XiaoMi-AI文件搜索系统
World File Search System轨迹
库存，起源和未来的轨迹隐藏土壤有机碳在高山高山地区的块状田野中
多年冻土由于全球温度的升高而变暖，从而改变了这些环境中的碳循环。研究主要集中于北极冻土，但我们缺乏有关高山冻土区潜在C积累和释放的时间和幅度的数据。这些环境在带有和没有图案的地面上包含山顶（> 2900 m）上的块状场，这些地面主要不含植被，因此被认为不含土壤有机碳（SOC）。以冰冻和融化的粗糙和细材料分离的事实，我们的目的是测试没有植被的高山区域是否确实不含SoC，或者它们是否含有隐藏的碳，这可能代表气候变暖后可能代表CO 2来源。通过在相同或稍低的海拔地区采样植被土壤，我们想测试在不久的将来，在气候变暖下，Blockfields中的SOC股票将如何发展。
用于多智能体轨迹预测的二阶图微分方程
多智能体轨迹预测是一项基础任务，可应用于自动驾驶、物理系统建模和智慧城市等各个领域。该任务具有挑战性，因为智能体交互和底层连续动力学共同影响其行为。现有方法通常依赖图神经网络 (GNN) 或 Transformer 来提取智能体交互特征。然而，它们往往忽略了智能体之间的距离和速度信息如何动态地影响它们的交互。此外，以前的方法使用 RNN 或一阶常微分方程 (ODE) 来模拟时间动态，这可能缺乏对每个智能体如何受交互驱动的解释性。为了应对这些挑战，本文提出了 Agent Graph ODE，这是一种显式模拟智能体交互和连续二阶动力学的新方法。我们的方法采用变分自编码器架构，在编码器模块中结合了具有距离信息的时空Transformer和动态交互图的构建。在解码器模块中，我们采用具有距离信息的GNN来建模智能体交互，并使用耦合的二阶微分方程(ODE)来捕捉底层的连续动力学，该微分方程通过建模加速度和智能体交互之间的关系来构建模型。实验结果表明，我们提出的Agent Graph ODE在预测精度方面优于最先进的方法。此外，我们的方法在训练数据集中未见的突发情况下也表现良好。
青少年和年轻成人精神病学的心理病理轨迹
青春期构成了生活中的关键时期，其生物学和成熟力对成年后的生理和心理过程的批判性影响。进入成年时，人们会面临重要的个人和社会挑战，例如探索生活方向和成人承诺。经常在这些年龄的情况下观察到规范性调整模式的改变，导致精神病疾病可能在以后的生活中显示出持久的影响。在这方面，超过四分之一的人可能在青少年和年轻时代表现出精神病（1，2）。此外，在年轻人中的精神病状况的发展（无论达到临床意义上如何）可能会增加生命后期另一种状况的风险的12倍（3）。此外，通过自杀行为的发展，精神健康障碍的存在与直接或间接死亡率的风险增加有关。自杀行为和非自杀的自我伤害（NSSH）越来越普遍。最后，近几十年来，年轻人的疾病负担和功能丧失（即丧生的年生命）增加了35％（4）。从终生的角度来看，对青春期和青年的心理健康状况的研究对于理解早期的精神病理学和精神病学表现以及整个生命周期的进一步发作至关重要。Casey等。此外，对周期的保护性和风险预订的识别可能有助于改善诊断工具，并优化治疗方案和随访方案。（5）强调，专注于心理病理发展的关键时期，研究整个生命周期的精神疾病的自然过程，以确定与环境影响不断相互作用的潜在发展级联。在这方面，神经发育过程的过程可能描绘出不同形状，整个生命周期都有明显的峰值。这些峰可能代表敏感时期或受限的开发窗口，
基因组果蝇线的多方面和广泛的行为轨迹
