摘要 - 准确的定位在高级自主驾驶系统中起重要作用。传统地图匹配的本地化方法通过具有传感器观测值的明确匹配的地图元素来解决姿势,通常对感知噪声敏感,因此需要昂贵的超级参数调整。在本文中,我们提出了一个端到端定位神经网络,该神经网络直接估计车辆从周围图像中构成,而没有与HD图明确匹配的感知结果。为确保效率和可预性能力,提出了一个基于BEV神经匹配的姿势求解器,估计在基于可区分的采样匹配模块中估计姿势。此外,通过将每个姿势DOF影响的特征表示形式解耦来大大降低采样空间。实验结果表明,所提出的网络能够执行分解器水平的定位,平均绝对误差为0.19m,0.13m和0.39◦在纵向,横向位置和偏航角度,同时表现出68.8%的推理记忆使用率降低了68.8%。
摘要 - 准确的定位在高级自主驾驶系统中起重要作用。传统地图匹配的本地化方法通过具有传感器观测值的明确匹配的地图元素来解决姿势,通常对感知噪声敏感,因此需要昂贵的超级参数调整。在本文中,我们提出了一个端到端定位神经网络,该神经网络直接估计车辆从周围图像中构成,而没有与HD图明确匹配的感知结果。为确保效率和可预性能力,提出了一个基于BEV神经匹配的姿势求解器,估计在基于可区分的采样匹配模块中估计姿势。此外,通过将每个姿势DOF影响的特征表示形式解耦来大大降低采样空间。实验结果表明,所提出的网络能够执行分解器水平的定位,平均绝对误差为0.19m,0.13m和0.39◦在纵向,横向位置和偏航角度,同时表现出68.8%的推理记忆使用率降低了68.8%。
由于化石燃料资源有限,能源需求的增加以及维持积极的环境影响的需求,将太阳能(CSP)植物作为一种有前途的技术促使世界驱使世界找到新的可持续和竞争能源生产方法。配备热量储能(TES)的CSP工厂的调度能力超过了光伏(PV)单元,并增强了能源系统性能的可持续性。但是,由于其高投资,与PV工厂相比,限制CSP工厂的应用是一个挑战性的问题。本文提出了一个模型,可以与CSP工厂组装组合的热量和功率(CHP),以增强热量利用并降低工厂的整体成本,因此,可以更经济地实施研究所证明的CSP福利。此外,压缩空气储能(CAE)与CSP-TES-CHP工厂一起使用,以便促进CHP的热电解耦。因此,创建的虚拟发电厂(VPP)是用于大电网的合适设计,可以通过热电限制来对市场进行热量和电力,而无需限制市场。此外,VPP的日常产品策略被建模为混合整数线性编程(MILP)问题,目的是最大化市场利润。模拟结果证明了所提出的模型的效率。与没有CAE的系统相比,拟议的VPP的利润增加了2%,每天市场电价最高增加6%。
摘要:宿主免疫系统的体内平衡受白细胞的调节,其中有8种细胞表面受体用于细胞因子。趋化性细胞因子(趋化因子)激活其受体9,以唤起稳态迁移或炎症条件下的免疫细胞的趋化性,即炎症组织或病原体。免疫系统的失调导致11种疾病,例如过敏,自身免疫性疾病或癌症,需要有效,快速作用的药物,以最大程度地减少慢性炎症的12种长期影响。在这里,我们进行了基于结构的虚拟筛选13(SBV),由KERAS/Tensorflow神经网络(NN)辅助,以查找在三个趋化因子受体上作用的新型化合物支架14:CCR2,CCR3和一个CXC受体CXCR3。keras/tensorflow 15 nn在这里不是用作典型使用的二进制分类器,而是作为有效的多级分类器16,不仅可以丢弃非活性化合物,而且还可以丢弃低或中等活性化合物。在100 ns全原子分子动力学中测试了SBV和NN提出的几种化合物,以确认其结合亲和力。为改善化合物的基本结合亲和力,提出了新的19种化学修饰。将修饰的化合物与这三个趋化因子受体的已知20个雄鹿主义者进行了比较。已知的CXCR3是预测的21磅,因此在基于结构的方法中显示了在药物发现中使用Keras/Tensorflow的好处。此外,我们表明KERAS/Tensorflow NN可以预测化合物的受体亚型选择性,SBV通常会失败。我们跨越了24个测试的趋化因子受体数据集,这些数据集从Chembl和策划的大麻素25受体中策划的数据集获取,网址为:http://db-gpcr-chem.uw.edu.pl。在从Chembl检索的大麻素26受体数据集上训练的NN模型是受体亚型选择性27预测中最准确的。在趋化因子受体数据集训练的NN模型中,CXCR3模型28在区分给定化合物数据集的受体亚型方面表现出最高的精度。29
此预印本版的版权持有人于2023年9月18日发布。 https://doi.org/10.1101/2023.09.14.557734 doi:Biorxiv Preprint