XiaoMi-AI文件搜索系统
World File Search System轨迹
在缺失观察下自动驾驶的物理信息轨迹预测
本文介绍了一种新型的自动驾驶汽车（AV）的轨迹预测方法，熟练解决了缺少观察的挑战以及在现实世界驾驶环境中遵守物理定律的需求。这项研究为AVS提供了分层的两阶段轨迹模型。在第一阶段，我们提出了小波重建网络，该网络是一种创新的工具，该工具专业地精心制作，用于重建缺失的观察，并提供与状态模型的可选集成，以增强其稳健性。ad的第二阶段，模型的第二阶段具有波融合编码器，这是一种量子力学启发的创新，用于复杂的车辆相互作用建模。通过合并运动学自行车模型，我们确保我们的预测与逼真的车辆运动学保持一致。融合了我们的方法论进步，我们引入了MocAd-Missing，这是一个全面的现实交通数据集，以及增强的NGSIM和HighD数据集的版本，旨在通过未观察到的环境进行严格的测试。广泛的评估表明，我们的方法明显超过了效果，即使在最多75％缺少观察结果的情况下，也达到了很高的精度。
cdstraj：以自主驾驶的轨迹预测为特征的扩散和时空相互作用网络
轨迹预测是Au ausostos驾驶（AD）中的一个基石，在使车辆能够在动态环境中安全有效地导航时发挥了关键作用。为了解决此任务，本文提出了一个新颖的轨迹预测模型，该模型是在面对异质和不确定的交通情况下为准确性而定制的。该模型的核心是特征性的扩散模块，这是一个创新的模块，旨在模拟具有固有不确定性的流量。该模块通过将其注入偏低的语义信息，从而增强了障碍预测准确性，从而富含预测过程。对此进行补充，我们的时空（ST）相互作用模块会导致交通情况对空间和时间段落的VEHILE动力学的细微效果，具有出色的有效性。通过详尽的评估，我们的模型设定了轨迹预测的新标准，实现最新的ART（SOTA）结果（NGSIM），高速公路无人机（Highd）和澳门相互互联的自动驾驶（MOCAD）数据集合（MOCAD）的简短和easated persalal temal spans。这种表现低估了该模型在浏览复杂的交通情况，包括高速公路，城市街道和交叉点的无与伦比的适应性和效率。
mftraj：无图，行为驱动的轨迹预测
本文介绍了用于自动驾驶的轨迹预测模型，重点是动态流量sce-narios中的复杂相互作用，而不依赖高清图。该模型，称为MFTRAJ，利用历史轨迹数据与新型动态图基于行为感知的模块相结合。以自适应结构感知的交互式卷积网络在其核心上捕获了道路使用者的正常和行为特征，并提供了时空的复杂性。通过线性注意机制增强，该模型达到了计算效率并降低了参数开销。对Argoverse，ngsim，HighD和MoCAD数据集进行评估强调了MFTRAJ的鲁棒性和适应性，即使在数据挑战的方案中，也不需要获得其他信息，例如HD MAPS或矢量化映射，甚至超过了数字基准。重要的是，即使在情况下，它仍保持竞争性能，这些竞争性能与大多数现有的最新模型相当。结果和方法表明，自主驾驶轨迹预测的显着进步，为更安全，更有效的自主系统铺平了道路。
如何在不同的气候轨迹下从农业流域中减少50％的营养损失？
在欧洲水体的持续富营养化和气候变化下的摘要，越来越需要评估最佳管理实践，以减少农业流域的营养损失。在这项研究中，我们在欧洲潮湿大陆区域的两个农业流域的水文预测中建立了一个每天的排放和水质模型，代表了欧洲潮湿的大陆区域中常见的农作物系统，以预测未来气候轨迹对养分负荷的影响。该模型预测在RCP2.6下的无机氮（IN）和总磷（TP）载荷可能会略有增加，这可能是由于沉淀驱动的动员。在RCP4.5和RCP8.5下，预计中的载荷分别从16％下降到26％和21％–50％，这很可能是由于温度驱动的作物摄取和蒸散量的增加。未观察到TP负载的不同趋势。通过欧洲绿色交易的目标减少了50％的养分负荷，使用了管理场景的组合，包括（a）矿物质肥料的应用降低20％，（b）引入覆盖作物（CC）和（c）通过引入洪水泛滥的洪水泛滥。目标TP载荷减少只能通过SM来实现，这可能是由于高排放事件期间农业流中的次级动员而导致的。减少负载的目标与SM，降肥和CC的组合相结合，其中所需的措施强烈取决于气候轨迹。总体而言，这项研究成功地证明了一种建模方法，用于评估气候变化轨迹不同的最佳管理实践，该方法是针对集水区域和特定营养减少目标量身定制的。
前庭脊髓核是平衡发育的一个轨迹
