其进行分析，以消除多传感器信息之间可能存在的冗余和矛盾，使其相互补充，减少其不确定性，获得对测量对象的一致解释和描述，从而提高系统决策、规划和响应的快速性和正确性，使系统获得更充分的信息。信息融合出现在不同的信息层次上，包括数据级融合、特征级融合、决策级融合。多传感器数据融合技术形成于20世纪80年代，已成为研究热点。与单传感器信息相比，多传感器数据融合具有容错性、互补性、实时性、经济性等优点，因此逐渐得到推广和应用。
一种基于雷达-光电联动控制的多传感器协同探测目标跟踪方法
摘要。雷达是跟踪目标的常用手段，在敌方主动干扰下，常常会导致目标失去跟踪，从而造成雷达失去对目标的连续跟踪。为提高跟踪效果，建立了一种基于雷达光电联动控制的多传感器协同探测目标跟踪方法。研究以雷达光电联动、恒速度(CV)、恒加速度(CA)和电流统计模型(CSM)作为运动目标的数学模型，针对不同运动状态下的目标，以及单传感器电子支援措施(ESM)和多传感器电子支援措施(ESM)、红外搜索与跟踪(IRST)，对比了改进的交互式多模型(IMM)和标准IMM。研究结果表明，在变速运动中，采用改进的IMM算法和多传感器进行目标跟踪，目标的方位角和仰角跟踪误差较小，可以有效解决CV、CA等运动模式转换过程中模型失配的问题。方位角和俯仰角图像曲线波动较小,稳定性较高,该方法可以取得较好的跟踪效果。
基于多传感器信息融合技术的自动驾驶研究
摘要：随着人工智能，深度学习和传感器技术的持续发展，基于多传感器信息融合技术的自动驾驶已成为汽车行业的重要研究方向。本文分析了多传感器信息融合技术，并介绍了在自主驾驶中常用的视觉传感器和雷达传感器。本文得出结论，多传感器技术具有更快，高实时性能和高系统鲁棒性的特征和优势。此外，该技术有效地改善了传统单传感器的缺点，例如单一信息获取，低准确性和不良的实时性能，并为开发自主驾驶技术的发展奠定了良好的基础。同时，许多研究表明，多传感器信息融合技术在道路信息感知，自动停车技术和自动驾驶中的车辆安全系统中具有重要意义和深远的影响。但是，多传播信息融合技术是一种多域，多理论和跨学科技术，因此将其应用于自主驾驶功能时仍面临各种挑战。
分析并增强自动驾驶汽车超声波传感器的安全性
摘要 — 自动驾驶汽车依靠传感器测量路况并做出驾驶决策，其安全性在很大程度上取决于这些传感器的可靠性。在所有障碍物检测传感器中，超声波传感器的市场份额最大，预计将越来越多地安装在汽车上。此类传感器通过发射超声波并分析其反射来发现障碍物。通过利用传感器的内置漏洞，我们设计了针对超声波传感器的随机欺骗、自适应欺骗和干扰攻击，并设法欺骗车辆在应该继续行驶时停止，并让它在应该停止时无法停止。我们对独立传感器和移动车辆进行了攻击验证，包括带有“自动驾驶”系统的特斯拉 Model S。结果表明，攻击不仅会导致传感器失明和故障，还会导致自动驾驶汽车失明和故障，从而导致碰撞。为了增强超声波传感器和自动驾驶汽车的安全性，我们提出了两种防御策略，基于单传感器的物理移位认证（在物理层面验证信号）和多传感器一致性检查（使用多个传感器在系统层面验证信号）。我们对真实传感器的实验和 MATLAB 仿真揭示了这两种方案的有效性。
利用贝叶斯网络进行排雷传感器建模和特征级融合
