XiaoMi-AI文件搜索系统
World File Search System航路点
多代理海事交通模拟器
此模拟器旨在支持有关海上交通管理的集中式游戏理论算法的研究。它支持任意数量的船舶和土地质量进口。容器被建模为运动的运动，其运动受运动方程式和土地质量为基础，是多个形状的文件。在模拟器中，每艘船都可以使用奖励Oracle，该奖励是通过考虑碰撞和接地的风险，遵守交通规则和运营效率的水平来评估代理商的策略。游戏理论模型预测控制，然后同时为每个流量参与者生成最佳轨迹。船只参与重复的竞争聚机游戏，其平衡解决方案是一系列航路点，旨在由船只交通服务服务作为导航决策支持。我们传达了在Netlogo中实施的代理和功能的建模原理，并介绍了整体模拟器结构和范围。
无人机导航的VO -SAF -SAFE强化学习-Orca
摘要 - 这项工作的重点是强化学习（RL）的无人机导航，其本地化基于视觉探测器（VO）。这样的无人机应避免飞向视觉特征差的区域，因为这可能导致定位变化或完全丢失跟踪。为了实现这一目标，我们提出了一个层次控制方案，该方案使用经过RL训练的策略作为高级控制器，以生成下一个控制步骤的航路点和一个低级控制器，以指导无人机到达后续航点。对于高级政策培训，与其他基于RL的导航方法不同，我们通过引入与姿势估计相关的惩罚将对VO绩效的认识纳入我们的政策。为了帮助机器人区分感知友好的区域和不可动摇的区域，我们提供语义场景，作为决策而不是原始图像的输入。此方法还有助于最大程度地减少SIM到真实的应用程序差距。
设计自动火星漫游者在动态地形中导航的自适应速度避免系统
文章历史：在过去的十年中，已经开发了各种基于速度障碍的方法，以避免动态环境中的碰撞。但是，这些方法通常仅限于处理几个障碍，连续的相遇或缺乏安全地形的安全保证。本文提出了使用速度障碍法的自适应碰撞避免策略，旨在使自主火星流浪者能够安全地驾驶动态和不确定的地形，同时避免多个障碍。该策略构建了自适应速度锥体，考虑了动态障碍和地形特征，从而确保了连续的安全性，同时将漫游者引导到其航路点。我们在模拟的MARS探索方案中实施了策略，代表了具有挑战性的多OSTACLAS任务。模拟结果表明，我们的方法通过增加安全距离来增强性能，使其非常适合自主行星探索，在这种情况下，避免碰撞对于任务成功至关重要。
具有动态结构参数的滑臂四轴飞行器飞行控制
摘要 — 介绍了一种新型四轴飞行器的概念设计和飞行控制器。该设计能够在飞行过程中改变无人机的形状，以实现位置和姿态控制。我们考虑动态重心 ( CoG )，它会导致无人机的转动惯量 ( MoI ) 参数不断变化。这些动态结构参数在系统的稳定性和控制中起着至关重要的作用。四轴飞行器臂长是一个可变参数，它由基于姿态反馈的控制律驱动。MoI 参数是实时计算的，并纳入系统的运动方程中。无人机利用螺旋桨的角运动和可变的四轴飞行器臂长进行位置和导航控制。重心的运动空间是一个设计参数，它受执行器限制和系统稳定性要求的限制。提供了有关运动方程、飞行控制器设计和该系统可能应用的详细信息。此外，通过航路点导航任务和复杂轨迹跟踪的比较数值模拟对所提出的变形无人机系统进行了评估。
同时发生静态干扰的实时识别与规避...
