XiaoMi-AI文件搜索系统
World File Search System导航算法
交会和近距操作期间自主航天器导航和控制的自适应端到端架构
航天器间会合和近距操作 (RPO) 期间的机载制导、导航和控制 (GNC) 对相关算法提出了独特的挑战。未来的任务将需要更大的机载自主性，同时保持不同距离的在轨安全保障，感兴趣的场景可能涉及多个航天器，这些航天器可能是合作的，也可能是非合作的。本文介绍了一种用于分布式空间系统的新型 GNC 软件有效载荷的构想和开发，该有效载荷可在多个物体之间实现安全、自主的 RPO，并具有最大的灵活性和模块化。导航算法融合了远距离摄像机图像、近距离摄像机图像、差分载波相位全球导航卫星系统数据和卫星间交联数据，以估计整个感兴趣范围内的绝对轨道、相对轨道、目标姿势和辅助状态。控制算法套件提供了最佳机动解决方案，可在远距离实现有效的长期编队维持、近距离实现厘米级会合精度以及快速、稳健的防撞。远、中、近距离的合作和非合作目标原型模拟展示了分布式空间系统的强大 GNC 性能，也是实现航天器灵活自主 RPO 套件完全集成的重要一步。
障碍物和阵风环境下节能无人机飞行控制方法
摘要：本文介绍了一种节能的无人机（固定翼无人机）控制方法，该方法由三组算法组成：飞行器航线规划、飞行中控制和修正预定飞行轨迹的算法。所有算法都应考虑无人机必须避开的障碍物和无人机作业区域中的风力。基于无人机数学模型、稳定和导航算法以及 Dryden 湍流模型进行了测试，并考虑了无人机推进系统的参数。本文详细描述了如何构建用于规划无人机任务的连接网络。提出了一种确定行动领域中不同点之间实际距离的算法，该算法考虑了障碍物的存在。该算法应基于在六边形网格上确定飞行轨迹的方法。它介绍了基于一组混合整数线性问题 (MILP) 优化算法模型开发的专有无人机路径规划算法。它介绍了无人机控制器如何使用预先准备的飞行路径来监督沿预设路径飞行。它详细介绍了当代无人机的架构，这些架构具有实现自主任务的嵌入式能力，这需要将无人机系统集成到文章中提出的路线规划算法中。特别关注了在有阵风的情况下无人机任务的规划和实施方法，这有助于确定无人机飞行路线以最大限度地降低飞行器的能耗。所开发的模型在基于 ARM 处理器的计算机架构中使用硬件在环 (HIL) 技术进行测试，该技术通常用于控制无人驾驶车辆。所提出的解决方案使用两台计算机：基于实时操作系统 (RTOS) 的 FCC（飞行控制计算机）和基于 Linux 并与机器人操作系统 (ROS) 集成的 MC（任务计算机）。这项工作的一项新贡献是整合了规划和监控方法，以实施旨在最大限度地降低车辆能耗的任务，同时考虑到风力条件。
回顾纸纸实时道路车道检测
Sevagram，Wardha指导者：H.S.Belsare摘要：在这项研究中，一种新型的自动驾驶汽车导航算法，避免了与行人和临时障碍的碰撞。提出的算法通过使用RGB-D深度传感器来预测临时障碍和徘徊的行人的位置。考虑到这些环境不确定性，介绍了唯一的临时视觉流动性规则。提出了一种深入的增强学习（DRL）算法作为决策技术（以引导自动驾驶工具无事发生）。比较了深层Q-NETWORK（DQN），双重Q-Network（DDQN）和Dueling Double Deep Q-Network（D3DQN）算法，并且D3DQN的负率最少。我们使用CARLA模拟环境测试了算法，以检查RGB-D和RGB-LIDAR的输入值。构成综合神经网络D3DQN的一系列算法被选为最佳DRL算法。在减慢城市流量的建模中，RGB-D和RGB-LIDAR产生的结果基本相同。修改了更新的儿童驾驶汽车的自动驾驶版本，以证明拟议算法的实时效率。索引术语：自动驾驶工具，深度加固学习，临时凸进，避免障碍物，车道检测，对象检测。1。引言临时或临时障碍，例如路障，坑洼，速度颠簸和漫游行人，可能会为印度和类似国家的自动驾驶车辆提供挑战。另外，自动驾驶车辆可以使用Vanet（车辆临时网络）与路边单元或另一个移动车辆进行通信，以收集有关事故，道路障碍，交通拥堵和天气状况的最新信息。这种类型的信息对于允许自动驾驶车辆安全行驶并防止道路事故也很重要。研究人员已将传感器安装在车辆上，以识别临时障碍，例如，一些研究人员使用这些传感器来指导自动驾驶车辆，例如，一些研究人员开发了一种基于智能手机的Ad Hoc-Obstacle检测算法。同时，在中央服务器上记录了有关已确定障碍物（类似位置）的信息，并用于提醒其他驾驶员在同一道路上行驶的驾驶员。