摘要—开发了一种获取传感器测量过程的贝叶斯网络 (BN) 表示的方法，以便从统一的角度处理传感器融合和管理问题。传感器数据中嵌入的不确定性、可靠性和因果信息用于构建传感器的 BN 模型。该方法用于为人道主义排雷建模探地雷达、电磁感应和红外传感器。采用结构和参数学习算法在 BN 模型中对地雷特征、传感器测量值和环境条件之间的关系进行编码。在存在异质土壤和不同环境条件的情况下，使用推理来估计目标特征。开发了一种基于 BN 模型的多传感器融合技术，以利用传感器测量值的互补性。通过相同的方法，可以获得 BN 分类器来估计目标类型。 BN 模型和分类器还计算所谓的置信度，以量化与特征估计和分类决策相关的不确定性。通过实施这些 BN 工具来检测和分类具有不同形状、大小、深度和金属含量特征的金属和塑料地雷，证明了该方法的有效性。通过 BN 融合，特征估计的准确度相对于单传感器测量提高了 64%，并且同时检测到和分类的物体数量增加了 62%。
利用贝叶斯网络进行排雷传感器建模和特征级融合
摘要—开发了一种获取传感器测量过程的贝叶斯网络 (BN) 表示的方法，以便从统一的角度处理传感器融合和管理问题。传感器数据中嵌入的不确定性、可靠性和因果信息用于构建传感器的 BN 模型。该方法用于为人道主义排雷建模探地雷达、电磁感应和红外传感器。采用结构和参数学习算法在 BN 模型中对地雷特征、传感器测量值和环境条件之间的关系进行编码。在存在异质土壤和不同环境条件的情况下，使用推理来估计目标特征。开发了一种基于 BN 模型的多传感器融合技术，以利用传感器测量值的互补性。通过相同的方法，可以获得 BN 分类器来估计目标类型。 BN 模型和分类器还计算所谓的置信度，以量化与特征估计和分类决策相关的不确定性。通过实施这些 BN 工具来检测和分类具有不同形状、大小、深度和金属含量特征的金属和塑料地雷，证明了该方法的有效性。通过 BN 融合，特征估计的准确度相对于单传感器测量提高了 64%，并且同时检测到和分类的物体数量增加了 62%。
基于机器学习的预测，在使用IMU，心率和智能手表数据的户外娱乐过程中，基于机器学习的预测
背景：跑步提供了许多健康益处，但不幸的是，与跑步相关伤害的高风险（RRI），尤其是由于过度使用而导致的。疲劳监测方法，例如心肺运动测试（CPET）和乳酸浓度测量，对现实世界跑步条件是有效的，但不切实际。可穿戴传感器与新型机器学习（ML）算法相结合，为在现实的室外设置中进行连续实时的实时疲劳监测提供了有希望的替代方案。方法：十九个休闲跑者参加了这项研究 - 在第一实验部分中的第一和五。他们完成了三个不同的室外跑步课程：耐力，间隔和5公里的跑步。参与者配备了七个惯性测量单元（IMU），上面放置在胫骨，大腿，骨盆，胸骨和手腕上，以及心率监测器和智能手表，以收集运动学和生理数据。在第二个实验部分期间，在每次运行期间在特定点上使用感知的劳累（RPE）量表（0到10）的BORG等级测量疲劳，而在第一个实验部分中未收集此类反馈。一种随机的森林回归算法对第二个实验部分的已加工标记数据进行了训练，以每隔1秒的时间预测RPE。该模型是使用嵌套的一项受试者（LOSO）交叉验证框架开发的，并通过随机搜索进行了超参数调整。此机器学习框架被应用于选定的IMU传感器组合，以优化实用性并减少传感器设置。从第一个实验部分，在未标记的数据集上进一步验证了这些传感器配置的最佳模型。结果：单传感器配置（手腕）在RPE预测中达到了最佳性能，平均均方根误差（MSE）为1.89。两传感器设置（大腿）的MSE为2.26，而三个以上的传感器设置（胫骨，大腿和骨盆）记录了2.44的最高MSE。MSE为2.16的整体配置并没有胜过腕部传感器。在所有传感器配置中，耐力试验中的性能最高，然后进行间隔和5 km试验，5公里的试验显示了准确的预测最低的预测。结论：手腕单传感器配置达到了最佳性能，表现优于更复杂的多传感器设置。这些发现表明，更多的传感器不一定提高预测准确性，尤其是在稳定节奏的耐力运行中。未来的研究应着重于扩大样本量，整合更多的生物识别数据，并针对金标准疲劳评估方法（例如肌电图（EMG）和VO2 Max）验证该系统。