XiaoMi-AI文件搜索系统
World File Search System自主
Bluehalo和Kraken合作伙伴可以推进自主海事行动
Kraken在高批量的迅速发展和制造可扩展性的沿海平台方面拥有成功的记录。K3 Scout是一种低成本，低签名，高性能的自动多误差USV，用于使用商业和军事应用。K4 Manta是一个正在开发中的独特，创新的可扩展平台，它将在淹没秘密浸润，持续的斑点或游荡角色之前，在大距离内带来多个误解有效载荷。k5 kraken将是确定性的，高性能的沿海武装直升机，能够快速单独或精确地订婚，以防御沿海或漂浮的资产。
自主驾驶系统中的路径计划算法
这项综合审查的重点是自主驾驶系统（ADS），该系统旨在减少人为错误，这是大约95％的汽车事故的原因。广告包括六个阶段：传感器，感知，本地化，评估，路径计划和控制。我们解释了每个阶段中使用的主要最新技术，分析了275篇论文，其中162个专门针对路径计划，因为其复杂性，NP-HARD优化性质和在AD中的关键作用。本文将路径规划技术分为三个主要组：传统（基于图，基于抽样的，基于梯度，基于优化的，插值曲线算法），机器和深度学习以及元数据效果优化，详细介绍了他们的优势和缺陷。的发现表明，代表我们研究的23％的元海拔优化方法是成为能够处理复杂问题的一般问题解决者的优先选择。此外，它们具有更快的收敛性和局部最小值的风险降低。占25％的机器和深度学习技术，以其学习能力和对已知方案的快速响应而受到青睐。混合算法的趋势（27％）结合了各种方法，合并了每种算法的好处并克服了对方的缺点。此外，自适应参数调整对于提高效率，适用性和平衡搜索能力至关重要。本评论阐明了自动驾驶系统中路径规划的未来，有助于应对当前的挑战并解锁自动驾驶汽车的全部功能。
自主导航导航的零射击增强学习策略
目的：对心血管疾病的治疗需要对导丝和导管进行复杂而挑战性的导航。这通常会导致长期干预措施，在此过程中，患者和临床医生暴露于X射线辐射。深度强化学习方法在学习此任务方面表现出了希望，并且可能是在机器人干预过程中自动导管导航的关键。然而，现有的培训方法显示出有限的能力，可以概括看不见的血管解剖结构，每次几何变化时都需要重新训练。方法：在本文中，我们为三维自主内血管内导航提出了零射击学习策略。使用一组非常小的分支模式训练集，我们的增强学习算法能够学习一个控制，然后可以将其应用于不看到的无需再培训的情况下。结果：我们在4种不同的血管系统上演示了我们的方法，在达到这些解剖学的随机靶标时，平均成功率为95％。我们的策略在计算上也有效，可以在2小时内对控制器进行训练。结论：我们的培训方法证明了其具有不同特征的不观察几何形状的能力，这要归功于几乎形状不变的观察空间。关键字 - 强化学习，控制，血管内导航，机器人技术
解决自主驾驶感知的开放式对象检测：关注道路对象
摘要 - 预计自动驾驶汽车（AV）将采取安全有效的决定。因此，AVS需要对现实世界的情况进行健壮，尤其是应付开放世界的设置，即处理新颖性的能力，例如看不见的对象。经典的对象检测模型经过训练，以识别一组预定义的类，但在推理阶段很难概括为新颖的类。开放式对象检测（OSOD）旨在解决正确检测未知类别对象的挑战。但是，自主驾驶系统具有特定的开放式特性，这些特性尚未涵盖OSOD方法。的确，检测误差可能导致灾难性事件，强调优先考虑盒子检测质量而不是数量的重要性。此外，可以利用在公路场景中遇到的物体的特定特征来改善其在开放世界中的检测。在这种情况下，我们介绍了一种新的自主驾驶感知对象的定义，从而实现了AV专业的开放式对象检测器创建的ADO的命题。所提出的模型使用了一个新的分数，该分数从语义分割的背景基础真理中学到了。在道路对象评分上的这一点可以衡量该对象是否在可驱动区域上，从而增强了未知检测的选择。实验评估是在模拟和现实世界数据集上进行的，并揭示我们的方法的表现优于未知对象检测设置中的基线方法，在已知对象上与封闭式对象检测器具有相同的检测性能。
工具包用于自主代理人的社会，法律，道德，善解人意，善解人意和文化要求的规范，验证和验证
但是，对于启发，规范，验证和验证，有最小的工具支持。这是一项具有挑战性的任务，因为需要参与此过程的专家（伦理学家，律师，监管机构，最终用户等）的非技术和各种背景。我们的软件Sleec-TK是一种用户友好的工具包，采用正式方法，允许利益相关者在验证和验证Sleec要求的验证和验证中了解和解决问题。Sleec-TK是一种公开可用的工具包，可由非技术专家使用，可在[1-3]中支持该过程和技术。由Sleec-TK机械化的Sleec框架包括规则启发过程[1]以及规范，验证和验证技术[2]。[3]中的技术报告介绍了我们的理论基础和过程，以实现Sleec要求的规范，一致性验证和验证。它讨论了Sleec-TK软件中使用的领域特定语言（DSL）和该语言的正式语义，并采用了定时版本的CSP（交流顺序过程）[4]。[2]中描述了我们工具的初始版本，该版本仅支持Sleec语言建模，一致性和冗余验证。我们在这里描述的版本实现了语义的更新版本，该版本提供了增加的可伸缩性，并已得到了广泛的验证。