XiaoMi-AI文件搜索系统
World File Search System路径规划
有效载荷意识到的轨迹优化针对非独立移动多机器人操纵，并带有提示避免
摘要 - 合作移动操作是机器人技术中越来越重要的主题：就像人类需要在许多任务上进行协作一样，机器人需要能够一起工作，例如，在非结构化环境中运输重型或笨拙的物体。但是，移动多机器人系统提出了独特的挑战，例如运动计划的更大配置空间，稳定性问题，尤其是对于轮式移动机器人，非全面约束。为了应对这些挑战，我们提出了一个基于用于轮式移动操作的直接转录公式的多机器人双级优化系统。我们的配方使用静态力，计算出较低级别的稳定性目标，以告知较高级别的车轮轨迹计划。这允许有效的计划，同时确保安全执行并改善实际机器人的开环绩效。我们证明了我们的模型能够解决具有挑战性的运动规划任务，并评估其在ClearPath Husky Mobile平台上改进的现实世界的能力。最后，我们将系统与先前呈现的混合真实接口集成在一起。索引术语 - 多种移动机器人或代理商的多数机器人系统，合作机器人，机器人技术和施工中的自动化的路径规划，车轮机器人
使用无人机和强化学习技术自动进行飞机扫描检查
在飞机日常维护中，通常需要对飞机外表面进行目视检查。使用配备传感器的移动机器人进行自动检查以替代耗时且容易出错的手动检查已成为一种趋势。利用机器学习和数据科学的力量，可以使用图像和点云等感测数据进一步表征缺陷。在这种机器人检查过程中，需要精确的飞机数字模型来规划检查路径，然而，飞机维修店通常无法获得飞机的原始 CAD 模型。因此，使用诸如 3D 激光扫描仪和 RGB-D（红、绿、蓝和深度）相机等传感器，因为它们能够以有效的方式生成感兴趣对象的 3D 模型。本文介绍了一种两阶段方法，使用配备 RGB-D 相机的 UAV（无人驾驶飞行器）自动扫描飞机，以便在无法获得飞机原始 CAD 模型的情况下重建飞机的数字复制品。在第一阶段，无人机相机系统遵循预定义的路径快速扫描飞机并生成飞机的粗略模型。然后，根据飞机的粗略模型计算全覆盖扫描路径。在第二阶段，无人机相机系统遵循计算出的路径对飞机进行紧密扫描，以生成飞机的密集而精确的模型。我们解决了飞机的覆盖路径规划 (CPP) 问题
网格空间中的凸包计算
摘要 当输入点来自结构化配置（例如二维 (2D) 或三维 (3D) 网格）时，许多实际应用都要求计算凸包 (CH)。网格空间中的凸包已应用于地理信息系统、医学数据分析、机器人/自动驾驶汽车的路径规划等。用于 CH 计算的传统和现有的 GPU 加速算法不能直接在以矩阵格式表示的 2D 或 3D 网格上运行，并且不能利用这种光栅化表示中固有的顺序。这项工作引入了新颖的过滤算法，最初为 2D 网格空间开发，随后扩展到 3D 以加速外壳计算。它们进一步扩展为 GPU-CPU 混合算法，并在商用 NVIDIA GPU 上实现和评估。对于 2D 网格，对于 ( n × n ) 网格，贡献像素的数量始终限制为 ≤ 2 n。此外，它们是按字典顺序提取的，从而确保了 CH 的高效 O(n) 计算。同样，在 3D 中，对于 (n×n×n) 体素矩阵，贡献体素的数量始终限制为 ≤ 2n2。此外，2D CH 滤波在 3D 网格的所有切片上并行启用，从而进一步减少了要输入到 3D CH 计算过程的贡献体素的数量。与最先进的方法相比，我们的方法更胜一筹，尤其是对于大型和稀疏的点云。
基于LIDAR定向子图像的自动驾驶图之间的航向点传输模块
摘要：车道图对于描述道路语义和使用本地化和路径规划模块实现安全的操作非常重要。这些图被认为是长寿细节，因为道路结构中发生了罕见的变化。另一方面，由于有必要使用不同的定位系统（例如GNSS/INS-RTK（GIR），Dead-Reckoning（DR）或SLAM Technologies）更新或扩展地图，因此可能会更改相应拓扑图的全局位置。因此，应将车道图准确地在地图之间传输，以描述车道和地标的相同语义。考虑到其在关键的道路结构中实施的挑战性要求，本文根据LiDAR强度路面在图像域中提出了一个独特的转移框架。目标图中的道路表面被分解为全球坐标系中的X，Y和YAW ID的定向子图像。XY ID用于使用参考图检测公共区域，而YAW ID则用于重建参考图中的车辆轨迹并确定相关的车道图。然后将方向子图像匹配到参考子图像，并将图形安全地传输。实验结果已经验证了所提出的框架在地图之间安全，准确地传输巷道图的鲁棒性和可靠性，无论道路结构的复杂性，驾驶场景，地图生成方法和地图全局精度的复杂性如何。
使用无人机自动扫描飞机进行检查...
