XiaoMi-AI文件搜索系统
World File Search System导航的
讨论用于导航机器人导航的不同控制器
摘要 - 可以独立理解和独立浏览周围环境的机器人被认为是智能的移动机器人（MR）。使用一组复杂的控制器，人工智能（AI），深度学习（DL），机器学习（ML），传感器和导航的计算，MR可以理解和导航在其环境周围，甚至连连接到有线能力来源。移动性和情报是旨在用于其计划运营的自动机器人的基本驱动力。他们在各个领域都变得越来越流行，包括商业，工业，医疗保健，教育，政府，农业，军事行动甚至国内环境，以优化日常活动。我们描述了不同的控制器，包括比例积分衍生物（PID）控制器，模型预测控制器（MPC），模糊逻辑控制器（FLCS）和用于机器人科学中使用的增强学习控制器。本文的主要目的是展示移动机器人（MR）进行导航的控制器的全面思想和基本工作原理。这项工作彻底研究了几本可用的书籍和文献，以更好地了解MR采取的导航策略。还讨论了未来的研究趋势和优化MR导航系统的可能挑战。
GPS中导航的多源数据集成-IJEER
░摘要 - 自动驾驶正在迅速发展，无人驾驶汽车的未来接近成果。当前自动驾驶的最大障碍是导航系统的可靠性和可靠性。导航系统主要基于GPS信号，尽管它高度可用，但在某些情况下，GPS不存在或不可用，例如在隧道，室内环境和具有高信号干扰的城市地区。本文提出了一种自适应决策算法，该算法利用多源数据源集成在GPS贬低的环境中进行导航。该算法可以在不同的数据源（例如LTE或5G）之间进行无缝切换，以便自主驾驶系统即使无法使用GPS信号，也可以保持准确的导航。总体而言，这种方法代表了开发导航系统的合理方法，该方法可以可靠地支持在现实情况下自主驾驶应用程序。关键字：GPS，蜂窝，导航，自动驾驶，5G，LTE。
对象目标导航的调查-ORCA-加的夫大学
摘要 - 对象目标导航（ObjectNav）是指在看不见的环境中导航到对象的代理，这是完成复杂任务时通常需要的能力。尽管它引起了体现的AI社区研究人员的越来越多的关注，但对ObjectNAV的当代和全面调查并没有。在这项调查中，我们通过总结了70多个最近的论文来概述该领域。首先，我们给出了ObjectNav的前期：定义，模拟器和指标。然后，我们将现有作品分为三个类别：1）直接将观测值映射到操作的端到端方法，2）由映射模块，策略模块和路径计划模块组成的模块化方法，以及3）使用零量的零摄像方法，使用零量量学习来进行导航。最后，我们总结了现有作品的性能和主要故障模式，并讨论了ObjectNAV的挑战。本调查将为该领域的研究人员提供完整的信息，以更好地了解ObjectNAV。
3D导航的终阶段心力衰竭的手术治疗
根据世界卫生组织（WHO）的说法，心血管疾病是全球死亡的主要原因。在心血管疾病中，终末期心力衰竭是最严重的综合症之一，随着发病率和死亡率不断提高[1]。对于末期心力衰竭的患者对医疗治疗无反应的患者，金标准治疗选择是移植。但是，候选供体移植的访问受到限制[2] [3]。左心室辅助装置（LVAD）的植入是这些患者的救生治疗选择[4]。LVAD是带有外部电池的机械泵，可帮助将血液从左心室（LV）泵入系统循环，从而可以部分或完全替换失败的心脏功能[5]。
神经外科期间脑肿瘤和混合现实导航的专用工具
抽象的脑肿瘤手术需要在完全去除肿瘤组织的同时最大程度地减少脑功能丧失之间进行微妙的权衡。功能磁共振成像（fMRI）和扩散张量成像（DTI）已成为对人脑功能的非侵入性评估的有价值工具，现在用于确定应避免的大脑区域以防止功能障碍后的功能障碍。但是，图像分析需要不同的软件包，主要是出于研究目的而开发的，并且通常在临床环境中很难使用，从而阻止了前库氏映射的大规模扩散。我们开发了一种专门的软件，能够在单个应用程序中对多模式MRI Presurgical映射进行自动分析，并将结果转移到神经元操作器中。此外，使用优化的混合现实方法将成像结果集成在市售可穿戴设备中，并自动锚定从MRI获得的3维全息图，并使用患者的身体头部固定。这将使外科医生能够实际上探索更深的组织层，突出了需要保留的临界大脑结构，同时保留了天然的Oculo-Mans协调。该程序的增强人体工程学将显着提高手术的准确性和安全性，并为医疗保健系统和相关工业投资者提供巨大的预期收益。
