XiaoMi-AI文件搜索系统
World File Search System端到
端到...
从外部知识库中检索适当的记录以产生信息的响应是端到端面向任务对话系统（ETODS）的核心capabil。大多数现有方法还训练检索模型或使用内存网络来检索知识基础，该基础将知识检索任务与响应生成任务取消，因此很难共同优化并且无法捕获两个任务之间的内部关系。在本文中，我们为任务为导向的对话系统提出了一个简单而统一的生成模型，该模型将ETODS任务重新铸造为单个序列生成任务，并使用最大的似然培训以统一的方式训练这两个任务。为了防止生成不存在的记录，我们设计了前缀Trie来限制模型生成，从而确保生成的记录与知识基础中的现有记录之间的一致性。三个公共基准数据集的实验结果表明，我们的方法在生成系统响应并胜过基线系统方面实现了强大的表现。为了促进该领域的未来研究，可以在https://github.com/dzy1011/uni-tod上获得该代码。
DriveGpt4：可解释的端到端自动驾驶通过大语言模型
多模式大型语言模型（MLLM）已成为研究界的重要领域，鉴于它们在处理和推理非文本数据（包括图像和视频）方面的处理能力。这项研究旨在通过引入DraveGpt4（一种基于LLMS的新型端到端端驾驶系统）来扩展MLLM的应用到自动驾驶领域。cap-pable促进了对车辆动作的促进，提供相关的推理，并有效地解决了用户提出的各种问题。此外，DriveGPT4以端到端的方式预测低级车辆控制式signals。通过使用定制的视觉说明调谐数据集实现这些高级功能，该数据集是专门针对自主驾驶功能量身定制的，并结合了混合调节培训策略。DriveGPT4代表了利用LLM的努力来开发可解释的端到端自主驾驶解决方案。在BDD-X数据集上进行的评估展示了DriveGPT4的质量和定量性能。从事域特异性数据的微调使DriveGpt4能够在与GPT4-V形成鲜明对比的自主驾驶接地方面产生接近甚至可以证明的结果。代码和数据集将公开可用。
端到端的基于深度学习的路径计划和碰撞检查框架：bin选择应用程序
抽象的实时和效率路径计划对于所有机器人系统至关重要。，对于工业机器人而言，这更为重要，因为总体计划和执行时间直接影响生产线中的周期时间和自动化经济学。尽管在静态环境中问题可能并不复杂，但在计划时间和最佳性方面，经典方法在高维环境中是不可能的。碰撞检查在获得复杂环境中的路径计划的实时解决方案方面提出了另一个挑战。为了解决这些问题，我们提出了一个基于端到端的学习框架，即路径计划和碰撞检查网络（PPCNET）。PPCNET通过使用两个网络顺序计算航路点来生成路径：第一个网络生成了路点，第二个网络确定路径是否在路径的无碰撞段上。端到端培训过程基于模仿学习，该学习使用来自专家规划师的经验的数据聚合来同时培训两个网络。我们利用两种方法来训练一个有效近似确切几何碰撞检查功能的网络。最后，在两个不同的仿真环境中评估了PPCNET，并在用于BIN采摘应用程序的机器人臂上进行了实际实现。与最先进的路径规划方法相比，我们的结果通过以可比的成功率和路径长度大大减少了计划时间，显示出绩效的显着改善。
开发 N 端到 C 端优化...
