XiaoMi-AI文件搜索系统
World File Search System轨迹
Causaltad：用于在线轨迹异常检测的因果隐性生成模型
摘要 - 旨在估计鉴于源用途（SD）对的轨迹的异常风险（SD）对的轨迹异常检测已成为许多现实世界应用的关键问题。现有溶液直接训练一个生成模型，以进行观察到的轨迹，并将条件生成概率P（T | C）计算为异常风险，其中T和C分别代表轨迹和SD对。但是，我们认为观察到的轨迹被道路网络偏好混淆，这是SD分布和轨迹的常见原因。现有方法忽略了此问题，将其概括能力限制在分布轨迹上。在本文中，我们定义了轨迹轨迹异常检测问题，并提出了因果关系模型（即因果关系）来求解它。Causaltad采用do -calculus来消除道路网络偏好的混杂偏见，并估计p（t | do（c））作为异常标准。广泛的实验表明，Causaltad不仅可以在训练有素的轨迹上实现卓越的性能，而且通常可以提高分布数据外数据的性能，并改善2。1％〜5。7％和10。6％〜32。分别为7％。
人工智能技术变革方向和轨迹......
政府对创新的资助不仅会对技术变革的速度产生重大影响，而且对其方向也会产生重大影响。在本文中，我们研究了政府拨款和政府部门在人工智能 (AI) 发展中发挥的作用，人工智能是一种新兴的通用技术，有可能彻底改变经济和社会的许多方面。我们分析了美国专利商标局提交的所有 AI 专利，并开发了网络度量来捕捉每项专利对所有可能的后续创新序列的影响。通过确定专利对技术轨迹的影响，我们能够解释标准专利引用度量无法捕捉的新知识的长期累积影响。我们表明，由政府拨款资助的专利，尤其是由联邦机构和州政府部门提交的专利，对人工智能的发展产生了深远的影响。这些长期影响在早期阶段尤其显著，随着私人激励的接管，这种影响随着时间的推移而减弱。这些结果对于替代规范和控制内生性具有稳健性。
对官方对手的审查，就Kim Stanislav Aleksandrovich的论文进行了关于“轨迹协调办公室的算法”班级退出
科学规定是完全合理的 /科学的断言是完全合理的4。< / div>论文论文 /实际意义的实际价值很高 /高5。< / div>论文的理论价值 /理论意义高 /高6。< / div>论文 /论文主题的主题的相关性很高 /高7。< / div>在stanislav Aleksandrovich Kim论文中的评论 /评论，解决了一类非线性系统的trajetory Control和PATH的问题。作者获得了一些建立理论意义和科学新颖性的结果，关键的贡献是用于多输入和多发射（MIMO）系统设计控制算法的新方法。有三个主要的电源：1）在MIMO非线性植物的稳定问题中，关于稳定的状态算法； 2）在MIMO非线性植物的稳定问题中，输出稳健控制的算法； 3）在输出控制之后，用于稳定MIMO非线性植物A给定平滑空间轨迹的算法。这些结果的实际意义在于它们适用于移动机器人技术中现实世界运动控制的适用性，尤其是四轮驱动器。这项工作具有胜任和准确的签名。论文材料的介绍是逻辑和连贯的。所有关键结果均被形式化为清晰的陈述。论文中提出的所有主要科学结果均已在科学会议上发表和验证。
Augustin Degas、Mir Riyanul Islam、Christophe Hurter、Shaibal Barua、Hamidur Rahman 等人。《空中交通管理中的人工智能 (AI) 和可解释人工智能调查：当前趋势和发展以及未来研究轨迹》。《应用科学》，2022 年，12 (3)，第 1295 页。10.3390/app12031295。hal-03673940
1 Ecole Nationale de l'aviation Civile, 7 Avenue Edouard Belin, CS 54005, CEDEX 4, 31055 图卢兹, 法国； christophe.hurter@enac.fr (C.H.); minesh.poudel@enac.fr（议员）2 人工智能和智能系统研究小组，创新、设计与工程学院，Mälardalen 大学，Högskoleplan 1, 722 20 Västerås，瑞典； shaibal.barua@mdh.se (S.B.); hamidur.rahman@mdh.se（H.R.); mobyen.ahmed@mdh.se (M.U.A.); shahina.begum@mdh.se (S.B.); md.aquif.rahman@mdh.se (M.A.R.)3 Deep Blue s.r.l., Via Manin 53, 00185 罗马, 意大利; daniele.ruscio@dblue.it (D.R.); stefano.bonelli@dblue.it (S.B.)4 罗马大学分子医学系，Piazzale Aldo Moro 5，00185 罗马，意大利；giulia.cartocci@uniroma1.it (G.C.); gianluca.diflumeri@uniroma1.it (G.D.F.); gianluca.borghini@uniroma1.it (英国); fabio.babiloni@uniroma1.it (意大利); pietro.arico@uniroma1.it (巴勒斯坦权力机构)* 通信地址：augustin.degas@enac.fr (A.D.)；mir.riyanul.islam@mdh.se (M.R.I.)