详细的跟踪数据对于理解动物行为背后的复杂机制至关重要。在这里，我们提供了一个全面的数据集，其中包含来自105个遗传学菌株的30,000多个果蝇Melanogaster个体的行为电影和轨迹，其中包括果蝇基因参考面板的104种野生型菌株以及一个视力障碍的突变体。在15分钟的会议期间收集了由遗传背景，性别和社会环境分类的这些数据，包括五分钟的重复迫在眉睫的刺激，以引起恐惧反应。此外，我们的实验设计将小组实验与随机组合的菌株对结合，以研究小组成员对行为动力学的协同作用。除了对运动，恐惧反应和社交相互作用的遗传因素进行详细分析之外，该数据集提供了一个独特的机会来检查遗传相同果蝇内的个体行为变异性。通过在不同的遗传和环境环境中捕获各种各样的行为，这些数据是促进我们对遗传，个性和群体相互作用如何影响动物行为的理解的宝贵资源。
基于仿真的高速公路轨迹计划分析，使用高级多项式用于高度自动化驾驶功能
摘要 - 自动驾驶的基本任务之一是安全的轨迹计划，决定车辆需要驾驶的任务，同时避免障碍，遵守安全规则并尊重道路的基本限制。这种方法的实际应用涉及考虑周围环境条件和运动，例如车道变化，避免碰撞和车道合并。本文的主要重点是使用高阶多项式来开发和实施安全碰撞的高速公路车道变化轨迹，以高度自动化驾驶功能（HADF）。规划通常被认为是比对照更高的级别过程。行为计划模块（BPM）的设计旨在计划高级驾驶动作（例如Lane Change Maneuver），以安全地实现横向指导的功能，以确保车辆安全性和通过环境有效的运动计划。基于从（BPM）收到的建议，该函数将产生一个相应的轨迹。所提出的计划系统是特有的，具有基于多项式的算法的情况，对于两个车道高速公路方案。多项式曲线具有连续曲率和简单性的优点，可降低整体复杂性，从而可以快速计算。通过MATLAB模拟环境对所提出的设计进行了验证和分析。结果表明，本文提出的方法在车道变化动作的安全性和稳定性方面取得了显着提高。索引项 - BPM，HADF，MPC，车道变更，轨迹产生。
3D姿态估计和2D轨迹预测
根据给定序列预测人体运动是计算机视觉和机器学习中一项具有挑战性且至关重要的任务，它使机器能够有效地理解人类行为。精确预测人体姿势和运动轨迹对于各种应用都具有重要意义，包括自动驾驶、机器人技术和虚拟现实。本文提出了一种新方法来解决估计以 3D 姿势或 2D 轨迹表示的人体运动，以及使用 2D 图像和人体姿势/位置序列联合预测未来运动的相互关联的任务。我们提出了一种编码器-解码器架构，该架构利用具有自注意机制的 Transformer 网络，利用视觉上下文特征，结合 LSTM 来建模人体运动运动学。我们的方法在数量和质量上都比现有方法表现出持续显著的改进。在各种公共数据集上进行的大量实验，例如用于 3D 人体姿势估计的 GTA-IM 和 PROX，以及用于 2D 轨迹预测的 ETH 和 UCY 组合数据集，表明与当前最先进的方法相比，我们的方法大大减少了预测误差。
比较医学概念表示和患者轨迹预测的神经语言模型
医学概念的有效表示对于电子健康记录的次要分析至关重要。神经语言模型在自动从临床数据中得出医学概念表示方面已显示出希望。但是，尚未对不同语言模型的比较性能，用于创建这些经验表示形式及其编码医学语义的程度，尚未得到广泛的研究。本研究旨在通过评估三种流行语言模型的有效性 - word2vec，fastText和手套 - 在创建捕获其语义含义的医学概念嵌入中的有效性。通过使用大量的数字健康记录数据集，我们创建了患者轨迹，并用它们来训练语言模型。然后，我们通过与生物医学术语进行明确比较来评估学到的嵌入式编码语义的能力，并通过预测具有不同级别可用信息的患者结果和轨迹来隐含。