XiaoMi-AI文件搜索系统
World File Search System自动
VKL060 数据手册
静态显示存储器（ RAM ）结构为 15×4 位，存储所显示的数据。显示 RAM 的内 容直接映射成 LCD 驱动器的显示内容。通过 I2C 命令存取显示 RAM 中数据，每 读写 4bit 显示数据地址自动加 1
ACAV：自动驾驶事故记录中自动因果关系分析的框架
自动驾驶汽车（AV）的快速进步使无人驾驶未来的前景比以往任何时候都更加接近。最近的死亡人士通过大规模测试强调了安全验证的重要性。多种方法使用高保真模拟器（即通过生成多种驾驶场景并评估自动驾驶系统（ADSS）（ADSS）来完全自动实现此目的，以实现这一目标。虽然有效地发现违规行为，但这些方法并未确定导致它们的决定和措施，这对于改善ADS的安全至关重要。为了应对这一挑战，我们提出了ACAV，这是一个自动框架，旨在在两个阶段进行AV事故记录进行因果关系分析。首先，我们根据ADS模块之间交换的消息应用功能提取模式，并使用加权投票方法丢弃与事故无关的录音框架。第二，我们使用安全规范来确定安全 - 关键框架并通过将CAT（我们的因果分析工具）应用于站时间图来推断因果事件。我们在阿波罗广告上评估了ACAV，发现它可以识别出五种不同类型的因果事件，其中93.64％是通过AV测试引擎生成的事故记录中的93.64％。我们进一步评估了从注射特定故障的阿波罗（Apollo）收集的1206个事故记录上的ACAV，发现它可以正确识别96.44％由预测错误触发的事故中的因果事件，以及由计划错误触发的事故的85.73％。
开发和实施自动主题索引
纸质档案的广泛数字化和数字资料的更积极归档正在创建越来越多的数据集合。主题索引，即根据受控词汇表为文档分配主题，是组织集合和提高其可发现性的重要方法。传统上，主题索引是由人类专家执行的手动过程，但由于手动索引是一个非常劳动密集的过程，因此自 20 世纪 60 年代以来，已经开发了主题索引的自动化和半自动化方法（Stevens 1965）。芬兰国家图书馆长期以来的目标一直是使芬兰图书馆和相关机构的一些主题索引过程自动化，原因有几个：减少索引工作量，使主题索引更加一致，并将主题索引扩展到传统手动索引不可行的集合。然而，从我们的角度来看，现有的自动主题索引工具和服务存在许多问题。首先，我们的民族语言芬兰语和瑞典语得不到大多数工具的良好支持。其次，这些工具通常依赖于它们自己的词汇表，而我们希望使用通用芬兰语本体 YSO 1（Niininen、Nykyri 和 Suominen 2017）以及其他芬兰语主题词汇表。第三，许多可用的解决方案都是商业服务，客户对系统几乎没有控制权，而且容易受到供应商锁定的影响。2017 年，我们开始开发自己的自动主题索引开源工具 Annif 2 。三年后，即 2020 年 5 月，我们推出了 Finto AI——一种基于 Annif 的自动主题索引服务，旨在用于生产用途 3 。在本文中，我们解释了开发 Annif 的过程、它支持的文本分类算法、我们用来确保算法生成的主题索引符合预期的质量保证流程、已部署基于 Annif 或 Finto AI 的自动主题索引的系统，并总结了一些经验教训。
6020 BMS 自动测试系统
Ȇ 测量电池电压 Ȇ 测量电池输入电流（充电时）和输出电流（放电时） Ȇ 测量电池电压 Ȇ 测量电池温度（通过NTC热敏电阻）。BMS需要通过其保护延迟断开或限制充电电压或电流。当出现过温或低温情况时，BMS需要在OTP或UTP条件消除后，重新连接充电和/或放电开关，并留出恢复时间。Ȇ 当上述测量值超过最大或最小限制时，需要断开电池，留出保护延迟时间，包括过压（OV）、欠压（UV）、过流（OCD）、短路（SCD）等。这些步骤还包括保护消除后正常运行的保护恢复时间，以满足设计要求。Ȇ 当有多个电池单体时，需要均衡各电池包内电池的储存量 Ȇ 检查系统各部件的运行状态，确保电池管理系统的安全。Ȇ 对电池的荷电状态（SoC）、健康状态（SoH）、功能状态（SoF）进行计算和测试。Ȇ 对以上测量值进行校准，对设定参数进行编程，并通过BMS的通讯接口将信息反馈给系统。
