XiaoMi-AI文件搜索系统
World File Search System单传感器
概率3D多对象合作跟踪，用于自动驾驶通过可区分的多传感器kalman filter
摘要 - 当前的最新自动驾驶车辆主要依靠每个传感器系统来执行感知任务。这样的框架的可靠性可能会受到阻塞或传感器故障的限制。为了解决这个问题，最新的研究建议使用车辆到车辆（V2V）通信与他人共享感知信息。但是，大多数相关的作品仅着眼于合作探测，并让合作社跟踪一个未充满刺激的研究领域。最近的一些数据集（例如V2V4Real）提供3D多对象合作跟踪基准。但是，他们提出的方法主要使用合作检测结果作为标准单传感器Kalman滤波器基于基于Kalman滤波器的跟踪算法的输入。在他们的方法中，可能无法正确估计来自不同连接的自动驾驶汽车（CAVS）的不同传感器的测量不确定性，以利用基于卡尔曼滤波器的基于卡尔曼滤波器的跟踪算法的理论优化属性。在本文中，我们提出了一种新颖的3D多对象合作跟踪算法，用于通过可区分的多传感器卡尔曼滤波器自动驾驶。我们的算法学会了每种检测的测量不确定性，以更好地利用基于卡尔曼滤波器基于卡尔曼滤波器的跟踪方法的理论属性。实验结果表明，与V2V4REAL中最新方法相比，我们的算法仅用0.037倍的通信成本提高了17％的跟踪精度。我们的代码和视频可在URL和URL上找到。
排雷传感器建模和特征级融合... - LISC
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。结构和参数学习算法用于在 BN 模型中编码地雷特征、传感器测量值和环境条件之间的关系。推理用于在存在异质土壤和不同环境条件的情况下估计目标特征。开发了一种在 BN 模型上运行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，特征估计的准确性相对于单传感器测量提高了 64%
基于多传感器融合的数字孪生加法...
摘要 在增材制造 (AM) 中，及早发现和纠正缺陷对于避免构建失败至关重要。在本文中，我们介绍了一种基于多传感器融合的数字孪生，用于机器人激光导向能量沉积过程中的现场质量监控和缺陷校正。多传感器融合源包括声学传感器、红外热像仪、同轴视觉相机和激光线扫描仪。这项工作的主要新颖性和贡献在于开发一种时空数据融合方法，该方法可在零件的 3D 体积内同步和注册多传感器特征。融合的数据集可用于通过机器学习预测特定位置的质量。可以动态识别需要添加或去除材料的区域。生成机器人刀具路径和自动调整的工艺参数以纠正缺陷。与传统的基于单传感器的监测相比，多传感器融合可以更深入地了解底层过程物理，例如孔隙形成和激光-材料相互作用。所提出的方法为更高效率、更少浪费和更清洁生产的自适应 AM 铺平了道路。关键词：增材制造、工业 4.0、多传感器融合、数字孪生、决策联系人：陈乐群 新加坡南洋理工大学 chen1470@e.ntu.edu.sg
基于动态信息分配的联邦过滤器...
多传感器组合导航在水下传感器网络中得到了广泛的应用，它提高了单传感器的跟踪精度，且具有较好的容错能力。多传感器数据融合有两种基本结构：集中式融合和分布式融合。集中式融合将所有数据收集到融合中心进行处理，因此不存在任何数据丢失，集中式融合是最优的，但集中式融合计算和通信负担过重，容错能力差。分布式融合近年来受到越来越多的关注。20世纪90年代，NA Carlson提出了联邦滤波器[1]。联邦滤波器由一个全局滤波器和若干个局部滤波器组成，各局部滤波器彼此独立，采用各自的滤波算法，处理各自的测量信息并生成局部的跟踪路径。全局滤波器只能融合局部滤波器生成的路径[2]。传统的联邦滤波器使用KF作为局部滤波器，这导致传统的联邦滤波器只能跟踪线性运动目标。但测量函数往往是非线性的，KF不能利用非线性信息，因此该算法采用UKF作为局部滤波器。此外，为了识别故障传感器，将动态信息分配设计为子滤波器协方差矩阵的迹与全局协方差矩阵的迹的比值。仿真结果表明，该算法能很好地跟踪非线性系统，且精度优于UKF算法，并且能放大子系统的软故障灵敏度，从而易于识别故障传感器。
贝叶斯网络的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对 BN 模型中的地雷特征、传感器测量值和环境条件之间的关系进行编码。在存在异质土壤和变化的环境条件的情况下，推理用于估计目标特征。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，特征估计的准确性相对于单传感器测量提高了高达 64%，并且同时检测和分类的物体数量增加了高达 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%。
极光：利用被动光学观测确定轨道的下一步发展
在日益拥挤的空间领域，准确及时地确定新物体或机动物体的轨道参数变得至关重要。目前，任何传统的仅基于角度的初始轨道确定 (IOD) 算法都需要至少三次光学观测（每次提供两个独立的角度测量），且时间上相隔很远，才能表现良好。在本文中，我们描述了一种新的传感器加算法工程方法，即 AURORAS（高级单传感器快速轨道重建算法和传感）（正在申请专利），它将大大提高 IOD 的速度和准确性。我们通过同时测量（而不是估计）物体在某一时间点的角位置、角速度和角加速度，获得了定义轨道所需的最少六个独立参数，比目前的传统方法快得多。然后，我们继续描述光学传感器技术的革命以及实现这种方法的算法。我们还将 AURORAS 功能的性能与传统的 IOD 方法进行了比较，发现 AURORAS 在准确性和及时性方面比传统方法高出一个数量级或更多。我们还介绍了一种候选传感器的实际性能以及一种支持 AURORAS 方法的新型未来传感器设计（正在申请专利）。由于 AURORAS 具有差分特性（与许多传统路径积分 IOD 方法不同），因此它很容易应用于任何轨道区域，只要在特定时间点，重力势能可以沿观察者的视线指定。这包括地月环境。