对与人及其周围合作的机器人的和谐流动性
机器学习和计算机视觉与经典自治堆栈的进步整合使机器人部署成功，以实现，制造和运输。然而，非结构化和染色的环境，例如行人空间和街道，工作场所和房屋构成了其他挑战，例如建模人类行为，了解用户的看法以及确保人类的安全和舒适感。我的工作解决了这种挑战，以使机器人能够流利地与人们合作，以提高生产力并为用户提供帮助。人群中有能力的导航。人类无缝地避免在行人领域相互碰撞，这要归功于其通过策略中编码的合作碰撞避免。我的工作在数学上正式使用了使用代数拓扑的工具传递的概念。基于这种形式主义，我为人群导航开发了一个反应性的传递模型预测控制器。这种控制者的原因，并加快了与人类共同的成对传球的相遇。我已经在多个机器人平台上授予了该控制器，其中包括人类大小的远程机器人和更短的自动平衡机器人。在广泛的实验室实验中，具有挑战性和各种人群条件，我的控制器比最先进的基线提供了明显更安全，更有效的性能（Mavrogiannis等人。2023b）。超出安全性和效率。人体安全和机器人效率并不多于纳入机器人旁边的用户体验。2022）。com-我的作品深入了解用户的印象。在我的一项研究中（n = 105），我们的机器人在密集的人群中陷入困境（Mavrogiannis et al。在运行我们的传递导航算法时，用户表现出较低的加速度，与基线相比，机器人的干扰较少，这表明我们的算法使用户可以更舒适地围绕它行走。至关重要的是，用户对这种定量观察得到了赞赏，他们在旁边的指控旁边导航时，他们的报价是“我几乎没有注意到机器人”，而诸如“我觉得机器人在我的个人空间中”或“我不知道机器人在做什么？强大的现场部署通过旁观者帮助。
下一代 NASA 危险探测系统开发
I. 简介 用于精确和安全着陆的制导、导航和控制 (GN&C) 技术对于未来机器人科学和载人探索太阳系各个目的地的任务至关重要。这些进入、下降和着陆 (EDL) 技术是美国宇航局精确着陆和危险规避 (PL&HA) 领域的一部分，被认为是空间技术发展路线图 [1] 的高优先级能力，旨在促进和实现新的任务概念。SPLICE 项目，即安全精确着陆 - 综合能力演进 [2]，致力于持续开发传感器、算法和航空电子设备，以用于未来的月球着陆任务。具体来说，SPLICE 正在完善着陆器下降过程中的地形相对导航 (TRN) 和危险检测与规避 (HDA) 的传感器硬件和软件的技术就绪水平 (TRL)。 SPLICE 的所有工作主要基于 NASA 先前在 PL&HA 领域的项目，例如 ALHAT [ 3 – 6 ]、COBALT [ 7 – 10 ] 和 LVS [ 11 ]，其中包括多年的传感器开发工作 [12–15] 和各种亚轨道飞行测试。SPLICE 是一套用于精确着陆的 GN&C 技术。表 1 中列出的各个组件可以单独飞行，也可以作为着陆器承载的集成有效载荷飞行。NASA 兰利研究中心开发的导航多普勒激光雷达 (NDL) 提供厘米级的精确速度和测距。NASA 戈达德太空飞行中心开发的危险探测激光雷达 (HDL) 可生成预定着陆目标周围区域的高分辨率数字高程图 (DEM)。 TRN 系统包括摄像头、机载地图和 TRN 算法，这些算法由查尔斯·斯塔克·德雷珀实验室公司为 SPLICE 项目开发和实施 [16]。NASA 喷气推进实验室开发的危险检测算法基于参考文献 [17] 中概述的 ALHAT 算法，并进行了一些修改，以便与新型高清激光雷达 DEM 配合使用并在新型下降和着陆计算机 (DLC) 上运行。约翰逊航天中心开发的 DLC 是一种新型航空电子设备设计，正在开发中，以利用高性能航天计算 (HPSC) 处理器 [18, 19]。