成熟的脊椎动物使用前庭脊髓神经元保持姿势，这些神经元将感知的不稳定转化为脊柱运动电路的反射命令。姿势稳定性在整个开发过程中有所改善。然而，由于陆地运动的复杂性，在早期生命中对姿势修复的前庭脊髓贡献仍未得到探索。在这里，我们利用了水下运动的相对简单性来量化在未分化性别的幼虫斑马菌发育过程中失去前庭脊髓神经元的姿势后果。通过在两个时间点进行比较，我们发现后来的前庭神经元病变导致更大的不稳定性。对数千个单独的游泳比赛的分析表明，病变破坏了运动的时机和矫正性，而不会影响游泳运动学，并且这种影响在较老的幼虫中尤为强。使用生成的游泳模型，我们展示了这些干扰如何解释两个时间点的姿势变异性。最后，后期病变破坏了在较旧幼虫中观察到的固定/躯干配位，将前庭脊髓神经元与用于深度导航的姿势控制方案联系起来。由于后来的病变对姿势稳定性更为破坏，因此我们得出结论，前庭脊髓脊髓贡献对幼虫成熟的平衡增加。前庭脊髓神经元在整个脊椎动物中都高度保守；因此，我们建议它们是用于姿势控制发展的发展的底物。
二维涡流运动在FESE0.5TE0.5中的Picsecond轨迹，由Terahertz Second Harmonic Generation
超导体中的量子涡流从几十年来的实际观点和基本观点中都引起了人们的持续关注。强化研究已致力于表征超导体的大电流和高磁场应用的默认电流密度[1,2]和静置频率[3]的行为。涡流也引起了人们的注意，因为它被预测可容纳拓扑超振动器表面的主要构粒粒子[4,5]，并且最近在基于铁的超导体中提出了它的存在[6-13]。还认为涡流参与了最近公认的非跨脑电图超导体的微观机制，该反应表现出非近代电动传输现象[14-19]和非近代关键电流或磁场[20,21]。已经开发了有关机制的广泛理论研究[22-29]。最近，发现源自涡旋运动的非偏射反应出现在准式，特别是terahertz，频率以肮脏的极限超级导体NBN NBN在超高电的注入下。在这里，超电流充当了反转和时间反向的象征破裂领域，从而产生了巨大的第二季型生成（SHG）[30]。在如此高的频率下，涡流的动力学被证明是由单个涡流核心的运动所主导的，无论涡旋 - 涡流相互作用如何。
Unitraj：可扩展车辆轨迹预测的统一框架
摘要。车辆轨迹预测越来越依赖于数据驱动的解决方案，但是它们扩展到不同数据域的能力以及较大数据集大小对其概括的影响仍然不足。虽然可以通过使用多个数据集来研究这些问题，但由于几个差异，例如，在数据for-mats，MAP分辨率和语义注释类型中，这是具有挑战性的。为了应对这些挑战，我们介绍了Unitraj，这是一个综合框架，该框架统一了各种数据集，模型和评估标准，为车辆轨迹预测字段提供了新的机会。特别是，使用Unitraj，我们进行了广泛的实验，并发现当转移到其他数据集时，模型的模型显着下降。但是，扩大数据大小和多样性可以大大提高性能，从而导致Nuscenes数据集的最新结果。我们对数据集特征提供了见解，以解释这些发现。代码可以在此处找到：https：//github.com/vita-epfl/unitraj。
从学龄到成年的肺功能轨迹及其与心血管疾病风险标志的关系
成年初期的抽象理由肺功能与随后的不良健康结果有关。确定稳定和可再现的肺功能轨迹是否可以在不同人群中得出，并研究其与心血管结构和功能的客观测量的关联。使用潜在剖面建模的方法，我们研究了三个基于人群的出生队列，从童年到成年初期，具有重复的肺活量测定学数据，以识别1 s（FEV 1）/强制生命力（FVC）的强迫呼气量的轨迹。我们使用多项式逻辑回归模型来研究衍生轨迹的早期预测因子。然后，我们确定了派生的FEV 1 /FVC轨迹与血压和超声心动图标志物之间的关联程度的程度增加了我们的同类之一24岁的3200名参与者。结果，我们确定了四个FEV 1 /FVC轨迹，其同类群体具有非常相似的潜在剖面（合并n = 6377）：高于平均水平（49.5％）；平均值（38.3％）;低于平均水平（10.6％）；并且持续低（1.7％）。男性性别，喘息，哮喘诊断/药物和过敏敏化与所有队列中肺功能降低的轨迹有关。我们发现，通过超声心动图（包括左心室质量为高度为高度和颈动脉内膜厚度）确定心血管风险标志的证据，而FEV 1 /fvc降低（p值的p值的平均粗轨迹范围为0.10至p <0.001）。在此分析中，我们将轨迹视为伪连续变量。我们确认了所有回归模型中线性的假设。结论儿童期肺功能轨迹不仅可以作为未来肺部疾病的发展，而且还可以作为成年后心血管疾病和多种疾病的预测因素。
脑电图的发展轨迹和周期性的力量：对辅助期间丘脑皮质发育的时机的影响
记录的版本：此预印本的一个版本于2024年7月10日在自然通讯上发布。请参阅https://doi.org/10.1038/s41467-024-50204-4。