XiaoMi-AI文件搜索系统
World File Search System碰撞率
通过参数化的软演员 - 批判性的杂种动作空间
摘要：本研究重点是自动驾驶，自主车道变化领域的关键任务。自主车道变更在改善交通流量，减轻驾驶员负担和降低交通事故风险方面起着关键作用。然而，由于车道变化场景的复杂性和不确定性，自主巷变化的功能仍然面临着挑战。在这项研究中，我们使用深钢筋学习（DRL）和模型预测控制（MPC）进行了自主巷更换模拟。具体而言，我们使用参数化的软侵略者 - 批评（PASAC）算法来训练基于DRL的车道变化策略，以输出离散的车道更换决策和连续的纵向车辆加速度。我们还基于不同车道的最小预测汽车跟踪成本来选择车道选择。首次比较了在变化决策的背景下DRL和MPC的性能。模拟结果表明，在相同的奖励/成本功能和交通流下，MPC和PASAC的碰撞率为0％。PASAC在平均奖励/成本和车辆速度方面表现出与MPC相当的性能。
完全量子哈希函数
摘要 - 我们在周期框架上介绍了量子步行中的一种新颖的，完全量子哈希（FQH）功能。我们将确定性的量子计算与单个量子级合并，以替换经典的后处理，从而提高了固有的安全性。此外，我们提出的哈希功能表现出零碰撞率和高可靠性。我们进一步表明，它平均提供> 50％的雪崩，并且对初始条件非常敏感。我们在不同的设置以及现有协议上显示了几个性能指标的比较，以证明其功效。FQH需要最少的量子资源来产生较大的哈希价值，从而为生日攻击提供了安全性。因此，这种创新的方法是一种有效的哈希功能，并通过整合完全量子哈希生成协议为量子加密术的潜在进步奠定了基础。索引术语 - Quantum密码函数·哈希功能。量子步行。碰撞。随机统一矩阵。coe。提示。dqc1。
Amazon Web Services中自动驾驶的深度强化学习Deepracer
摘要：通过加强学习的自主驾驶模型的发展已获得了重大的吸引力。但是，开发避免障碍系统仍然是一个挑战。具体来说，在导航障碍物的同时优化路径完成时间是一个未经证实的重新搜索区域。Amazon Web Services（AWS）Deepracer成为一种强大的基础架构，用于工程和分析自主模型，为解决这些复杂性提供了强大的基础。这项研究调查了训练端到端自动驾驶模型的可行性，该模型专注于使用AWS Deepracer自动赛车平台上的强化学习避免障碍。对自主驾驶方法和机器学习模型体系结构进行了全面的文献综述，特别关注对象避免对象，然后进行动手实验和培训数据的分析。此外，比较了传感器选择，奖励功能，动作空间和训练时间对自主障碍避免任务的影响。最佳配置实验的结果表明，与基线配置相比，障碍物避免性能的显着改善，碰撞率降低了95.8％，而完成试验电路的时间则减少了约79％。
反馈引导的自主驾驶-CVF Open Access
虽然行为克隆最近已成为自主驾驶的非常成功的范式，但Humans很少学会通过单独的模仿或行为克隆来执行复杂的任务，例如驱动或行为。相比之下，人类的学习通常涉及在整个交互式学习过程中的其他详细指导，即通常通过语言的反馈提供详细的信息，以详细信息，以进行审判的哪一部分进行，不正确或次要地进行。以这种观察的启发，我们引入了一个有效的基于反馈的框架，用于改善基于行为克隆的传感驱动剂培训。我们的关键见解是利用大语模型（LLM）的重新进步，以提供有关驾驶预测失败背后的理由的纠正良好的反馈。更重要的是，我们引入的网络体系结构是有效的，是第一个基于LLM的驾驶模型的第一个感觉运动端到端培训和评估。最终的代理在Nuscenes上的开环评估中实现了最新的性能，在准确性和碰撞率上的表现优于先前的最新时间超过8.1％和57.1％。在卡拉（Carla）中，我们的基于相机的代理在以前的基于激光雷达的AP摄入率上提高了16.6％的驾驶得分。
基于集成驱动程序的推理和深度强化学习