随着用于 TRN 和 HDA 的 GN&C 硬件和软件的不断成熟，该项目还在开发高精度模拟环境，包括带有 DLC 的硬件在环 (HWIL) 测试平台和一些在环传感器模拟器。此外，SPLICE 正在对机器人和载人任务的 EDL 架构进行详细建模 [ 20 , 21 ]，以确定未来需求，揭示现有技术差距，并推动传感器技术发展，使即将到来的任务受益，例如 NASA 的 Artemis 和商业着陆器有效载荷服务 (CLPS) 计划。图 1 是主机飞行器上 SPLICE 有效载荷的高级示意图。TRN 和 HDA 的图像处理需要大量计算，因此 DLC 的设计旨在通过处理大部分视觉导航算法来减轻主飞行计算机的负担。在 DLC 上运行的飞行软件利用 NASA 核心飞行
诺斯罗普·格鲁曼公司任务扩展飞行器 (MEV) RPO 成像仪在 GEO 上的性能 Matt Pyrak 诺斯罗普·格鲁曼太空系统公司 约瑟夫·安德森太空公司
诺斯罗普·格鲁曼公司任务扩展飞行器 (MEV) RPO 成像仪在 GEO 上的性能 Matt Pyrak 诺斯罗普·格鲁曼空间系统 约瑟夫·安德森 空间物流有限责任公司 摘要 本文将描述和说明由诺斯罗普·格鲁曼公司制造的空间物流有限责任公司任务扩展飞行器 (MEV) 使用的会合和近距操作 (RPO) 传感器的实际性能。MEV-1 于 2019 年发射，并于 2020 年 2 月与位于 GEO 墓地轨道上距离 GEO 约 300 公里的 Intelsat 901 卫星执行会合、近距操作和对接 (RPOD)。MEV-2 于 2020 年发射，并于 2021 年 2 月和 3 月与直接在地球静止轨道上的 Intelsat 10-02 卫星执行了类似的 RPOD 序列。这些飞行器使用三种不同的传感现象来提供所有必要的相对导航数据，以实现上述 RPOD 功能。这些包括可见光谱成像仪（窄视场和宽视场）、长波红外 (LWIR) 成像仪（窄视场和宽视场）和主动扫描激光雷达。本文将探讨这些传感器在 GEO 实际任务中的性能及其对未来空间态势感知能力的潜在影响。1. 简介 Space Logistics LLC 任务延长飞行器 (MEV) 是其主承包商 Northrop Grumman Space Systems (NG) 和 NG 的几家传统公司十多年开发工作的成果。MEV 被认为是新卫星服务市场中的第一代能力，它为未设计为需要维修的航天器提供宝贵的寿命延长服务。MEV 基于 Northrop Grumman 的传统 GEOStar 航天器平台构建，并采用了两项关键技术发展。第一个是准通用对接系统，它与目前在轨的大多数最初未设计为对接的 GEO 航天器兼容。第二，是整合了强大而灵活的 RPO 传感器套件，该套件由尖端硬件和软件组成，这些硬件和软件基于诺斯罗普·格鲁曼的传统 RPO 系统，包括 Cygnus 空间站补给飞行器。MEV 可延长未为在轨加油而建造的卫星的寿命。为了执行任务，MEV 与客户飞行器进行半自动会合，并使用大约 80% 的 GEO 卫星上存在的两个功能与其对接，这两个功能是面向天顶的液体远地点发动机 (LAE) 喷嘴和周围的发射适配器环。对接后，客户飞行器的推进系统和姿态控制完全禁用，从而使 MEV 能够全权负责客户飞行器的指向和轨道管理。虽然 MEV 对接系统无疑是艺术巧思的杰作，但本文将仅探讨 MEV RPO 传感器套件的性能，一组抗辐射尖端传感器，为 MEV 相对导航算法提供原始数据。这些包括可见光谱摄像机组、长波红外 (LWIR) 摄像机组和扫描激光雷达。RPO 传感器套件允许 MEV 从 50+km 处跟踪客户车辆，并在精确对接事件期间保持厘米级的相对位置。根据客户要求，MEV 和下一代车辆可以使用其传感能力从近距离对客户车辆进行多光谱检查，并通过激光雷达收集高密度 3D 检查扫描。但对这种能力最直观的展示来自 MEV-1 对接后发布的首批从 GEO 上方拍摄的在 GEO 带中处于活跃运行状态的航天器商业图像。