XiaoMi-AI文件搜索系统
World File Search System地形
从视觉识别地形物理参数
摘要 - 识别周围环境的物理特性对于机器人的运动和导航对于处理非几何危害（例如湿滑和可变形地形）至关重要。机器人在接触之前预测这些极端的物理特性将是很大的好处。但是，从视力中估算环境物理参数仍然是一个开放的挑战。动物可以利用他们先前的经验以及对自己所看到的东西和感受的了解来实现这一目标。在这项工作中，我们为基于视觉的环境参数估计提出了一个跨模式的自我监督学习框架，这为未来的物理范围内的运动和导航铺平了道路。我们弥合了在模拟中训练和识别视力的物理地形参数的现有政策之间的差距。我们建议在模拟中训练物理解码器，以预测多模式输入的摩擦和刚度。训练有素的网络允许以自我监督的方式将现实世界图像标记，以在部署过程中进一步训练视觉网络，这可以密集地预测图像数据的摩擦和僵硬。我们使用四倍的Anymal机器人在模拟和现实世界中验证物理解码器，表现优于现有基线方法。我们表明，我们的视觉网络可以预测室内和室外实验中的物理特性，同时允许快速适应新环境。- 项目页面https://bit.ly/3xo5aa8 -
具有漫游地形的漫游车导航的经验
引言月球的诱惑很强 - 人类再次应对挑战。一个有前途的近期场景是将一对流浪者降落在月球上，并参与多年1000公里的历史景点，包括阿波罗11号，测量师5，游侠8，阿波罗17和Lunokhod 2 [6]。在这种情况下，流浪者将以自主或保护的监督控制模式进行操作，并将其周围环境的连续实时视频传输到地球上的操作员。虽然这种任务的硬件方面令人生畏 - 电源，热，通信，机械和电气可靠性等。- 软件控制方面同样具有挑战性。特别是，流动站需要能够在各种地形上行驶并维护其操作的能力。以前的行星机器人（尤其是Lunokhod 2和Viking的手臂）的经验说明了远程操作员的费力和不可预测的时间延迟的漫画。更好的操作模式是监督远程运行，甚至是自动操作，其中流动站本身负责做出许多维持进度和安全所需的决定。我们已经开始了一项计划，以开发和演示技术，以在月球般的环境中启用远程，保护的远程操作和自动驾驶。特别是，我们正在研究立体声的技术
地形脑肿瘤解剖结构驱动风险并启用基于机器学习的预测
目的：本研究的目的是在初次诊断脑肿瘤时确定癫痫发作的相关风险因素，并开发和验证基于机器学习的预测，以允许基于风险的抗癫痫疗法进行量身定制。方法：临床，电生理和高分辨率成像数据是从1051例新诊断的脑肿瘤的连续队列中获得的。与因子相关的癫痫发作风险差异允许确定特定地形，人口统计学和组织病理学变量在诊断时可用的癫痫发作风险时可用的相关性。数据以70/30的比例分为培训和测试集。在选择高性能的同时选择其可追溯性的广义添加剂模型（GAM）之前，对基于机器学习的不同预测模型进行了评估。基于风险因素的临床分层，对三个不同的GAM进行了培训和内部验证。结果：总共923名患者有完整的数据并包括在内。可以确定驱动癫痫发作风险的特定地形解剖模式。脑肿瘤的异质，介质或原发性运动/s骨或躯体的新染色性结构导致癫痫发作风险的显着且临床上相关的增加。虽然地形输入与GAM最相关，但最好的预测是通过形态，人口统计学和组织病理学信息的组合来实现的（验证：AUC：0.79，准确性：0.72，灵敏度：0.81，特异性：0.66）。结论：本研究将特定的系统发育解剖模式鉴定为癫痫驱动因素。GAM允许使用地形，人口统计学和组织病理学数据预测癫痫发作风险，从而在保持透明度的同时实现了公平的表现。
设计自动火星漫游者在动态地形中导航的自适应速度避免系统
文章历史：在过去的十年中，已经开发了各种基于速度障碍的方法，以避免动态环境中的碰撞。但是，这些方法通常仅限于处理几个障碍，连续的相遇或缺乏安全地形的安全保证。本文提出了使用速度障碍法的自适应碰撞避免策略，旨在使自主火星流浪者能够安全地驾驶动态和不确定的地形，同时避免多个障碍。该策略构建了自适应速度锥体，考虑了动态障碍和地形特征，从而确保了连续的安全性，同时将漫游者引导到其航路点。我们在模拟的MARS探索方案中实施了策略，代表了具有挑战性的多OSTACLAS任务。模拟结果表明，我们的方法通过增加安全距离来增强性能，使其非常适合自主行星探索，在这种情况下，避免碰撞对于任务成功至关重要。
