XiaoMi-AI文件搜索系统
World File Search System地化
在高速公路场景中对自动驾驶汽车的本地化方法的调查
摘要：在高速公路上的自动驾驶汽车的背景下，第一个也是最重要的任务之一是将车辆定位在道路上。为此，车辆需要能够考虑到几个传感器的信息，并将其与来自路线图的数据融合在一起。高速公路上的本地化问题可以蒸馏成三个主要组成部分。第一个是推断车辆目前行驶的道路上的推断。的确，全球导航卫星系统不够精确，无法自行推导此信息，因此需要进行过滤步骤。第二部分包括估计车辆在车道中的位置。最后，第三个也是最后一个旨在评估车辆目前驾驶的车道。这两个组件是必须安全驾驶的，因为诸如车辆之类的行动需要有关车辆当前定位的精确信息。在这项调查中，我们介绍了在高速公路场景中自动驾驶的定位方法的分类法。我们介绍本地化过程的每个主要组成部分，并讨论相关最新方法的优点和缺点。
糖胺聚糖根据其性质和本地化表现出不同的相互作用和与BMP2的信号
糖胺聚糖（GAGS）在调节骨形态发生蛋白（BMP）信号传导中的作用代表了最近和未置换的区域。矛盾的报告提出了双重影响：有些表示积极影响，而另一些则表现出负面影响。这种二元性表明插口的定位（在细胞表面或细胞外基质内）或特定类型的GAG可能决定其信号传导作用。负责BMP2结合的乙酰肝素（HS）的精确硫酸盐模式仍然难以捉摸。BMP2表现出比其他GAG的结合偏爱与HS结合。使用模仿细胞外基质的特征良好的生物材料，我们的研究表明，与硫酸软骨素（CS）相反，HS促进了细胞外空间中的BMP2信号传导，从而增强了细胞表面的BMP2生物活性。进一步的观察结果表明，HS六糖内的中央IDOA（2 s）-GLCNS（6s）三硫化基序可增强结合。尽管如此，BMP2还是对各种HS硫酸盐类型和序列的适应性程度。分子动态模拟将这种适应性归因于BMP2 N末端柔韧性。我们的发现说明了GAG和BMP信号之间的复杂相互作用，突出了定位和特定硫酸化模式的重要性。这种理解对具有针对BMP信号通路的治疗应用的生物材料的发展具有影响。
深度学习的对象检测，智能轮椅医疗保健移动性的本地化和跟踪
摘要：本文介绍了智能电动轮椅的高级驾驶员援助系统（ADA）的开发，以提高残疾人的自主权。我们的用例基于正式的临床研究，基于轮椅室内环境中物体的检测，深度估计，定位和跟踪，即：门和门把手。这项工作的目的是为轮椅提供一个感知层，使以这种方式检测这些关键点在其直接周围的周围，并构建了短期寿命语义图。首先，我们将Yolov3对象检测算法的改编对我们的用例进行了改编。然后，我们使用Intel Realsense相机介绍我们的深度估计方法。最后，作为方法的第三步也是最后一步，我们根据排序算法介绍了3D对象跟踪方法。为了验证所有发展，我们在受控的室内环境中进行了不同的实验。使用我们自己的数据集对检测，距离估计和对象跟踪进行实验，其中包括门和门把手。
机器人本地化由量子算法帮助
本地化是移动机器人技术的关键方面，使机器人能够有效地导航其环境并避免障碍。当前的概率定位方法，例如自适应蒙特卡洛定位（AMCL）算法，是计算密集的，可能会在大图或高分辨率传感器数据中遇到困难。本文探讨了量子计算在机器人技术中的应用，重点是使用Grover的搜索算法来提高移动机器人的本地化效率。我们提出了一种新的方法，可以在2D地图中利用Grover的算法，从而更快，更有效地定位。尽管当前的物理量子计算机存在局限性，但我们的实验结果表明，对经典方法的速度显着，强调了量子计算改善机器人定位的潜力。这项工作弥合了量子计算和机器人技术之间的差距，为机器人定位提供了实用的解决方案，并为未来的量子机器人技术铺平了道路。