随着自主驾驶技术的继续发展并逐渐成为现实，确保在复杂的交通情况下自动驾驶的安全已成为当前研究中的重点和挑战。无模型的深钢筋学习（深度强化学习）方法已被广泛用于解决复杂的交通情况下的运动计划问题，因为它们可以隐含地学习车辆之间的互动。但是，基于深度强化学习的当前规划方法表现出lim的鲁棒性和泛化性能。他们努力适应培训方案以外的交通状况，并面临困难处理因意外情况而引起的不确定性。因此，本文解决了综合交通情况所带来的挑战，例如无信号交叉点。首先利用在这些情况下观察到的相邻车辆的历史轨迹来做到这一点。通过基于门控复发单元（GRU）复发性神经网络的变量自动编码器（VAE），它提取了驱动程序样式功能。然后将这些驱动程序样式功能与其他状态参数集成在一起，并用于在扩展强化学习框架内训练运动计划策略。这种方法最终产生了一种更健壮和可解释的中期运动计划方法。实验结果证实，在复杂的传统方案中，提出的方法可实现低碰撞率，高效率和成功完成任务。
SafeShift：自动驾驶中强大轨迹预测的安全性分配变化
摘要 - 随着自主驾驶技术的成熟，其关键组成部分的安全性和鲁棒性，包括传统预测至关重要。尽管诸如Waymo Open Motion之类的现实世界数据集提供了记录的实际场景，但大多数场景看起来很良性，通常缺乏各种各样的关键安全情况，这对于针对细微的风险开发可靠的模型至关重要。但是，使用模拟面对严重的模拟生成安全性数据，以使实际间隙进行严重的模拟。由于安全风险，使用现实环境甚至不太理想。在这种情况下，我们提出了一种方法来利用现有的现实数据集，通过识别安全的方案被纯粹地忽略了，例如，近距离失误和主动的动作。我们的方法扩大了安全率的范围，使我们能够在安全性的分配变化设置下研究轨迹预测模型。我们贡献了一种多功能方案表征方法，这是一种新的评分方案，用于使用反事实场景来重新评估场景以查找隐藏的风险场景，以及在这种情况下对轨迹预测模型的评估。我们进一步贡献了一种补救策略，实现了预测轨迹的碰撞率的平均降低10％。为了促进未来的研究，我们向公众发布了该整体安全式框架的代码：github.com/cmubig/safeshift
高的分离偶极组MBRD，用于高...
摘要 - 大型强子对撞机（LHC）的下一个升级（称为高亮度LHC）的目的是使加速器的碰撞率提高十倍。为了实现此目标，将更换Atlas和CMS实验相互作用区域之前和之后的偶极子和四极磁体。其中之一是分离重组偶极子MBRD，该偶极子MBRD的目标积分磁场为35 t·m的双孔径为105 mm，沿磁场沿4.78 m的磁场获得4.5 t。该磁铁开发的主要挑战之一是，这两个孔必须具有相同的极性，这会导致它们之间的磁串扰。因此，有必要为线圈开发左/右不对称的孔圈线圈设计，以补偿这种效果，这将产生不良的多物。另一个与两个孔径的极性相关的问题，这是通过在两个领孔周围组装的Al Alloy套筒的实现来管理的。该设计是在Cern-Infn Genova协议的框架内进行的，该行业的ASG超导体正在进行。1.6 m长的模型是建立并成功测试的，然后建造了一个全长原型，该原型最近交付给了CERN，而预计将在2022年初开始构建6个磁铁系列。此贡献将描述原型组装状态，还涵盖了领域的质量（FQ）方面，讨论了ASG的温暖磁性测量结果及其在谐波含量方面的含义。
核研究所。和物理研究的方法，粒子... 设计和添加剂制造用于储能应用的优化电极 二极管TM的高能操作：YLF激光 运输和电力系统通过电动汽车充电-A服务的整合：对技术经济和社会福利的评论 使用热量和功率组合的可再生能源系统优化设计和调度 脉冲激光诱导的硅原子层 其他人工智能硬件问题 观察√snn中的Hypernuclei 3_H和4_H的有向流= 3 量子退火时间的下限 对盐水合的实验筛选用于建筑物的热化学能量存储 b''
模式识别算法通常用于简化亚原子物理实验中轨道重建的挑战性和必要步骤。在歧视相关相互作用的帮助下，模式识别旨在通过隔离感兴趣的信号来加速轨道重建。在高碰撞率实验中，这种算法对于确定是否保留或从给定相互作用中保留或丢弃信息至关重要，甚至在数据传输到磁带之前。随着数据速率，检测器的解决，噪声和效率低下的增加，模式识别在计算上变得更具挑战性，激发了更高效率算法和技术的发展。量子关联记忆是一种方法，旨在利用量子机械现象以获得学习能力的优势，或者可以存储和准确召回的模式数量。在这里，我们研究基于量子退火的量子关联记忆，并将其应用于粒子轨道分类。我们专注于基于量子关联记忆模型（QAMM）召回和量子内容 - 可调地理内存（QCAM）召回的歧视模型。我们使用D-Wave 2000Q处理器作为测试台将这些方法的分类性能表征为函数检测器分辨率，模式库的大小和效率低下。使用溶液状态能量和分类标签嵌入了溶液状态中的歧视标准。我们发现，基于能量的QAMM分类在较小的模式密度和低探测器效率低下的状态下表现良好。相比之下，基于州的QCAM可实现相当高的准确性回忆，以实现大模式密度和对各种检测器噪声源的最大回忆精度的鲁棒性。