此外，它通过对SLUEC规则的系统模型的一致性验证得到了增强（即，图中所示的Sleec一致性插件1是我们软件中的新组件）。此外，对于Sleec-TK，我们用7个Sleec规范文件验证了规则和语言，与利益相关者一起涵盖了199个规则。从规范思想的角度[5，6]的角度，在开发自主系统方面有重要的工作，包括基于用户的道德选择的透明度[7]，解释性和数据驱动的个性化工具[8]。我们Sleec语言的工作还考虑了启发和调试的替代方法[9]。sleec-tk与规范的操作[1] [10]有关，支持自动化过程，以验证和验证捕获这些规范的规则，通过其在𝑡𝑜𝑐𝑘-CSP中描述的语义机械化（定时过程代数[4，11]）。sleec-tk被用作Eclipse环境的一组插件，但包括用于Sleec规则验证的独立版本。存储库中的readme.md文件提供了用于下载，安装和使用软件的说明，并提供示例。规则的定义是通过图形界面提供有关任何句法或打字问题的指导的图形界面。在后台，生成𝑡𝑜𝑐𝑘-CSP脚本以支持冲突和冗余的检查。通过在后台使用CSP型号Checker FDR4 [12]，以按下按钮进行。验证是通过与Robotool 1 [13]集成而进行的，这是一种使用域特异性符号Robochart建模和验证移动和自治机器人的工具。SLEEC规则可以作为Robochart模型的文档定义属性的一部分，用于自动验证和报告。
为什么，何时以及如何评估新生儿护理部门的自主神经系统成熟：一个实用的概述
tagedp摘要通过心率变异性（HRV）分析对新生儿的自主反应性评估是一种简单而重要的辅助，以识别dysautonomia的病理情况。多亏了这种相对简单且可重复的分析工具，儿科医生可以识别和针对具有威胁生命的事件风险的儿童，即患有心脏呼吸自我调节的内在能力的人，他们应该从密切心脏验证效率监测中受益。不同的数学算法在RR间隔的长度上整合了延迟或实时变化，以更好地了解新生的自主性成熟状态。HRV分析是评估自主平衡的非侵入性工具，对于评估自主神经系统的功能至关重要，并且更具体地，更具体地，副交感神经/可怜的平衡。尽管有许多公认的诊断和治疗意义，但其对新生儿医学的应用尚不清楚。©2023 Elsevier Masson Sas。保留所有权利。
使用Oracle自主数据库无服务器
美国政府最终用户：Oracle计划（包括任何操作系统，集成软件，任何已嵌入，安装或在交付的硬件上激活的程序，以及此类程序的修改）和Oracle计算机文档或美国政府最终用户提供或访问的其他Oracle数据是“商业计算机软件”，“商业计算机软件”，“商业计算机软件文档”，“商业计算机软件”，“商业计算机软件”，“有限的权利数据”或“有限的权利”适用于适用于适用的适用性，或者适用于适用性的适用性，并适用于适用于适用性。因此，使用，复制，重复，释放，显示，披露，修改，衍生作品的准备和/或适应i）Oracle程序（包括任何操作系统，集成软件，嵌入，安装或激活的任何程序，在此类程序中嵌入或激活的任何程序，对此类程序的限制和其他限制），III和/或III IS IS III和/或/或/或/或/或/或/或/或/或/或/或/或/或/或/或/ii ii III），IS或/或/或/或/或/或/或/或/或/或/或/或III III IS IIS）在适用的合同中。管理美国政府使用Oracle Cloud Services的条款由适用的此类服务的合同定义。没有其他权利授予美国政府。
母舰-立方体卫星无线电科学，用于火卫一大地测量和自主导航
摘要：了解火星卫星的内部结构（例如，均质、多孔或破碎）将有助于更好地理解它们的形成以及早期太阳系。推断内部结构的一种方法是通过大地测量特征，例如重力场和天平动。大地测量参数可以从辐射跟踪测量中得出。本研究提出了一种可行的母舰-立方体卫星任务，其目的如下：（1）进行卫星间多普勒测量，（2）提高对火卫一及其动态模型的理解，（3）确保母舰和主要任务的安全，（4）考虑到地球和火星之间的距离，支持自主导航。本研究分析了体积、质量、功率、部署∆v和链路的预算以及系统的多普勒测量噪声，并给出了立方体卫星的可行设计。通过考虑所有不确定性的蒙特卡罗估计模拟揭示了轨道确定和大地测量的准确性。在火星-火卫一系统星历误差为 0 至 2 公里的情况下，自主轨道确定的精度为 0.2 米至 21 米和 0.05 毫米/秒至 0.4 厘米/秒。即使在星历误差为 2 公里的情况下，大地测量系统也可以以 1‰ 的精度返回 2 级重力系数。所获得的重力系数和平动幅度协方差表明，区分内部结构系列具有极好的可能性。
基于视觉的算法用于自主空中着陆
摘要 - 登陆阶段是澳大利亚航空登陆的关键阶段，尤其是当航空站降落在移动平台上的时，作为地面车辆。在本文中，将无人机板上摄像头的信息与观察者组合在一起的解决方案用于估计和预测着陆平台的未来位置。此着陆估计用于基于四局的控制算法，用于产生和跟踪着陆轨迹。然后在实时实验（两种情况）中验证所提出的解决方案，以证明闭环系统的良好性能和效率。本文报告了这些实验的主要图。此外，由于这项工作旨在为将来的发展奠定基础，因此在上一节中讨论了这项工作的现有限制。