在飞机日常维护中，通常需要对飞机外表面进行目视检查。使用配备传感器的移动机器人进行自动检查以替代耗时且容易出错的手动检查已成为一种趋势。利用机器学习和数据科学的力量，可以使用图像和点云等感测数据进一步表征缺陷。在这种机器人检查过程中，需要精确的飞机数字模型来规划检查路径，然而，飞机维修店通常无法获得飞机的原始 CAD 模型。因此，使用诸如 3D 激光扫描仪和 RGB-D（红、绿、蓝和深度）相机等传感器，因为它们能够以有效的方式生成感兴趣对象的 3D 模型。本文介绍了一种两阶段方法，使用配备 RGB-D 相机的 UAV（无人驾驶飞行器）自动扫描飞机，以便在无法获得飞机原始 CAD 模型的情况下重建飞机的数字复制品。在第一阶段，无人机相机系统遵循预定义的路径快速扫描飞机并生成飞机的粗略模型。然后，根据飞机的粗略模型计算全覆盖扫描路径。在第二阶段，无人机相机系统遵循计算出的路径对飞机进行紧密扫描，以生成飞机的密集而精确的模型。我们解决了飞机的覆盖路径规划 (CPP) 问题
自动驾驶汽车中的人工智能 - ijrpr
自动驾驶汽车的可能性开始成为现实。尽管它可能面临许多挑战，但自动驾驶汽车肯定会成为现实，但这需要很多年的时间，因为制造自动驾驶汽车并不容易。它使用人工智能原理。许多人工智能算法用于开发此类车辆。自动驾驶汽车必须执行许多任务，因为这些车辆需要收集许多重要数据、规划和执行其轨迹等等。用自动驾驶汽车取代人类驾驶汽车并非易事。必须克服此类汽车面临的许多挑战才能使其成为现实。自动驾驶汽车行业是一个快速发展的行业。人工智能在开发自动驾驶汽车方面发挥着重要作用。制造此类自动驾驶汽车时，应该实施许多人工智能算法。路径规划是使用人工智能的主要任务之一。它在导航系统的帮助下工作。人工智能必须与传感器交互并希望实时使用数据。这是开发此类自动驾驶汽车面临的主要挑战之一，而且由于 CPU 的速度和内存限制，一些人工智能算法很难使用。使用这些汽车时，乘客的安全也很重要，因为这些现代车辆使用实时系统。此外，电动汽车依赖于电池的充电，因此使用此类车辆时会消耗更多电量。随着未来几年人工智能的进步，我们可以拥有安全的交通。不可能轻易解决大问题。因此，制造商将问题分解成更小的部分，并正在努力实现这一目标。
端到端的基于深度学习的路径计划和碰撞检查框架：bin选择应用程序
抽象的实时和效率路径计划对于所有机器人系统至关重要。，对于工业机器人而言，这更为重要，因为总体计划和执行时间直接影响生产线中的周期时间和自动化经济学。尽管在静态环境中问题可能并不复杂，但在计划时间和最佳性方面，经典方法在高维环境中是不可能的。碰撞检查在获得复杂环境中的路径计划的实时解决方案方面提出了另一个挑战。为了解决这些问题，我们提出了一个基于端到端的学习框架，即路径计划和碰撞检查网络（PPCNET）。PPCNET通过使用两个网络顺序计算航路点来生成路径：第一个网络生成了路点，第二个网络确定路径是否在路径的无碰撞段上。端到端培训过程基于模仿学习，该学习使用来自专家规划师的经验的数据聚合来同时培训两个网络。我们利用两种方法来训练一个有效近似确切几何碰撞检查功能的网络。最后，在两个不同的仿真环境中评估了PPCNET，并在用于BIN采摘应用程序的机器人臂上进行了实际实现。与最先进的路径规划方法相比，我们的结果通过以可比的成功率和路径长度大大减少了计划时间，显示出绩效的显着改善。
Lunar Rover与人为潜在的基于现场的启发式的启发式启发式