肽是治疗诊断开发的理想选择，因为它们能够快速在目标组织中积累、快速从背景组织中清除，并表现出良好的组织穿透性。之前，我们开发了一系列表现出谨慎折叠倾向的新型肽，从而获得了最佳候选物 [ 68 Ga]Ga-DOTA- GA1 ([D-Glu] 6 -Ala-Tyr- N MeGly-Trp- N MeNle-Asp-Nal-NH 2 )，其对胆囊收缩素 2 受体 (CCK 2 R) 的结合亲和力为 50 pM。然而，我们面临着肾脏摄取率过高的挑战。方法：对主要的治疗诊断候选物进行了构效关系研究。对肽支架进行了审慎的结构修饰，以评估特定 N 端残基对整体生物活性的贡献。然后在带有转染的 A431-CCK 2 肿瘤的裸鼠中评估最佳候选药物，并体外定量它们的生物分布。结果：我们鉴定并证实 D-Glu 3 替换为 D-Ala 3 产生了 2 个最佳候选药物，[ 68 Ga]Ga-DOTA- GA12 和 [ 68 Ga]Ga-DOTA- GA13 。这些放射性肽表现出高靶标/背景比、增强的肿瘤保留、血浆和小鼠器官匀浆中的优异代谢稳定性以及肾脏摄取降低 4 倍，明显优于非丙氨酸对应物。结论：我们的研究确定了针对 CCK 2 R 的新型放射性药物候选药物。它们的高肿瘤摄取和减少的肾脏蓄积值得临床转化。
自动移动系统的基于端到端的深钢筋学习基于模块化的任务分配框架
摘要 - 可以解决任务分配问题的智能决策系统对于多机器人系统以协作和自动化的方式进行工业应用至关重要，例如使用移动机器人使用移动机器人，使用无人体表面工具进行的水力调查等仓库检查等。因此，本文旨在解决多代理自动移动系统的任务分配问题，以自主，智能地将多个任务分配给机器人机器人。这种问题通常被视为与成员机器人以下任务计划分离的独立决策过程。为了避免由脱钩引起的亚最佳分配，提出了一个端到端任务分配框架，以解决此组合优化问题，同时在优化过程中考虑了后续的任务计划。该问题被称为多人多epter travely Salesmen问题（MTSP）的特殊变体。提议的端到端任务分配框架采用了深厚的强化学习方法来代替以前工作中使用的手工启发式方法。所提出的框架具有加固学习代理的模块化设计，可以针对各种应用程序进行自定义。此外，提出了基于机器人操作系统2的实体机器人实现设置，以实现仿真到现实差距。执行了仓库检查任务，以验证拟议框架的训练结果。该框架已通过模拟和实体机器人测试与各种参数设置进行了交叉验证，其中适应性和性能得到了很好的证明。
基于端到端的基于学习的视觉大满贯
1）Zhu，Zihan等。“ Nice-Slam：神经隐式可扩展编码的猛击。”IEEE/CVF计算机视觉和模式识别会议的会议记录。2022。尼斯 - 萨克1）
端到端对象检测的内在解释性
抽象的深度学习模型正在自动执行许多日常任务，表明将来，即使是高风险的任务也将是自动化的，例如医疗保健和自动化驱动区。但是，由于这种深度学习模型的复杂性，了解其推理是一项挑战。此外，设计的深度学习模型的黑匣子性质可能会破坏公众对关键领域的信心。当前对本质上可解释的模型的努力仅着眼于分类任务，而在对象检测中留下了差距。因此，本文提出了一个深度学习模型，该模型可用于对象检测任务。这种模型所选的设计是众所周知的快速RCNN模型与ProtopNet模型的组合。对于可解释的AI实验，所选的性能度量是Protopnet模型的相似性评分。我们的实验表明，这种组合导致了一个深度学习模型，该模型能够以相似性得分来解释其分类，并使用视觉上的“单词袋”（称为原型）在训练过程中学习。此外，采用这种可解释的方法似乎并没有阻碍提出的模型的性能，该模型在Kitti数据集中获得了69％的地图，而GrazpedWri-DX数据集则获得了66％的地图。此外，我们的解释对相似性得分的可靠性很高。
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。
Kik采用了端到端供应链的TradeBeyond ...
公司成立于1994年。Kik Textilien和非食品GmbH以负担得起的价格提供优质的女士，男士，儿童和婴儿服装。除了服装外，该系列还包括礼物，玩具，美容产品，配饰和家庭纺织品。在德国，奥地利，捷克共和国，斯洛文尼亚，匈牙利，斯洛伐克，克罗地亚，波兰，波兰，波兰，意大利，意大利，罗马尼亚，保加利亚，西班牙，西班牙和葡萄牙，拥有超过29,000名员工和4,100多家商店，该公司每年销售199亿欧元。Kik在德国十大纺织零售商中排名第一，并为客户提供了自2013年以来在线订购的选择。
3D互连的自动故障定位和表征的端到端卷积神经网络
条纹分割技术（FRIST）：在这里，边界框中包含使用自适应阈值的预处理特征模式。然后在预处理图像的中心考虑具有单位半径的圆。该圆的半径迭代增加，直到达到边界框的末端为止（请参阅补充图S11）。从C扫描图像中，有关TSV的信息主要位于内部两个条纹。在每个步骤中，都绘制位于该圆圈周长的黑色像素的总数。图中的第一个峰和第二个峰对应于感兴趣的边缘，因此，通过将所有像素的所有像素设置为超过这两个峰，以保留图像段的那些区域（请参阅补充图S11和S12）。这些步骤是