控制癌症逆转的细胞分化轨迹
细胞差异受到基因调节的复杂层的控制，涉及各种转录调节剂对基因表达的调节。由于基因调节的复杂性，识别跨不同轨迹的主调节剂一直是一个长期的挑战。为了解决此问题，提出了一个计算框架，单细胞布尔网络推理和控制（Benein）。将有益的人用于人类大肠单细胞转录组数据，MYB，HDAC2和FOXA2被鉴定为主要调节剂，其抑制作用会诱导肠细胞的不同。发现，通过协同诱导差异和抑制恶性肿瘤，可以同时敲除这些主要调节剂可以将结直肠癌细胞恢复到正常的肠细胞中，从而通过体外和体内实验验证了恶性肿瘤。
社会转移：迅速的人类轨迹预测
准确的人类轨迹预测对于诸如Au sostos evers，机器人技术和监视系统等应用至关重要。然而，现有模型通常无法完全利用非语言社会提示在浏览空间时潜意识的人类信息。为了解决这个问题，我们介绍了社会转变，这是一个基于通用变压器的模型，利用多样化和众多的视觉提示来预测人类行为。我们将提示的想法从自然语言处理（NLP）转化为人类轨迹预测的任务，其中提示可以是地面上的X-y坐标序列，图像平面中的边界框或2d或3d中的身体姿势关键点。这又增加了轨迹数据，从而导致人类轨迹预测增强。使用掩蔽技术，我们的模型通过基于可用的视觉提示捕获代理之间的空间相互作用来表现灵活性和适应性。我们深入研究了使用2D与3D姿势的优点，以及一组有限的姿势。另外，我们研究了空间和时间注意图，以确定序列中哪些关键点和时间步骤对于优化人类轨迹预测至关重要。我们的方法在多个数据集上得到了验证，包括JTA，JRDB，行人和骑自行车的人在道路交通和Eth-Cucy中进行验证。该代码公开可用：https：//github.com/vita-epfl/social-transmotion。
屏障增强的平行同位轨迹优化针对安全至关重要的自主驾驶
摘要 - 在防止过度保守行为的同时，对自动驾驶行为进行高度任务至关重要。在本文中，我们提出了一种屏障增强的平行同位轨迹优化（BPHTO）方法，使用过度删除的乘数交替方向方法（ADMM）进行实时集成决策和计划。为了促进自我车辆（EV）与周围车辆之间的安全相互作用，根据屏障功能，开发了一个时空安全模块，该模块展示了双向脉冲。在计划范围内的不同时间步骤中采用了不同的障碍系数，以解释周围HVS的不确定性并减轻保守行为。此外，我们利用驱动器操作的离散特性来初始化基于可及性分析的名义面向行为的自由式同型轨迹，并且每个轨迹在本地限制为特定的驾驶操作，同时共享相同的任务目标。通过利用安全模块和EV的运动学的双凸度，我们将BPHTO作为BI-CONVEX优化问题。然后使用约束转录和过度删除的ADMM来简化优化过程，从而可以实时生成多个轨迹，并具有可观的保证。通过一系列实验，拟议的开发显示了使用合成和现实世界流量数据集在各种交通情况下的任务准确性，稳定性和一致性的提高。
dtg：基于扩散的轨迹生成，用于无MAP的全局导航
摘要 - 我们提出了一种新颖的基于端到端扩散的轨迹生成方法DTG，用于无地图的全球导航，以挑战户外场景，并具有遮挡和非结构化的越野特征，例如草，建筑物，灌木丛等。给定一个遥远的目标，我们的方法计算出满足以下目标的轨迹：（1）最大程度地降低目标的旅行距离； （2）通过选择不位于不良区域的路径来最大化遍历性。具体来说，我们为扩散模型提供了一种新颖的条件RNN（CRNN），以有效地产生轨迹。此外，我们提出了一种自适应训练方法，以确保扩散模型产生更多可遍历的轨迹。我们在各种室外场景中评估了我们的方法，并将性能与赫斯基机器人的其他全球导航算法进行比较。实际上，我们观察到的行进距离至少提高了15％，遍历性提高了7％。视频和代码：https：//github.com/jinggm/dtg.git。
苏门答腊猩猩母亲在母性行为的表达程度和轨迹上有所不同
。CC-BY 4.0 国际许可证永久有效。它是在预印本（未经同行评审认证）下提供的，作者/资助者已授予 bioRxiv 许可，可以在该版本中显示预印本。版权持有者于 2024 年 11 月 25 日发布了此版本。；https://doi.org/10.1101/2024.11.25.625129 doi：bioRxiv 预印本
一种基于计算机视觉的航空视频中准确提取车辆轨迹的方法
车辆轨迹数据拥有有价值的信息，用于高级驾驶开发和交通分析。虽然无人机（UAV）提供了更广泛的视角，但视频框架中小规模车辆的检测仍然遭受低精度的折磨，甚至错过了。本研究提出了一个全面的技术框架，以进行准确的车辆轨迹提取，包括六个主要组成部分：视频稳定，车辆检测，车辆跟踪，车道标记检测，坐标转换和数据denosing。为了减轻视频抖动，使用了冲浪和绒布稳定算法。仅一旦使用X（Yolox）进行多目标车辆检测，就只能看一下一个增强的检测器，并在检测头中包含一个浅特征提取模块，以提高低级和小规模特征的性能。有效的通道注意力（ECA）模块在颈部之前集成，以进一步提高表现力。此外，在输入阶段还应用了滑动窗口推理方法，以防止压缩高分辨率的视频帧。Savitzky-Golay过滤器用于轨迹降低。验证结果表明，改进的Yolox的平均平均精度（地图）为88.7％，比原模型的增强5.6％。与Advanced Yolov7和Yolov8模型相比，所提出的方法分别将MAP@50增加到7.63％和1.07％。此外，已经开发了车辆轨迹数据集，并且可以在www.cqskyeyex.com上公开访问。大多数跟踪（MT）轨迹度量达到98.9％，单侧定位的根平方误差约为0.05 m。这些结果证实，所提出的框架是交通研究中高准确性车辆轨迹数据收集的有效工具。