使用有效的飞行策略在未知场景中避开混合障碍物是无人机应用面临的关键挑战。在本文中，我们介绍了一种更强大的技术，仅使用点云输入即可区分和跟踪动态障碍物和静态障碍物。然后，为了实现动态避障，我们提出了禁忌金字塔方法，以迭代方式采用有效的基于采样的方法求解期望的飞行器速度。通过求解具有期望速度和航路点约束的非线性优化问题来生成运动基元。此外，我们提出了几种技术来处理近距离物体的位置估计误差、可变形物体的误差以及不同子模块之间的时间间隔。所提出的方法已实现在机上实时运行，并在模拟和硬件测试中得到了广泛的验证，证明了我们在跟踪鲁棒性、能量成本和计算时间方面的优势。
高速公路：使用RL信息模型
摘要 - 自主驾驶是一项复杂的任务，需要高级决策和控制算法。了解自动驾驶汽车决定背后的基本原理对于确保其在高速公路驾驶中安全有效的操作至关重要。这项研究提出了一种新颖的方法，即Highwayllm，它利用了大语言模型（LLMS）的推理能力，以预测Ego-Vehicle导航的未来路点。我们的方法还利用预先训练的强化学习（RL）模型作为高级计划者，对适当的元级行动做出决定。Highwayllm结合了RL模型的输出和当前状态信息，以对下一个状态进行安全，无碰撞和可解释的预测，从而为自我车辆构建轨迹。随后，基于PID的控制器将车辆引导到LLM代理预测的航路点。LLM与RL和PID的集成增强了决策过程，并为高速公路自动驾驶提供了解释性。
VLM通过图像子缘综合探索
机器人技术中的自主导航传统上依赖于预定的航路点和结构化图，从而限制了动态，真实世界环境中的可扩展性。缺乏通知的语言操作数据集进一步使语言驱动的导航模型的发展变得复杂。受到大规模视觉语言模型（VLM），图像生成模型和基于视觉的机器人控制的最新进展的启发，我们提出了使用VLM引导的图像子缘合成（ELVISS）探索探索的框架，以增强使用用户指示的机器人导航任务的勘探。此框架利用VLMS的语义推理将复杂的任务分解为更简单的任务，并通过生成由低级策略执行的与任务相关的图像子搜索来执行它们。我们还结合了一个基于VLM的子量验证循环，以最大程度地减少执行未生成的子观念。实验结果表明，我们的验证循环显着改善了执行操作与我们的指令的对齐，并且我们的结果系统能够执行基于广义的基于搜索的说明。
使用基于 AI 的避障技术实现无人机安全着陆
摘要 — 随着第四次工业革命的进行，许多关于无人机的研究工作已经积极开展。目前，无人机技术最重要的部分之一是飞行过程中障碍物的自主识别和避障。通常情况下，无人机依靠 GPS 信号按照飞行前指定的航路点飞行。然而，当无人机接近指定着陆点时，可能会出现障碍物和不可预见的物体，这些障碍物和物体可能会严重危及无人机的安全着陆。因此，无人机的安全着陆成为一个非常重要的问题。在这方面，本研究探讨了将人工智能 (AI) 技术应用于无人机的可能性，以提高安全性。通过将图像传感器、支持 AI 的物体识别和无人机飞行控制计算机集成在一起，无人机可以更安全地着陆，而不必担心在飞行着陆阶段因意外障碍物而翻倒或严重损坏。 索引术语 — 着陆平台跟踪、避障、图像分割、人工智能、二维坐标、飞行控制
strasa.tech - HAPS平台
2。strasa.tech HAPS平台Strasa.tech HAPS平台设计用于在下层平流层中的操作，它们将其描述为“空域中未充分利用的区域，几乎是商业航空使用的空域的两倍。”这将使HAP的运营高度处于18,288至21,366米（60,000至70,000英尺）的范围内。独特的太阳能平台，带有气体信封安装的太阳能电池板和悬挂在气体信封下的垂直安装的太阳能电池阵列，旨在保持一年的高度。飞行控制系统使用复杂的人工智能（AI）与风校正一起利用平流层风层，在指定的地理位置的附近进行导航和有效维护宽松的站点，或者在过境期间在航路点之间导航。使用平流层风层和放松地位定位要求大大降低了HAPS平台的推进功率要求，而不会过度影响任务表现。HAPS平台将受益于使用非常低的氦气泄漏率的新家庭，Atlas于2022年4月宣布的多层气体信封材料：
MH370航班轨迹分析
1. 详细分析了从航路点 IGARI 到苏门答腊岛北部最后一次雷达接触的已知轨迹。结果表明，飞机在改变航线时的掉头很可能是手动操作的。经过短暂下降后，飞机以恒定的 310 节 IAS 速度在 FL300 飞行，并在 18h21’ UTC 后略微加速。这与从掉头后的官方出口点到最后一次雷达接触的时间相符。 2. 使用经过验证的航空计算重建的未知轨迹基于：a. 我们根据当天的天气数据对 18h28 UTC 的燃油量进行估计。b. 被认为值得信赖的 Inmarsat 卫星弧。c. 飞行员使用的当天气象信息和卫星事后收集的数据（风图、温度报告、全球数据同化系统-GDAS 等）d.搭载 Rolls-Royce Trent 892 发动机的 B777-200ER 的“飞行性能”表。例如 9M-MRO 具体技术数据，如燃油消耗性能系数 3。沿我们重新计算的轨迹计算出的 BTO 和 BFO 2 值与官方测量值相匹配，因为它们分别在 Inmarsat 定义的 +/-50 µs 和 +/- 7 Hz 范围内。