XiaoMi-AI文件搜索系统
World File Search System定位数据
先进的射电望远镜技术“探寻”太空之谜
《澳大利亚天文学会刊物》刊登的研究结果表明，利用这项新技术发现了两个快速射电暴和两颗偶发中子星，并改进了四颗脉冲星的定位数据。此后，他们又发现了 20 多个快速射电暴。
陆地巡检机器人关键技术及其在水产养殖中的应用前景
陆地巡检机器人在执行各种任务时，需要感知周围 环境、定位自身位置、识别目标对象等，这些功能的实 现都依赖于传感器为机器人提供与外部环境交互的 “ 感 知器官 ” 。传感器是陆地巡检机器人的重要组成部分， 能够感知周围环境并获取相关信息，帮助机器人感进行 自主导航、避障、监测、抓取等工作。曹现刚等 [ 13 ] 设计 一种固定柔性轨道式悬挂巡检机器人平台，以解决煤矿 井下特种巡检机器人在三维环境重建和非结构环境运动 轨迹规划等关键技术，利用轨道，降低轨道铺设，为煤 矿环境巡检提供新的特种巡检平台。张书亮等 [ 14 ] 研究了 室内移动机器人的定位问题，提出融合轮式里程计、惯 性测量单元 IMU(inertial measurement unit) 、超宽带 UWB(ultra wide band) 和激光雷达定位数据的方法，依次 对不同传感器的定位数据进行融合，提高室内移动机器 人的定位精度。梁莉娟等 [ 15 ] 建立场景环境坐标系，利用 传感器探测出障碍物信息，对探测到的障碍物进行定位， 制定激光近场探测传感器的动态避障行为。李琳等 [ 16 ] 提 出基于条纹式激光传感器的机器人焊缝跟踪系统，采用 机器人末端安装条纹激光传感器，通过小波变换模极大 值理论分析焊缝轮廓，确定焊缝特征点。王正家等 [ 17 ] 提 出一种基于多传感器的机器人夹取系统，融合机器人内 置传感器所测量的位置、速度和角度等信息，利用外置 传感器完成对目标物的自动识别与定位。 2.1.1 传感器的使用场景及应用分类
使用多架遥控飞机检测海洋水族馆环境漏油情况
其监测范围广，可进行 24 小时监控 [1]。卫星远程石油污染监测方法的发展和改进的主要方向是放弃摄影方法，转而使用新型有效载荷多光谱和高光谱传感器。如今，基于卫星的 SAR 是一种重要的石油泄漏监测工具，可全天候全天候覆盖大面积区域 [2]。尽管与其他监视系统相比具有相当大的优势，但卫星系统对同一海域的拍摄频率存在限制（频率为每 3 小时一次，考虑到改变视角的可能性）。高清无线电定位数据提供给负责机构时会有所延迟，这与向接收器的交付有关。从发生石油污染的那一刻起，基于无线电定位接收数据的地图的制作可能需要 1-2 天。在消除污染的过程中，这些情况导致需要通过移动车辆进行操作监控。
使用潜在函数传感器约束对多架无人机进行模型预测协同定位控制 ∗
大量配备昂贵全球定位系统的移动机器人。广播其全球位置允许所有其他无人机根据与这些无人机的相对位置确定自己的全球位置。 相对位置的确定可以通过较便宜的机载传感器（例如光学传感器）实现，如图所示。1 在无人机场景中。这种方法的主要问题是需要以足够的精度持续检测和跟踪全局定位的机器人。非常动态的无人机场景和机载传感器限制进一步加剧了这种情况。因此，必须控制无人机运动，以使全局定位的无人机保持在机载传感器的感知空间内。因此，本研究的主要重点是为此类合作定位场景提供中央控制策略。为了限制本文的范围，不涉及估计和定位本身，并假设存在稳定的通信信道。然而，应该提到的是，这里考虑的所有机器人系统都有内部控制器。因此，通信故障只会导致定位数据丢失，而不会导致系统完全故障。
多个模型预测协同定位控制...
