XiaoMi-AI文件搜索系统
World File Search System自主
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。
自主农业拖拉机咨询委员会名册
疾病控制中心（CDC） - Niosh Jennnifer Lincoln - 办公室农业安全和健康jxw7@cdc.gov Emily Haas的主要代表副主任 - NIOSH安全研究部替代副总监
机器人技术和自主系统（人工智能），MS
学生在各种主题中获得了可靠的理论和实用背景，这些主题有助于研究智能代理，也就是说，任何能够感知其环境并采取行动最大化其成功实现目标的机会的机器人系统。因此，这种集中的学生暴露于AI中一般主题的前沿，包括统计机器学习，计算机视觉，自然语言处理，知识检索和推理以及正式的计划方法。与其他浓度相比，AI浓度更多地集中在机器人技术的算法方面。
乌克兰的未来愿景和当前发动AI-abable自主战争的能力
作为第一步，乌克兰军队专注于将其指挥和控制和将无人系统与常规武器系统相结合到单个杀戮链中，例如炮兵。Kateryna Mykhalko，UA的Tech Force，UA是乌克兰国防制造商协会，与CSIS共享，该协会设想单一杀戮链合并了侦察，并在统一的命令系统中与炮兵合并了无人驾驶飞机（UAV）。，乌克兰部队并没有直接取代传统的炮兵，而是采用较小的罢工无人机来对较小的目标进行精确攻击，侦察无人机识别和追踪。这些小型攻击耗尽了更大，更重要的目标的防御能力，使它们没有受到保护，以进行进一步的决定性炮击。
caril：自主驾驶的模仿学习中的信心回归
摘要 - 基于端到端视力的模仿学习已直接从专家演示中学习控制命令来证明自主驾驶的有希望的结果。然而，传统方法依赖于基于回归的模型，这些模型提供了精确的控制，但缺乏一致性估计或基于分类的模型，这些模型提供了置信度得分，但由于分离而降低了精度。此限制使量化预测行动的可靠性并在必要时应用更正是一项挑战。在这项工作中，我们引入了双头神经网络体系结构，该架构既集成回归和分类负责人，以提高模仿学习中的决策可靠性。回归负责人预测了连续的驾驶动作，而分类头则估计了置信度，从而实现了一种调整机制，该校正机制可以调整低信心情景中的动作，从而增强了驾驶稳定性。我们在Carla模拟器内的闭环环境中评估了我们的方法，证明了其检测不确定的动作，估计信心并应用实时校正的能力。实验结果表明，我们的方法可降低车道偏差，并提高了传统精度高达50％，表现优于常规回归模型。这些发现突出了分类指导置信度估计的潜力，以增强基于视觉的模仿学习对自主驾驶的鲁棒性。源代码可在https：// github上找到。com/elahedlv/profester_aware_il。
糖尿病患者心脏自主神经病的患病率...
Imphal，印度曼尼普尔邦。抽象背景：糖尿病自主神经病是糖尿病的隐秘并发症。罐。糖尿病自主神经病患者的死亡率是没有自主神经病的糖尿病患者的三倍。这项研究的目的是确定2型糖尿病患者心脏自主神经病的患病率，其早期检测到简单的床边测试，以及与糖尿病持续时间的关联。方法：50例糖尿病患者在一年内不带任何并发症出现在OPD的情况下，其中包括在研究中。通过进行以下测试来评估心脏自主神经病的存在：深呼吸期间的心率变化，从仰卧为站立的心率变化，valsalva操纵期间的心率变化，姿势性低血压的存在以及响应于持续手柄的痛苦BP。结果：12例患者患有心脏自主神经病，而38例（76％）的患者在测试心脏自主神经病变时具有1或没有测试阳性。在17例持续时间糖尿病> 5年的患者中，有9名（52.94％）有耐药的证据，而在其余33例持续时间糖尿病患者中，有3年<5年，有3个（9％）的糖尿病。在16（32％）中发现了姿势头晕，并且是所有自主症状中最常见的。其他症状是胃轻瘫12（24％），夜间腹泻4（8％），促肌扰动障碍11（24％），神经发生膀胱9（18％）和勃起弱。在34例BMI <25患者中，只有3例（8％）可以，而16例BMI> 25患者中，有9名（56％）患有可以。在12例CAN患者中，有6例（50％）患有蛋白尿，在38例没有CAN的患者中，有8例（21％）患有蛋白尿。根据进行的测试，27例（28.57％）的2型糖尿病患者中有9个可以，而13型糖尿病患者中只有13例（13.63％）中只有3例。结论：随着糖尿病持续时间的增加，心脏自主神经病的患病率增加了。超重患者的心脏自主神经病发病率更高。患者的性别与心脏自主神经病的患病率之间没有连续。关键字：心脏自主神经病，糖尿病，床头测试。
可穿戴能量自主RF微波系统-IRIS
摘要：在下一个未来，我们将在日常生活中包围着许多相对便宜的计算设备，配备了无线通信和感应，并以“ Pervasive Intelligence”的概念为基础，在这些基础上，我们可以从这些基础上设想出我们的未来世界作为所有事物的Internet（Iot/IoE）（Iot/IOE）（Iot/IOE），而消费者/IOT/IOT/IOE IOT/IOE IOE和ioe ioe and Industrial and Industrial Iot and ioe and iotial iot iot iot iot iot。实际上，物联网是具有无限应用潜力的技术范式，它越来越成为能够提高企业竞争力，公共行政部门效率和生活质量的现实。在过去的几年中，已经开发了许多IOT启发的系统，并且应用领域已经扩展和深刻发展：智能家居，智能建筑，智能计量，智能工厂，智能汽车，智能汽车，智能环境，智能农业，智能农业，智能农业，智能物流，智能物流，生命环保，智慧零售和智能健康。物联网无线传感器节点的关键所需特征之一是它可以自主从能量收集（EH）进行自主操作的能力，而不是依靠寿命有限的笨重电池。此外，对于许多上述场景，可以预见可穿戴的解决方案，以进一步增加物联网范式的普遍扩散，从而使许多设备和个人相互连接。成功开发成功的RF自主系统（可能可穿戴）的关键字如下：