XiaoMi-AI文件搜索系统
World File Search System窗口时间
自适应双级多机器人任务分配和在不确定性下使用时间逻辑约束
这项工作解决了未知机器人过渡模型下多机器人协调的问题，以确保按时间窗口时间窗口逻辑指定的任务对用户定义的概率阈值满意。我们提出了一个BI级框架，该框架集成了（i）高级任务分配，其中根据机器人的估计任务完成概率和预期奖励分配任务，以及（ii）在履行分配的任务时，机器人独立优化了辅助奖励。要处理机器人动力学中的不确定性，我们的方法利用实时任务执行数据来迭代地完善预期的任务完成概率和奖励，从而无需显式机器人过渡模型即可自适应任务分配。我们从理论上验证了所提出的算法，表明任务分配具有很高的置信度达到所需的概率阈值。最后，我们通过全面的模拟证明了框架的有效性。
事件框架立体声相机系统的动态校准框架
摘要 - 事件摄像机和常规框架摄像机的融合是一个新颖的研究场，由事件摄像头和框架摄像头组成的立体声结构可以结合两者的优势。本文为事件框架立体声摄像机系统开发了动态校准框架。在此框架中，第一个步骤是在圆网校准模式上完成初始检测，并提出了滑动窗口时间匹配方法以匹配事件框架对。然后，为两个摄像机设计了一种重新填充方法，以获取模式的准确信息。尤其是对于事件摄像机，具有较高计算效率的斑块大小运动补偿方法旨在实现扭曲事件图像中两个摄像机和拟合圆的时间同步。最后，通过构造具有两种类型边缘的姿势地标图，两个相机之间的姿势在全局优化了全局优化。所提出的校准框架具有高实时性能和易于部署的优点，并且通过基于自记录的数据集进行了实验来验证其有效性。本文的代码发布于：http：//github.com/rayhu95/efsc calib。
根据生理数据预测飞行员的认知状态...
本论文使用与生理属性相关的数据，研究了飞行员在实验过程中的认知状态。尽管该挑战已经过期，但咨询公司 Booz Allen Hamilton 发起了一项挑战，鼓励数据科学家建立一个具有检测能力的模型，以防止航空事故和事件。本论文研究的首要问题是：能否通过生理测量预测飞行员的认知状态？先前的研究发现，认知状态检测可以提高航空安全性。在这项研究中，我们参考了人为因素分类和分析系统，以更广泛地看待研究结果。本论文研究的任务有两个方面：(1) 认知状态分类和 (2) 认知状态变化检测。要解决的关键问题是从复杂数据中提取特征。因此，进行了频域分析和滑动窗口时间分析。在 73 个变量中，选择了对模型性能贡献最大的五个变量。所提出的模型在检测测试数据中特定飞行员的适当认知状态时，F1 得分达到 0.67。测试数据上的平均 F1 得分为 0.55，高于没有工程特征的基准模型（0.48）。特别是在惊吓和注意力分散分类期间，性能较低。此外，并非所有飞行员