伊德斯物种地理传播的地理空间建模与拉各斯州的气候和地形因素有关，尼日利亚
埃德斯属的蚊子疾病载体的生态和生物学具有高度动态性，适应了各种气候和地形因素，这使其控制挑战。基于证据的蚊子的控制需要在这种适应性的地位下进行详细的详细信息，这受到环境动态的极大影响。了解其分布的驱动因素与预测疾病风险有关。为了更好地了解驱动因素和动力学，我们研究了埃德斯蚊子在尼日利亚的拉各斯州的分布及其与气候和人为因素的联系。幼虫和成年人是从拉各斯州的八个地方政府地区（LGA，四个城市和四个乡村）收集的，导致98个发生点。使用23个环境变量，我们对AEDES SPP的地理分布进行了建模。在当前气候条件下。人口密度被覆盖以估计灰牛病毒疾病的风险。尽管在所有八个LGA中都发现了埃德斯蚊子，但物种分发量差异很大。在整个LGA中都发现了埃及伊蚊和艾德斯白化病，并具有物种分配的证据。实际上，所有LGA都被预计是埃德斯蚊子的高度合适的环境，其中只有两个LGA中等适当的环境。人为因素，包括广泛的轮胎积累，有助于埃及埃及和艾德斯白化病的幼虫栖息地可用性。与农村地区相比，人口密度较高的城市地区也与幼体栖息地的可用性增加有关。人口密度较高的城市地区也与幼体栖息地的可用性增加有关。此外，该模型表明，与Ogun状态共享BOR DER是AEDES SPP的高度合适的环境。我们的研究强调，最冷的季度的主要促成艾edes分布的主要因素是降水和温度。本文旨在了解人类和气候因素如何影响拉各斯州的埃德斯蚊子分布，这对于防止疾病传播至关重要。
超越分区的大脑地形图：功能图的局部梯度
功能性神经成像提供了独特的机会，可以根据大脑区域对任务或正在进行的活动的反应来描述大脑区域。因此，它具有捕捉大脑空间组织的前提。然而，描述这种组织的概念框架仍然难以捉摸：一方面，分区隐含地建立在分段常数组织上，即由清晰边界分隔的平坦区域；另一方面，最近流行的功能梯度概念暗示了一种平滑的结构。注意到这两种观点都趋向于将功能特征的局部变化拼凑在一起的拓扑方案，我们对基于局部梯度的模型进行了定量评估。使用功能性磁共振成像 (fMRI) 数据的预测作为驱动案例——具体来说，从受试者的静止 fMRI 图中预测任务 fMRI——我们基于参考拓扑词典开发了一个逐块线性回归模型。我们的方法使用多个随机分区——而不是单个固定分区——并汇总这些分区的估计值以预测遗漏受试者的功能特征。我们的实验证明了分割的最佳基数的存在，以捕捉功能图的局部梯度。
完整的格陵兰冰盖融化的地形控制临界点
摘要。人为气候变化的主要影响是临界点的穿越，这可能具有严重的序列，例如格陵兰冰盖的完全质量损失（GRIS）。目前，GRIS以加速速率损失质量，这主要是由于其表面质量平衡急剧下降（SMB；雪积聚和从熔体和相关径流中降雪和表面消融之间的平衡）。先前关于Gris完全熔体阈值的大小和性质的工作仍然存在争议。在这里，我们探索了GRIS完整融化的潜在SMB阈值；表面熔体和冰川等静态式（GIA）在确定该阈值时的影响和相互作用； GRIS是否表现出通常与临界点相关的特征，例如对外部强迫的敏感性。为此，我们通过在多个高程类中循环不同的SMB气候来迫使社区冰盖模型V.2（CISM2）迫使社区地球系统模型v.2（CESM2）在高度的CESM2 – CESM2 – CISM2瞬时全球气候和GRIS在高CO下的近距离模拟。CESM2中的SMB计算已通过现代观测和高分辨率建模进行了评估，其中包括对表面熔体和雪 - 烟雾过程的高级代表。我们发现了完全GRIS熔体为230±84 Gtyr -1的正阈值，对应于
