XiaoMi-AI文件搜索系统
World File Search System自主
自主垃圾检测和收集机器人
摘要：该项目旨在开发一个旨在在室内环境（例如购物中心，公交车站和电影院）操作的自主垃圾机器人。机器人的主要目标是在浏览空间并避免障碍的同时检测和收集垃圾项目。利用传感器和图像处理技术的组合，机器人可以识别垃圾对象，并调整其在不误认为障碍物的情况下将其捡起的路径。通过采用具有成本效益的硬件组件和简化算法，我们旨在创建一个实用的解决方案，以解决公共空间中的垃圾污染，这证明了机器人技术在环境可持续发展方面的潜力。关键字：Raspberry Pi，垃圾检测，对象识别，避免障碍物，节点MCU，机器人，Arduino IDE
Darktrace 网络人工智能分析师：自主调查
通过结合使用监督式和无监督式机器学习以及深度学习方法和高级数学，Cyber AI Analyst 可以完成大量原本需要人类完成的繁重工作。它利用 Darktrace 世界级专家多年来在威胁调查中收集的见解来做出高度准确的决策，并首次向公众提供这些丰富的知识。
海报：基于加强学习的自主行动的鲁棒性驱动到对抗性输入
在这项研究中，我们评估了自主驾驶（AD）系统中增强学习的鲁棒性（RL），特别是反对对抗攻击的稳健性。我们采用了Karavolos等人提出的基于Q学习的AD模型。[1]的简单性，是我们分析的基础。此选择使我们能够在简单的Q学习方法和更复杂的RL系统之间进行明显的比较。我们设计了两个威胁模型，以模拟对基于RL的广告系统的对抗性攻击。第一个模型涉及在RL模型的细调中注入未发现的恶意代码，使其容易受到对抗性扰动的影响，这可能会导致在特定的触发条件下碰撞。第二个威胁模型旨在通过直接改变RL模型在特定触发条件下的行动决策来引起碰撞，这代表了一种更隐秘的方法。基于这些威胁模型，我们对两种主要情况的实证研究提出：操纵传感器输入和直接对动作的扰动。研究结果表明，尽管基于RL的AD系统表现出针对传感器输入操纵的弹性，但在受到直接动作扰动时它们会表现出脆弱性。主要的和宽容的场景涉及更改传感器读数，例如在偏心转弯期间，这可能会误导系统并可能导致事故。这对于小误差很大的操作至关重要。第二种情况直接扰动动作，更多地是对基于RL的AD系统脆弱性的理论研究，而不是实用的现实世界威胁。
VLP：自主驾驶的视觉语言计划
自主驾驶是一项复杂而具有挑战性的任务，旨在通过场景和推理来实现安全的运动计划。最近，通过增强的场景理解，几个关键问题，包括缺乏推理，低概括性能和长尾场景，但仍需要戴着几个关键问题，但仍需要进行一些关键问题。在本文中，我们提出了VLP，这是一个新颖的视力 - 语言规划框架，利用语言模式来弥合语言理解与自动驾驶之间的差距。VLP通过加强源内存基础和自动驾驶汽车的上下文理解来增强自主驾驶系统。vlp通过与先前的最佳方法相比，分别在平均L2错误和碰撞率方面，分别在平均L2错误和碰撞率方面实现了35.9％和60.5％的端到端规划表演。此外，在面对新的城市环境时，VLP在挑战性的长尾方案和强大的概括能力方面表现出改善的性能。
对建筑行业的市售自主绘画机器人的审查
在建筑业中的绘画是一种危险活动，为工人带来了许多建筑风险，例如从高处掉下来，笨拙的位置肌肉骨骼疾病以及暴露于有毒物质，尤其是在狭窄的空间中。大多数建筑项目都包括绘画活动和绘画活动的重复性质，导致了几个绘画机器人的提议，目前很少有商业上可用。这些机器人在目前的状态下有一定的局限性，影响了机器人的最终生产力及其在建筑工作地点的实施。本文解决的问题是缺乏对自主绘画机器人（APR）必要要素的研究，以有效，安全地执行施工绘画活动。这表明需要评估可用绘画机器人的当前局限性，以生成可以作为提高APR效率的方法进一步研究的基础的信息。因此，这项研究的目的是确定有效的APR的特性，并将其与市售APR的特性进行比较。对Scopus数据库和Google Scholar库的相关文献进行了全面研究，介绍了定义APR性能的主要参数。该研究强调了评估APR性能以及可用机器人的当前局限性的主要特性。这项研究的结果有望为对提高APR生产率提高的研究人员提供进一步的研究领域。关键词：绘画机器人，自动移动机器人，建筑自动化，建筑安全