用于多类刀具磨损识别的无监督和半监督机器学习框架
摘要 刀具状态监测 (TCM) 对于确保产品质量和避免停机至关重要。机器学习已被证明对 TCM 至关重要。然而，现有的研究主要基于监督学习，这阻碍了它们在实际制造环境中的适用性，因为在役机器上的数据标记既麻烦又昂贵。此外，现有的无监督解决方案主要处理基于二元决策的 TCM，无法完全反映刀具磨损进展的动态。为了解决这些问题，我们提出了不同的无监督和半监督五类刀具磨损识别框架，分别处理完全未标记和部分标记的数据。底层方法包括拉普拉斯得分、稀疏自编码器 (SAE)、堆叠 SAE (SSAE)、自组织映射、Softmax、支持向量机和随机森林。对于半监督框架，我们考虑了标记数据仅影响特征学习、分类器构建或两者的设计。我们还研究了 SSAE 在监督层面的不同训练配置。我们将框架应用于两个铣刀运行至故障数据集，使用麦克风和加速度计记录。评估中考虑了不同百分比标记训练数据下的单传感器和多传感器数据。结果显示了哪种框架在哪种数据设置下可产生最佳预测性能，并强调了传感器融合和判别性特征表示在应对标签不可用和稀缺性方面的重要性，以及其他发现。两个完全未标记数据的数据集实现的最高宏 F1 分别达到 87.52% 和 75.80%，当只有 25% 的训练观测值被标记时，最高宏 F1 超过 90%。
多点：用于测试多...
多传感器融合是一种关键技术，可以解决众多安全至关重要的任务和应用，例如自动驾驶汽车和自动化的机器人臂。随着数据驱动的人工智能（AI）的持续进步，MSF的感测和理解错综复杂的外部环境的潜力得到了进一步扩大，从而对智能系统，特别是其感知系统产生了深远的影响。类似于传统软件，启用AI的MSF系统也需要足够的测试。然而，现有的测试方法主要集中于单传感器感知系统（例如，基于图像和基于点云的对象检测系统）。仍然缺乏对MSF系统生成多模式测试案例的重视。为了解决这些局限性，我们设计和实施了多测试，这是一种适用于复杂MSF感知系统的健身指导的变质测试方法。Mutitest采用物理感知方法来综合现实的多模式对象实例，并将它们插入背景图像和点云的关键位置。健身指标旨在指导和增强测试过程。我们使用五个SOTA感知系统进行了广泛的实验，以从以下角度评估多性：（1）生成的测试用例现实主义，（2）故障检测能力，以及（3）绩效改善。结果表明，多点可以生成现实且模态的测试数据，并有效地检测到正在测试的MSF系统的数百个不同故障。此外，在由Muttitest生成的测试用例上重新验证MSF系统可以改善系统的鲁棒性。我们的复制软件包和合成的测试数据集可在https://sites.google.com/view/msftest上公开获得。
Phase One 推出配备全局快门的 120MP 广域航空相机
专为国家安全、地理空间情报、搜索和救援应用而设计 哥本哈根，2022 年 1 月 17 日——领先的数字成像技术开发商 Phase One 今天宣布推出 iXM-GS120 航拍相机，旨在满足国家安全和地理情报收集项目的苛刻需求。iXM-GS120 专为无人机 (UAV)、固定翼飞机和直升机而设计，是第一款基于先进全局快门传感器技术设计的广角 120MP 分辨率相机。Phase One 安全与空间副总裁 Dov Kalinski 表示：“Phase One 设计的 iXM-GS120 可在偏远地区的长期任务中可靠、免维护地运行，这通常是国家安全和情报收集活动的典型特征。”“对于传统的检查和测绘应用，地理空间用户会发现新相机可以高效且经济地捕获大量高质量图像。” iXM-GS120 彰显了 Phase One 致力于开发可靠、创新的航空成像解决方案的承诺。单传感器设计结合 120MP 分辨率，可确保快速收集每一帧中广泛关注区域的详细信息，从而缩短飞行时间并提高效率。在处理方面，这种设计还消除了将多传感器相机系统的图像场景拼接在一起的耗时工作。这款新相机是 Phase One 开发的最高效的机载系统。iXM-GS120 集成了 CMOS 全局快门传感器，拥有每秒七帧的出色捕捉率和宽动态范围。高灵敏度、低噪音技术使相机能够在低光照条件下收集数据，从而将其操作窗口每天延长数小时。iXM-GS120 有 RGB 彩色和单色版本可供选择，其应用范围通过广泛的视野选择进一步扩大，可在多种不同的飞机高度和速度下运行。兼容的视野包括从 35 毫米到 300 毫米的一系列镜头。“iXM-GS120 是为每帧图像都至关重要的应用而设计的，”Kalinski 说。“在国家安全活动中，iXM-GS120 将可靠地处理与广域持续监视 (WAPS)、地理空间情报 (GEOINT)、搜索和救援以及其他情报监视侦察 (ISR) 相关的长期任务。”这款紧凑型相机机身重量仅为 630 克，可轻松安装在各种平台上，包括 Group 3 战术无人机，以实现长续航时间操作。了解更多信息，请访问 https://phaseone.ws/security_and_space 观看视频：https://phaseone.ws/ixm_gs120_video