loc-net：快速视觉位置识别的本地化卷积尖峰神经网络
4美国加利福尼亚州斯坦福大学的神经外科系，5神经科学计划，伊利诺伊州Urbana-Champaign，伊利诺伊州Urbana-Champaign，伊利诺伊州Urbana，伊利诺伊州Urbana，美国伊利诺伊州伊利诺伊州乌尔巴纳大学的人工智能创新中心，6，伊利诺伊州工程学院，伊利诺伊州，伊利诺伊州乌里诺斯大学，伊利诺伊州乌里诺斯·塞拉纳，工程学院。伊利诺伊州Urbana-Champaign，伊利诺伊州乌尔巴纳大学，伊利诺伊州乌尔巴纳大学工程学，机械科学与工程学，美国伊利诺伊州乌尔巴纳 - 欧巴纳大学分子与综合生理学系8伊利诺伊州乌尔巴纳，美国4美国加利福尼亚州斯坦福大学的神经外科系，5神经科学计划，伊利诺伊州Urbana-Champaign，伊利诺伊州Urbana-Champaign，伊利诺伊州Urbana，伊利诺伊州Urbana，美国伊利诺伊州伊利诺伊州乌尔巴纳大学的人工智能创新中心，6，伊利诺伊州工程学院，伊利诺伊州，伊利诺伊州乌里诺斯大学，伊利诺伊州乌里诺斯·塞拉纳，工程学院。伊利诺伊州Urbana-Champaign，伊利诺伊州乌尔巴纳大学，伊利诺伊州乌尔巴纳大学工程学，机械科学与工程学，美国伊利诺伊州乌尔巴纳 - 欧巴纳大学分子与综合生理学系8伊利诺伊州乌尔巴纳，美国
改进了基于IR的错误本地化，具有智能相关性反馈
摘要 - 软件错误在开发和维护过程中构成了巨大的挑战，从业者将近50％的时间用于处理错误。许多现有技术采用信息检索（IR），使用错误报告和源代码之间的文本和语义相关性来本地化报告的错误。但是，他们经常难以弥合需要深入上下文理解的错误报告和代码之间的关键差距，这超出了文本或语义相关性。在本文中，我们提出了一种用于错误本地化的新技术 - 大脑 - 通过评估与大语言模型（LLM）之间的相关性来解决上下文差距。然后，它利用LLM的反馈（又称智能相关性反馈）来重新调整查询并重新排除源文档，从而改善错误本地化。我们使用基准数据集–Bench4BL和三个完善指标评估大脑，并将其与文献的六个基线技术进行比较。我们的实验结果表明，MAP，MRR和HIT@K的大脑的表现分别超过了87.6％，89.5％和48.8％的利润率。此外，由于相应的错误报告质量较差，因此可以将≈52％的错误定位为无法通过基线技术定位的错误。通过解决上下文差距并引入智能相关性反馈，大脑不仅提高理论，而且可以改善基于IR的错误本地化。索引术语 - Bug本地化，查询重新印象，智能相关性反馈，信息检索，大语言模型，自然语言处理，软件工程
使用您的自动表面车辆的本地化跟踪
摘要。自动型表面车辆（ASV）由于其广泛的应用而成为重要的研究重点。ASV发展中的一个主要挑战是对水面上的物体（例如浮标）的快速而准确的检测和鉴定。本研究研究了Yolov5在ASV上的浮标检测，重点是机器人操作系统（ROS）框架内的路径定位。路径定位用于根据浮标检测来确定血管的路线及其通过测试路径的移动。结果表明，Yolov5在检测ROS生态系统组成部分的凉亭模拟器内检测边界浮标时达到了100％的精度。此外，ASV能够沿着测试路径的中心准确导航，而不会与边界浮标相撞。这项研究有望为ASV技术的发展做出重大贡献。
GHC 本地化策略讲解
全球卫生集群将本地化定义为：“一个协作且动态的过程，旨在使地方和国家参与者（L/NAs）——包括地方公共机构——公平且有意义地参与卫生集群，实现符合人道主义原则的当地主导的卫生响应。”
