XiaoMi-AI文件搜索系统
World File Search System搜索对象
地面搜索和救援的扫描宽度估计
历史上首次成功开发并进行了现场测试，一种科学合理且实用的方法可以客观地确定陆地环境中对搜索和救援 (SAR) 重要物体的检测概率。使用志愿搜索者收集数据并使用简化的分析技术进行分析，所有成本都非常低。这项工作为解决搜索规划和评估问题打开了大门，这些问题在陆地 SAR 社区中已经激烈争论了近 30 年，但从未得到解决。搜索本质上是一个概率过程，无法保证成功或失败。搜索仍然是一项重大挑战，尤其是在生命受到威胁时。但是，使用正确的工具和概念进行精心计划的搜索更有可能成功，而且同样重要的是，当生命受到威胁时，成功会更快。规划搜索包括评估所有可用信息，然后，由于通常不可能一次性在所有地方进行彻底搜索，因此需要决定如何最好地利用可用的、通常有限的搜索资源。由于“所有可用信息”还包括任何已完成的未成功搜索，因此需要适当核算一般搜索区域的各个部分或子部分的搜索效果。这将成为规划失踪人员后续搜索活动的输入。对于搜索前规划和搜索后评估，搜索规划人员必须能够客观地估计在给定资源和努力程度下在给定搜索区域部分中发现给定物体的概率。检测概率 (POD) 取决于努力程度、部分大小以及检测搜索对象的难易程度。检测的难易程度又取决于所使用的传感器（通常是肉眼）、所寻找物体的性质（大小、颜色等）以及搜索时和搜索地点的环境（地形、植被、天气等）。虽然陆地搜索的规划者通常知道他们在搜索什么、他们有哪些可用资源以及资源将要或已经发送的部分的大小和环境特征，但他们无法量化搜索者在检测搜索对象时的难易程度。有效扫描宽度可以被视为一种将所有因素都考虑在内的“可检测性指数”。这使得他们没有客观的方法来估计 POD，并在过去 30 年中有效地阻碍了将陆地 SAR 搜索规划置于更科学的基础上的尝试。规划人员被迫要么在没有可靠数据的情况下做出主观的 POD 估计，要么依靠搜索者自己的更主观的估计。量化“可探测性”的最简单指标是一个称为“有效扫描（或搜索）宽度” (ESW) 的值。这个概念将影响给定搜索情况下检测的所有因素（传感器、环境、搜索对象）的综合影响降低为一个表征该情况下搜索对象“可探测性”的单个数字。它不应被视为传感器之间的“宽度”或间距。不幸的是，有效扫描宽度无法直接测量。有必要进行检测实验并从中减少数据。该项目的目标是：
![arxiv：2405.09822v2 [cs.ro] 2024年11月18日](/simg/g:\will\search\icon\source\e\efb125d0d2f0bdb2f694f4f6433d539f297cc666.webp)
arxiv：2405.09822v2 [cs.ro] 2024年11月18日
摘要 - 本文解决了在实际环境中自主检查中对象目标导航的问题。对象目标导航对于在各种设置中实现有效的检查至关重要，通常要求机器人在大型搜索空间内识别目标对象。当前的对象检查方法没有人为效率，因为它们通常无法像人类那样在事先和常识知识之前引导。在本文中，我们引入了一个框架，该框架使机器人能够使用先前的环境空间配置和语义常识知识的语义知识。我们提出了将语义先验知识与机器人的观察结果相结合的搜索（对象检查任务的语义推理），以更有效地搜索和导航到目标对象。SEEK维持两个表示：动态场景图（DSG）和关系语义网络（RSN）。RSN是一个紧凑而实用的模型，可估计在DSG中的空间元素中找到目标对象的概率。我们提出了一个新颖的概率计划框架，以使用关系语义知识来搜索对象。我们的仿真分析表明，根据对象目标检查任务的效率，在本研究中检查了基于经典计划和大型语言模型（LLMS）的方法。我们在城市环境中验证了对物理机器人的方法，展示了其在现实世界检查场景中的实用性和有效性。
Vishnu Veilu Muthu的简历
Stop Project（2017-2018）：我的研究工作是关于基础设施的多机巡逻，重点是机器人人工感知方法，用于检测和识别异常情况。自动监视系统中的安全威胁包括使用深度学习算法，人的活动分析以及使用多个机器人和3D传感器的本地化检测。实习列表（2017年）：我有机会使用重新分割软件开发应用程序。重新分割 - 开发桌面有形用户界面的框架。我的工作是在基准标记和程序软件的中心设计一个空心空间来检测它。硕士论文（2017）：“投影框架的同步”，通过单个全球投射转换来整合不同框架投影重建矩阵组的方法。大多数投射重建方法都有常见的缺点，这些缺点需要多个迭代过程，并且可能不会收敛或仅收敛到局部最小值。通过安排全局网络中不同视图的每个摄像机之间的转换并使用图形建模来求解它们，以避免此类问题。清洁机器人 - ROS的计算机视觉（2016）：该项目是硕士课程工作的一部分；该项目的主要目的是从路边环境或派对现场检测垃圾。该过程设计的是对机器人进行编程以导航整个区域并搜索对象（垃圾）。实习Girona（2016）：我有机会学习和理解视频中移动对象的动态。实习Girona（2016）：我有机会学习和理解视频中移动对象的动态。我的工作是从移动车辆捕获的视频中提取光流信息。工作包括使用运动技术和场景分割的结构的视觉感知。种子图像细分（2015年）：该项目是Master课程工作实施和改进的一部分，“ Laplacian坐标是种子图像细分的坐标” CVPR2014研究论文。实习LE2I（2015）：我有机会学习相机校准技术和视觉感知概念的基本概念。我的工作是捕获带有未知相机参数在墙上投射的多个图像，并使用Jean-Yves Bouguet的相机校准工具箱对其进行校准。软件工程项目（2015年）：该项目是学士课程（软件工程模块）的一部分，其工作是为使用C ++的机器人框架设计GUI。该应用程序包含服务器和客户端部分，以管理机器人和工作站之间的网络连接。