摘要：将于2030年左右建立的国际月球研究站，将为月球漫游器提供机器人武器作为建筑商。建筑需要月球土壤和月球漫游者，为此，由于短暂的一天，尤其是在南极附近，漫游者必须在有限的时间内遇到不同的航路点，而不会在有限的时间内遇到障碍。传统的计划方法，例如从地面上载指令，几乎无法以高效的效率同时处理许多流浪者。因此，我们提出了一种基于深度强化学习的新的协作路径规划方法，在该方法中，人工电位领域的目标和障碍都证明了启发式方法。的环境是随机生成的，在创建大小障碍和不同的航路点以收集资源，训练深厚的增强学习代理以提出行动，并带领流浪者在没有障碍，完成漫游者的任务并达到不同目标的情况下移动。在每个步骤中，由障碍物和其他流浪者创造的人工潜力领域都会影响流动站的动作选择。人工潜力领域的信息将转变为有助于保持距离和安全性的深度加强学习中的奖励。实验表明，我们的方法可以引导流浪者更安全地移动，而不会变成附近的大障碍或与其他流浪者发生碰撞，并且与具有改进的避免障碍物方法的多代理A-Star路径计划算法相比，消耗的能量更少。
农业喷洒无人机的路径跟踪
1 埃尔吉耶斯大学，工程学院，机电一体化工程系，38039，开塞利，土耳其 收稿日期：2024 年 3 月 27 日 修订日期：2024 年 6 月 11 日 接受日期：2024 年 7 月 8 日 摘要 Öz 本文介绍了 Pure Pursuit 控制算法在农业农药喷洒无人机路径跟踪中的实现。精确的路径跟踪可确保准确的农药覆盖范围，最大限度地提高作物产量并最大限度地减少环境影响。大多数农业无人机使用的传统位置控制架构会导致农药分布不一致，因为无人机速度不稳定。位置控制还会导致角落处的减速和加速，导致这些区域喷洒过度。这种缺乏均匀的喷雾分布对高效和可持续农业提出了挑战。Pure Pursuit 算法因其在自主导航中的简单性和有效性而受到青睐。软件架构（包括飞行控制堆栈和基于 ROS2 的 PX4 仿真架构）展示了无人机的精确轨迹跟踪能力。仿真测试评估了系统的路径跟踪精度和整体性能。比较结果表明，Pure Pursuit 控制器在精度、鲁棒性和适应性方面优于标准位置控制器。此外，本文介绍了一种基于网格分解的创新覆盖路径规划 (CPP) 策略。该 CPP 策略与 Pure Pursuit 控制机制相结合，可确保精确的路径跟踪并最大限度地提高覆盖均匀性，从而进一步提高农业喷洒作业的有效性和可持续性。
使用2D激光雷达环境的自适应学习粒子群体优化的移动机器人路径计划
摘要智能逻辑应用程序机器人的加载和卸载操作在很大程度上取决于其感知系统。但是，关于LIDAR图及其在复杂环境导航系统中的评估算法的研究很少。在拟议的工作中，使用二进制占用网格方法对LIDAR信息进行了限制，并实施了改进的自适应学习粒子群群优化（ISALPSO）算法，以进行路径预测。该方法利用2D激光雷达映射来确定后勤应用程序中移动机器人最有效的路线。在机器人操作系统（ROS）平台中使用Hector SLAM方法来实现移动机器人实时位置和地图构建，随后将其转换为二进制占用网格。为了显示所提出方法的路径导航发现，使用2D LIDAR映射点数据在MATLAB 2D虚拟环境中创建了导航模型。根据生成的路径的性能，ISALPSO算法适应其参数惯性重量，加速度系数，学习系数，突变因子和群的大小。与其他五个PSO变体相比，ISALPSO算法具有相当短的路径，快速收敛速率，并且基于使用2D Lidar环境的验证，需要更少的时间来计算运输和卸载环境之间的距离。使用与2D激光雷达连接的Quanser硬件验证了Logistic应用程序中移动机器人的路径规划的效率和效率，并使用拟议的算法在环境3中进行操作，以生产最佳路径。