P.S.G.技术学院（自主）
- 未安排在该计划开始之前毕业，并且必须在实习结束后返回印度后至少恢复其学术课程（本科或硕士）至少一个学期或四分之一。- 具有很强的学业成绩记录。- 按照列表中指定的满足所选实验室的要求。- 有兴趣在京都大学寻求博士学位课程。•KU -Star计划的参与者必须同意： - 及时申请适当的签证以及时进入日本。- 在该计划期间，请留在京都大学指定和提供的住宿。- 参加入学和所有必需的会议，活动和文化活动，例如通过京都大学实习计划办公室组织的日语课程。- 在一个参与的实验室中进行30-60天的高级研究项目。- 充分参加分配给他们的实验室的学术活动，参加任何相关的研究研讨会和研讨会。- 在计划结束时准备有关其工作的海报演示文稿。- 首先，将其在计划期间工作中从其工作中产生的任何知识产权分配给其主管。- 提供有关KU -Star计划的反馈。- 同意在该计划期间由京都大学拍摄，并授予大学发布照片的权利。- 为京都大学提供与媒体和公共关系有关的请求。- 在该计划的整个过程中出席京都大学。（鉴于该计划的密集性，参与者将无法在计划期间从事其他工作或学习。不打算在整个计划期间不打算出席京都大学的学生的申请。）
自主驾驶的广义预测模型
环境，建立内部世界模型表示，做出决策并采取措施[9，50]。，尽管数十年来在学术界和工业上做出了巨大的努力，但他们的部署仍限于某些杂物或场景，并且不能在世界上无缝地应用。一个关键原因是在结构化自主驾驶系统中学习模型的概括能力有限。通常，感知模型会面临概括到不同环境的挑战，随着地理位置，传感器配置，天气条件，开放式对象等的变化。;预测和计划模型无法推广到具有罕见的sce narios和不同驾驶意图的非确定性期货[2，16，54]。是由人类学习如何感知和刺激世界的动机[27，28，49]，我们主张采用驾驶视频作为通用界面，将其推广到具有动态期货的各种环境。基于此，首选驱动视频预测模型以完全捕获有关驾驶场景的世界知识（图1）。通过预测未来，视频预测因子本质上了解了自主驾驶的两个重要方面：世界如何运作以及如何在野外安全地操纵。最近，社区已开始采用视频作为代表各种机器人任务的观察行为和行动的接口[11]。对于诸如经典视频预测和机器人技术等领域，视频背景大多是静态的，机器人的运动很慢，并且视频的分解很低。相比之下，对于驾驶场景 - iOS，它与室外环境高度斗争，代理人涵盖了更大的动作，以及涵盖众多视图的感觉分辨率。这些区别导致了自主驾驶应用的重大挑战。幸运的是，在驾驶领域中开发视频预测模型[4、15、19、23、23、25、33、38、45、47]。尽管在预测质量方面取得了令人鼓舞的进展，但这些尝试并未像经典的机器人任务（例如，操作）那样实现概括能力，仅限于有限的场景，例如流量密度低[4]的高速公路[4]和小型数据集[15，23，33，33，33，45，45，47]，或者在环境方面进行不同的条件，以使38个条件（33，45，47）的差异（33，45，47），以使3个条件（33，45，47）的差异（33，45，47），以使3个条件（33，45，47）的差异[3]（33，45，47），以下情况下的情况[3]（33，33，45，47），这是3次差异。如何揭示视频预测模型的驾驶潜力仍然很少探索。以上面的讨论为动机，我们旨在构建一个自动驾驶的视频预测模型，能够概括为新的条件和环境。为此，我们必须回答以下问题：（1）可以以可行且可扩展的方式获得哪些数据？（2）我们如何制定一个预测模型来捕获动态场景的复杂演化？（3）我们如何将（基础）模型应用于下游任务？
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。