在大脑珊瑚地形中记录的火星的最新气候变化。 A. M. Morgan 1，A。M. Morgan 1，K。A. Pearson 2，E。Z. Noe Dobrea 1和A. Alti
简介：推定冰川地形在火星上的分布和形态为亚马逊晚期的气候历史提供了宝贵的视觉。同心火山口填充（CCF），小叶碎屑围裙（LDA）和线条谷填充（LVF），所有这些都被认为是碎屑覆盖的冰川沉积物[1]，[2]，[3]，[3]，[4]，通常被其核心地形覆盖，并以其核心地形命名，其重新层次的人类大脑或水平的人类大脑coral brancal braintal to Aqualtic to Aqualtic coral coral coral coral coral coral coral coral coral coral coral coral coral coral。提出的针对大脑珊瑚地形的形成机制包括粉尘丰富的冰矿床的升华[2]，升华和灰尘填充的循环[5]，或由冻结冻结产生的岩石分类过程，类似于地球上排序的石头圈子[6]。后者将暗示偶发性融化，并具有关于火星近地面可居住性的天文学含义。大脑珊瑚降雨表面可以追溯到晚期亚马逊人[2]，[5]，[7]，尽管以前的研究受到了小型研究领域的阻碍，并且高分辨率的Hirise Hirise图像的可用性受到了阻碍。我们通过采用了一种新颖的深度学习方法来建立这些先前的研究，可以有效地绘制整个火星表面的脑珊瑚地形[8]，在这里，我们使用火山口统计来解释火星最近的地质和气候历史。
碳捕获，利用率和存储中的地下地形空间智能：离岸存储站点选择的机器学习方法
本研究介绍了一个创新的数据驱动和机器学习框架，旨在准确预测特定离岸CO 2存储站点的站点筛选研究中的站点分数。框架无缝将各种地下地面地面数据源与人类辅助专家加权标准集成在一起，从而提供了高分辨率筛选工具。量身定制，以适应不同的数据可访问性和标准的重要性，这种方法考虑了技术和非技术因素。其目的是促进与碳捕获，利用率和存储相关的项目的优先位置（CCUS）。通过汇总和分析地理空间数据集，该研究采用机器学习算法和专家加权模型来识别合适的地质CCUS区域。此过程遵守严格的安全性，风险控制和环境指南，以解决人类分析可能无法识别模式并在合适的现场筛选技术中提供详细见解的情况。这项研究的主要重点是弥合科学探究和实际应用之间的差距，从而促进了CCUS项目实施时明智的决策。严格的评估包括地质，海洋学和环保指标为决策者和行业领导者提供了宝贵的见解。确保已建立的离岸CO 2存储设施的准确性，效率和可扩展性，建议的机器学习方法进行基准测试。这种全面的评估包括使用机器学习算法，例如极端梯度提升（XGBoost），随机森林（RF），多层极限学习机器（MLELM）和深神经网络（DNN），以预测更合适的场地分数。在这些Al Gorithm中，DNN算法在现场得分预测中最有效。DNN算法的优势包括非线性建模，功能学习，规模不变性，处理高维数据，端到端学习，转移学习，表示形式学习和并行处理。The evaluation results of the DNN algorithm demonstrate high accuracy in the testing subset, with values of AAPD (Average Absolute Percentage Difference) = 1.486 %, WAAPD (Weighted Average Absolute Percentage Difference) = 0.0149 %, VAF (Variance Accounted For) = 0.9937, RMSE (Root Mean Square Error) = 0.9279, RSR (Root Sum of Squares Residuals) = 0.0068和r 2（确定系数）= 0.9937。
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。