XiaoMi-AI文件搜索系统
World File Search System网格图
具有生物学启发的高维入住网格图的可推广的增强学习，用于探索和目标导向路径计划
摘要 - 真实的时间自主系统利用多层计算框架来执行关键任务，例如感知，目标查找和路径计划。传统方法使用占用网格映射（OGM）实施感知，并通过概率信息将环境分为离散的单元。这种经典方法是完善的，并为下游过程提供了一个结构化输入，例如目标查找和路径计划算法。最近的方法利用了一种以生物学启发的数学框架，称为矢量象征体系结构（VSA），通常称为高维计算，以在高维空间中执行概率的OGM。这种方法（VSA-OGM）与尖峰神经网络提供了兼容性，将VSA-OGM定位为常规OGM的潜在神经形态替代品。但是，对于大规模集成，与已建立的OGM方法相比，评估VSA-OGM对下游任务的性能含义至关重要。本研究研究了VSA-OGM对传统的OGM方法，贝叶斯·希尔伯特·地图（BHM）的功效，基于强化学习的目标找到和路径计划框架，在受控的探索环境中，以及受到第10 f1 f1挑战启发的自主驾驶场景。我们的结果表明，VSA-OGM保持在单一和多幕科培训配置之间的可比学习绩效，同时将看不见的环境的性能提高了约47％。索引术语 - 占用网格映射，高维计算，概率学习，增强学习，脑启发的学习这些发现强调了通过BHM培训的政策网络的普遍性提高，从而增强了其在不同环境中现实部署的潜力。
使用Keystone Transform从占用网格图中提取运动信息
考虑到OGM（占用网格图）的障碍及其在移动机器人技术的动态环境表示中的广泛使用，从连续的OGM中提取运动信息对于许多任务，例如SLAM（同时定位和映射）和DATMO（检测和跟踪移动对象）非常重要。在本文中，我们提出了一种基于信号变换的新型运动提取方法，称为S-KST（空间键石变换），以从连续的嘈杂OGMS进行运动检测和估计。它将雷达成像或运动补偿的KST扩展到1D空间案例（1DS-KST）和2D空间案例（2DS-KST），结合了关于移动障碍物的可能方向的多个假设。同时，还给出了基于Chirp Z-Transform（CZT）的2DS-KST的快速算法，其中包括五个步骤，即空间FFT，定向过滤，CZT，空间IFFT和最大功率检测器（MPD）合并及其计算复杂性与2D-FFT成正比。对点对象和扩展对象的仿真测试结果表明，Skst在非常嘈杂的环境中的子像素运动的提取方面具有良好的性能，尤其是对于那些缓慢移动的障碍物而言。