mllm-sul：在流量方案中的语义场景理解和本地化的多模式大语言模型
摘要 - 多模式大语言模型（MLLM）在许多自动驾驶任务中都表现出令人满意的效果。在本文中，MLLM可用于解决联合语义场景的理解和风险本地化任务，而仅依靠前视图像。在拟议的MLLM-SUL框架中，双分支视觉编码器首先旨在从两种分辨率中提取特征，并且丰富的视觉信息有助于语言模型，以准确描述不同尺寸的风险对象。然后，对于语言生成，美洲驼模型进行了微调，以预测场景描述，其中包含驾驶场景的类型，风险对象的动作以及驱动意图和自我车辆的建议和建议。最终，基于变压器的网络结合了回归令牌，以定位风险对象。在现有的戏剧 - 罗利人数据集和扩展的戏剧-SRIS数据集上进行了广泛的实验表明，我们的方法是有效的，超过了许多基于图像的最新和基于视频的方法。具体来说，我们的方法在现场理解任务中获得了80.1％的BLEU-1分数和298.5％的苹果酒得分，而本地化任务的精度为59.6％。代码和数据集可在https://github.com/fjq-tongji/mllm-sul上找到。
I2P注册通过学习从像素到点相似性的基本对齐特征空间 通过滚动曲线在大规模点云中的全局本地化... ct-lvi：一个朝着连续的激光 - 视觉的框架... AI和大型模型的基础 对象重新识别的功能聚合和连接性 混合现实可视化和人脑的交互式血流动力学计算 Guihua Wang 实时的表面识别系统，用于可变的双头机器人步行速度 lcnet.pdf-科学技术学院
估计相机和激光雷达之间的相对姿势对于促进多代理系统中复杂的任务执行至关重要。尽管如此，当前的方法论遇到了两个主要局限性。首先，在跨模式特征提取中，它们通常采用单独的模态分支来从图像和点云中提取跨模式特征。此方法导致图像和点云的特征空间未对准，从而降低了建立对应关系的鲁棒性。第二，由于图像和点云之间的比例差异，不可避免地会遇到一到一对像素点的对应关系，这会误导姿势优化。为了应对这些挑战，我们通过学习从p ixel到p oint sim Imarlities（i2p ppsim）的基本对齐特征空间来提出一个名为i Mage-p oint云注册的框架。I2P PPSIM的中心是共享特征对齐模块（SFAM）。 它是在粗到精细体系结构下设计的，并使用重量共享网络来构建对齐特征空间。 受益于SFAM，I2P PPSIM可以有效地识别图像和点云之间的共同视图区域，并建立高可责任2D-3D对应关系。 此外，为了减轻一对一的对应问题，我们引入了一个相似性最大化策略，称为点最大。 此策略有效地过滤了异常值，从而确立了准确的2D-3D对应关系。 为了评估框架的功效，我们进行了有关Kitti Odometry和Oxford Robotcar的广泛实验。I2P PPSIM的中心是共享特征对齐模块（SFAM）。它是在粗到精细体系结构下设计的，并使用重量共享网络来构建对齐特征空间。受益于SFAM，I2P PPSIM可以有效地识别图像和点云之间的共同视图区域，并建立高可责任2D-3D对应关系。此外，为了减轻一对一的对应问题，我们引入了一个相似性最大化策略，称为点最大。此策略有效地过滤了异常值，从而确立了准确的2D-3D对应关系。为了评估框架的功效，我们进行了有关Kitti Odometry和Oxford Robotcar的广泛实验。结果证实了我们框架在改善图像到点云注册方面的有效性。为了使我们的结果可重现，源代码已在https://cslinzhang.github.io/i2p上发布。