自动驾驶的人为因素视角
a 代尔夫特理工大学生物力学工程系，代尔夫特，荷兰；b 苏黎世联邦理工学院，新加坡未来弹性系统 - ETH 中心，新加坡；c 南安普顿大学工程与环境学院，交通研究组，南安普顿，英国；d 法国交通、发展与网络科学技术研究所，人体工程学与认知科学实验室，法国；e 代尔夫特理工大学交通与规划系，代尔夫特，荷兰；f 格罗宁根大学行为与社会科学学院，心理学系，格罗宁根，荷兰；g 特温特大学交通研究中心，特温特，荷兰；h 荷兰应用科学组织，荷兰索斯特贝格，TNO 人为因素研究所；i 慕尼黑工业大学机械工程系，人体工程学研究所，德国慕尼黑；j 瑞典国家道路与交通研究所，VTI，瑞典；k 利兹大学交通研究所，英国利兹； l 英国沃金厄姆交通研究实验室人为因素与模拟组；m 比利时布鲁塞尔 ITS 欧洲 ERTICO；n 荷兰海牙道路安全研究所 SWOV
基于人工智能的自动交通调节器
摘要 - 基于人工智能 (AI) 的自主交通管制是指对交通流量的管理和控制。为了收集有关交通状况的实时数据，人们使用了传感器、摄像头和通信网络。然后，这些数据由 AI 算法进行评估和处理，以产生见解并做出判断。AI 驱动的自主交通管制旨在通过减少拥堵、提高安全性等方式来提高系统效率。使用利用 AI 的自主交通管制的优势在于能够处理和收集大量实时数据并得出结论。这使系统能够根据不断变化的交通状况快速调整交通流量。基于 AI 的算法还可用于从以前的交通模式和情况中学习，以创建更准确的未来预测和结论。对于自主交通管制，可以应用各种 AI 算法，包括强化学习、机器学习、深度学习。基于深度学习的算法可用于解释来自摄像机的照片和视频数据，通过机器学习算法可以发现交通数据中的模式和趋势。强化学习算法可用于从过去学习并根据奖励信号做出选择。为了保证这些系统的可靠性和安全性，确保这些系统的设计和部署具有适当的保护措施至关重要。这种人工智能系统还可以实时调整以适应不断变化的交通模式和道路状况，使交通管理过程更加灵敏和动态。因此，交通相关的排放减少和燃油效率可能会有所改善。总体而言，人工智能用于开发智能交通系统，这取得了重大进展，有可能彻底改变交通管理并确保更有效、更安全、更可持续的交通系统。
SAT 人工智能自动摄取
NLT 的 AutoIngest 是同类产品中第一个提供高性能、免提直接摄取到 Avid Interplay 和 ISIS 的产品。NL Technology 提供 SAT AutoIngest Direct，这是将 MXF 媒体和元数据移动到 Avid ISIS 的最佳自动化 IT 工作流程解决方案。将数字内容从光学、闪存或光盘复制到 Avid Interplay 工作组。通过无忧的基于剪辑的相关媒体文件管理、基于剪辑的分块、序列创建和自动存档加速协作。AutoIngest 与 XDCAM Optical、XDCAM-EX、P2、Canon XF、GFCAM、EditCam、GoPro、Canon D-Series 和其他格式兼容，可在设施或现场移动、签入和存档素材。将媒体和元数据直接移动到 Avid ISIS 存储区域网络和 Avid Interplay。
自动驾驶的人为因素视角
重复使用 存放在 White Rose Research Online 中的项目受版权保护，保留所有权利，除非另有说明。它们可以下载和/或打印用于个人学习，或国家版权法允许的其他行为。出版商或其他权利持有人可能允许进一步复制和重复使用全文版本。这由 White Rose Research Online 记录中该项目的许可信息指示。