用于远程以对象为中心的无人机导航的触摸界面
摘要 摄像无人机是一种快速兴起的技术，它使人们能够以高度的机动性和敏捷性远程检查环境。但是，手动远程驾驶无人机容易出错。相比之下，自动驾驶系统可能需要大量的环境知识，并且不一定设计用于支持灵活的视觉检查。受到交互式图形中相机操纵技术的启发，我们设计了 StarHopper，这是一种新颖的触摸屏界面，用于高效的以对象为中心的摄像无人机导航，其中用户直接指定无人机相机相对于指定感兴趣对象的导航。该系统依赖最少的环境信息，结合手动和自动控制机制，让用户可以自由地高效准确地远程探索环境。实验室研究表明，StarHopper 比手动驾驶效率提高了 35.4%，而且用户总体上更喜欢我们以物体为中心的导航系统。
无人机导航的VO -SAF -SAFE强化学习-Orca
摘要 - 这项工作的重点是强化学习（RL）的无人机导航，其本地化基于视觉探测器（VO）。这样的无人机应避免飞向视觉特征差的区域，因为这可能导致定位变化或完全丢失跟踪。为了实现这一目标，我们提出了一个层次控制方案，该方案使用经过RL训练的策略作为高级控制器，以生成下一个控制步骤的航路点和一个低级控制器，以指导无人机到达后续航点。对于高级政策培训，与其他基于RL的导航方法不同，我们通过引入与姿势估计相关的惩罚将对VO绩效的认识纳入我们的政策。为了帮助机器人区分感知友好的区域和不可动摇的区域，我们提供语义场景，作为决策而不是原始图像的输入。此方法还有助于最大程度地减少SIM到真实的应用程序差距。
自主导航导航的零射击增强学习策略
目的：对心血管疾病的治疗需要对导丝和导管进行复杂而挑战性的导航。这通常会导致长期干预措施，在此过程中，患者和临床医生暴露于X射线辐射。深度强化学习方法在学习此任务方面表现出了希望，并且可能是在机器人干预过程中自动导管导航的关键。然而，现有的培训方法显示出有限的能力，可以概括看不见的血管解剖结构，每次几何变化时都需要重新训练。方法：在本文中，我们为三维自主内血管内导航提出了零射击学习策略。使用一组非常小的分支模式训练集，我们的增强学习算法能够学习一个控制，然后可以将其应用于不看到的无需再培训的情况下。结果：我们在4种不同的血管系统上演示了我们的方法，在达到这些解剖学的随机靶标时，平均成功率为95％。我们的策略在计算上也有效，可以在2小时内对控制器进行训练。结论：我们的培训方法证明了其具有不同特征的不观察几何形状的能力，这要归功于几乎形状不变的观察空间。关键字 - 强化学习，控制，血管内导航，机器人技术
用于远程以对象为中心的无人机导航的触摸界面
摘要 摄像无人机是一种快速兴起的技术，它使人们能够以高度的机动性和敏捷性远程检查环境。但是，手动远程驾驶无人机容易出错。相比之下，自动驾驶系统可能需要大量的环境知识，并且不一定设计用于支持灵活的视觉检查。受到交互式图形中相机操纵技术的启发，我们设计了 StarHopper，这是一种新颖的触摸屏界面，用于高效的以对象为中心的摄像无人机导航，其中用户直接指定无人机相机相对于指定感兴趣对象的导航。该系统依赖最少的环境信息，结合手动和自动控制机制，让用户可以自由地高效准确地远程探索环境。实验室研究表明，StarHopper 比手动驾驶效率提高了 35.4%，而且用户总体上更喜欢我们以物体为中心的导航系统。
户外环境中自动导航的实时衡量标准映射
摘要 - 编码人类优先知识的度量语义图的创建代表了环境的高级突出。然而，构建此类地图构成了与多模式传感器数据融合，实时映射性能的融合以及结构和语义信息一致性的保留相关的挑战。在本文中，我们引入了一个在线度量 - 语义映射系统，该系统利用LIDAR-Visual-Visual-Visual惯性传感生成了大型室外环境的全局度量标准网格地图。利用GPU加速度，我们的映射过程达到了出色的速度，无论场景尺度如何此外，我们将所得地图无缝地集成到现实世界中的导航系统中，从而实现了基于公制的语义地形评估和在校园环境中的自主点 - 要点导航。通过对包含24个序列的公共可用数据集进行的广泛实验，我们证明了映射和导航方法的有效性。