大量配备昂贵全球定位系统的移动机器人。广播其全球位置允许所有其他无人机根据与这些无人机的相对位置确定自己的全球位置。 相对位置的确定可以通过较便宜的机载传感器（例如光学传感器）实现，如图所示。1 在无人机场景中。这种方法的主要问题是需要以足够的精度持续检测和跟踪全局定位的机器人。非常动态的无人机场景和机载传感器限制进一步加剧了这种情况。因此，必须控制无人机运动，以使全局定位的无人机保持在机载传感器的感知空间内。因此，本研究的主要重点是为此类合作定位场景提供中央控制策略。为了限制本文的范围，不涉及估计和定位本身，并假设存在稳定的通信信道。然而，应该提到的是，这里考虑的所有机器人系统都有内部控制器。因此，通信故障只会导致定位数据丢失，而不会导致系统完全故障。
使用单束...
摘要 - 在Wobot机器人的定位中，由于电磁波衰减或由于水浊度而导致的光相机，它不能依靠传感器（例如GPS）。声纳对这些问题免疫，因此尽管空间和时间分辨率较低，它们仍被用作水下导航的替代方案。单光声声纳是传感器，其主要输出为距离。与Kalman滤波器（例如Kalman滤波器）结合使用时，这些距离读数可以纠正通过惯性测量单元获得的本地化数据。与多光束成像声纳相比，单光束声纳廉价地集成到水下机器人中。因此，本研究旨在开发使用单光声声和基于压力的深度传感器的低成本定位解决方案，以纠正使用卡尔曼过滤器的静止折线线性定位数据。从实验中，每个自由度的单束声纳能够纠正本地化数据，而无需复杂的数据融合方法。索引术语 - Kalman过滤器，本地化，声纳，内部机器人
DT-ML：药物目标度量学习
摘要：现代药物发现的挑战激发了基于机器学习的方法的使用，例如预测药品目标相互作用或已批准的药物的新颖指示，以加快早期发现或重新定位过程。出版偏见导致大规模重新定位数据集中已知的负数据点短缺。但是，训练一个良好的预测因子需要正面和负样本。最近在机器学习的子场中也解决了负面抽样的问题，即最重要的是表示和度量学习。尽管这些新型的负面抽样方法被证明是从不平衡数据集中学习的有效解决方案，但它们尚未用于重新定位，以至于学到的相似性提供了预测的相互作用。在本文中，我们在成对的药物靶向/药物疾病的预测中适应了学习启发的方法，并提出了对其中一个损失函数之一的修改，以更好地管理负样本的不确定性。我们使用基准药物发现和重新定位数据集评估了这些方法。结果表明，与公制学习的相互作用预测在高度不平衡的情况下（例如药物重新定位）优于以前的方法。
基于传感器融合的运动补偿3D激光点云
摘要：本文提出了一种使用全球定位系统（GPS）和惯性测量单元（IMU）数据的传感器融合来补偿运动引起的3D激光点云数据中失真的方法。通过旋转镜子扫描环境的LIDAR传感器通常假设一个静态视图。但是，自我车辆的运动引入了假定和实际观点之间的差异，从而导致点云数据扭曲。为了解决这个问题，我们的方法融合了从IMU的高频运动动力学的GP的准确定位数据，以估算车辆的探射仪。此数据在东北方（ENU）坐标框架中对齐，并用于在每次激光扫描期间插入车辆的运动。然后根据插值探子仪调整点云中的每个点以纠正变形。利用来自GPS，IMU，相机和LIDAR传感器记录的Udacitic®数据，我们的方法有效地重建了周围环境的准确表示。此过程对于诸如自主驾驶和环境建模等应用程序至关重要，而在此过程中，精确且可靠的点云数据至关重要。