我们的定性分析表明，FastText学到的嵌入的经验簇与从生物医学术语获得的理论聚类模式表现出最高的相似性，分别在0.88、0.80和0.92的经验簇和0.92之间的诊断，过程和医疗代码分别为0.88、0.80和0.92之间。相反，为了预测，Word2Vec和Glove倾向于优于快速文本，而前者的AUROC分别高达0.78、0.62和0.85，分别用于现场长度，再入院和死亡率预测。在预测患者轨迹中的医疗法规时，手套在诊断和药物代码（分别为0.45和0.81）的最高级别上达到了语义层次结构的最高性能（AUPRC分别为0.45和0.81），而FastText优于其他模型的过程代码（AUPRC为0.66）。我们的研究表明，子词信息对于学习医学概念表示至关重要，但是全球嵌入向量更适合于更高级别的下游任务，例如轨迹预测。因此，可以利用这些模型来学习传达临床意义的表示形式，而我们的见解突出了使用机器学习技术来编码医学数据的潜力。
肾功能轨迹和LVAD植入后正确的心力衰竭
方法和结果：我们确定了从2014年7月1日至2017年12月31日在机械辅助循环支持（Intermacs）数据集的机构间注册中，从2014年7月1日到2017年12月31日收到了主要连续流量的植入。使用Intermacs定义在1和3个月时确定了RHF的事件RHF，并归类为瞬态或持久性。肾脏功能轨迹在RHF发作前后，以及基线肾功能与不同时间点的RHF风险的关系。我们确定了符合纳入标准的8076 LVAD接收者。事件RHF在1个月以26.4％出现。有4850名在3个月时随访的人，其中RHF的事件为4.2％。肾脏功能轨迹与RHF类别的LVAD前植入到1个月的随访不同，而发展持续性RHF的基线肾脏功能没有改善。对于3个月的RHF确定时间之前的轨迹，对于患有和没有RHF的人来说，这种形状相似，而开发RHF的人的肾小球过滤率较低。基线估计的肾小球过滤率水平低于正常范围，与1和3个月的RHF风险更高有关。
增强亚最佳轨迹缝线
通过监督学习（RVS）进行的加强学习被称为离线增强学习（RL）的新兴范式。虽然返回条件的RVS（RVS-R）在与离线RL任务有关的广泛数据集中占主导地位，但最近的发现表明，目标条件条件的RVS（RVS-G）优于特定的子最好数据集中的轨迹迹象，其中轨迹插入轨迹可用于实现最新功能性能。但是，这种优势的根本原因仍未得到充分探索。在本文中，采用了教学实验和理论分析，我们揭示了RVS-G在缝线轨迹中的熟练程度源于其在评估过程中概括到未知目标方面的熟练性。在这种见解的基础上，我们引入了一种新颖的RVS-G方法，即空间组成RVS（SC-RVS），以增强其概括为未知目标的能力。此反过来又增强了子最佳数据集上的trajectory缝合性能。具体而言，通过利用优势重量的力量和最大透气正则重量，我们的方法可以与现有的RVS-G方法相比，在行动选择中促进乐观目标采样的促进与维护差异的悲观水平。对D4RL基准测试的广泛实验结果表明，在大多数情况下，我们的SC-RV对基准的表现良好，尤其是在需要轨迹缝线的亚最佳数据集上。
一个基于自动驾驶汽车决策和轨迹计划的基于互动游戏理论-PSO的综合框架
摘要：自动驾驶汽车和人类驾驶员之间的相互依赖性是自动驾驶安全性和可行性的一个开放问题。本文介绍了游戏理论轨迹计划者和混合人流环境的决策者。我们的解决方案是与周围车辆的相互作用，同时做出决策，并使用用衣架插值方法产生类似人类的轨迹。此处使用的粒子群优化器（PSO）桥梁桥接决策和轨迹生成过程，用于连接执行。我们选择了一个未信号的交叉点，以证明我们方法的可行性。测试结果表明，我们的方法降低了轨迹优化问题的搜索空间的维度，并在路径曲率上实施了几何约束。