道路安全策略：前进的道路
愿景：到2038年，哈利法克斯地区城市中的所有道路使用者造成零死亡和严重伤害。目标：维持每10万居民致命和严重伤害碰撞率的下降趋势。该策略以2018年框架为基础，从陈述的“零”愿景变成了“视觉零”，并结合了安全系统方法。Vision Zero是一种国际公认的道路安全概念，断言通过综合的多学科方法可以预防道路上的死亡和严重伤害。安全的系统方法是视觉零哲学的基础。使用这种方法，道路系统旨在最大程度地减少道路使用者犯错误的机会，并在发生错误时限制人类后果（严重伤害或死亡）的严重性。实现零死亡和严重伤害的愿景，需要在各级政府，公共和私营企业以及每种类型的道路使用者之间的共同责任和道路安全文化。但是，市政当局可以通过采用零视力并在其道路安全工作中采用安全的系统方法来发挥主导作用。重要的是要注意，该策略不包含道路安全计划工作的特定行动。该策略的制定是作为基础指导文件，该文件规定了应在计划活动中反映的方法和原则。道路安全计划要实施的具体行动将在年度道路安全报告，商业计划和资本计划中提出。策略内实施的概述将确定一个多学科团队，该团队将支持道路安全计划及其安全系统方法。计划活动将包括工程对策和计划；报告和评估；深入的安全评论；以及战略性优先位置的道路安全改进。优先位置将在多年的行动计划中确定，该计划将提交理事会，并将有效的改进纳入资本预算计划中。该策略确定了道路安全计划的四个优先领域：
通过人工智能和物联网迈向智能交通
智慧城市的关键愿景之一是打造更加智能的交通网络，特别是智能交通。它促进人类、动物和货物安全有效的物理移动和互动。典型的全球问题包括可持续能源、交通事故、交通拥堵、物流管理、数据分析、安全和隐私。近年来，物联网 (IoT) 和人工智能 (AI) 在实现这一智慧城市愿景方面发挥了主导作用。前者为可扩展且强大的数据收集和传输提供了坚实的基础设施。后者为智能交通应用的机器带来了创造性和创新性元素。在本期特刊“交通革命中的物联网和人工智能”中，发表了十 (10) 篇研究文章。这些文章围绕人工智能和物联网对智能交通的影响展开了有意义的讨论。本社论不仅总结了专刊文章，还分享了其他热门研究主题。交通运输在当今的经济和社会发展中发挥着至关重要的作用。作为日常道路使用者，我们需要确保安全有效的出行。根据世界卫生组织 (WHO) 的数据，每年道路交通死亡和受伤人数分别达到 135 万和 5000 万 [ 1 ]。根据 Web of Science 统计数据，自 2007 年以来，人们对智能交通的关注度不断提高，这反映在研究出版物数量的不断增加上。从 2014 年到 2019 年，研究出版物数量平均增长了 51.6%。第一篇文章“基于场景划分和深度强化学习的海上自主水面舰艇自主导航决策”[ 2 ]，由 X. Zhang、C. Wang、Y. Liu 和 X. Chen 撰写，研究了海上自主水面舰艇 (MASS)。自适应导航和不确定环境引起了人们的关注。提出了一种人工势场深度强化学习方法。他们的实验表明，与传统的深度强化学习方法相比，所提出的方法将碰撞率从 2.24% 显着降低到 1.16%。Y. Jiang、B. Liu、Z. Wang 和 X. Yi 发表了一篇文章“从头开始：一种基于众包的数据融合方法，用于支持位置感知应用”[ 3 ]。26 名志愿者参与了数据收集过程。多维众包结合多分辨率环境地图和交易编码已应用于室内定位问题。总共从两层楼的五种智能手机收集了 931 条众包数据轨迹，总建筑面积为 4000 平方米。结果显示，一半的数据点是完美的，而 90% 的数据点有两个单元格的偏差。