XiaoMi-AI文件搜索系统
World File Search System运动计划
类人机器人运动计划方法：调查
抽象的人形机器人是复杂的动态系统。任何类型机器人应用都始于确定在已知或未知环境中执行给定任务的一系列最佳路径序列。本文批判性地审查了有关人形机器人多级运动和任务计划的三个关键领域的可用文献。首先是在为人类设计的环境中导航和操纵对象时的效率。在这里，该研究已被总结为行为克隆方法。第二是在动态和不可预测的环境中操作引起的扰动和碰撞的鲁棒性。在这里，整合到运动计划算法中的建模方法一直是许多研究类人运动平衡和动态稳定性方面的研究人员的重点。最后是实时性能，其中，机器人必须根据最新的感官数据调整其运动，以实现所需的相互作用和响应性。在这里，重点是机器人的机械结构和关节运动施加的运动学约束。解决限制优化问题的迭代性质，向前和运动学的计算复杂性以及适应快速变化的环境的要求，所有对实时性能构成了挑战。这项研究已经确定了当前趋势，更重要的是，在指出需要进一步研究的领域，研究差距。
PLANAGENT：闭环车辆运动计划的多模式大语言代理
摘要 - 车辆运动计划是自动驾驶技术的重要组成部分。当前基于规则的车辆运动计划方法在常见的情况下令人满意地表现出色，但努力将其推广到长尾情况。同时，基于学习的方法尚未在大规模闭环场景中实现优于基于规则的方法的优越性能。为了解决这些问题，我们提出了基于多模式大语言模型（MLLM）的第一个中高中计划系统。mllm被用作认知剂，将类似人类的知识，解释性和常识推理引入闭环计划中。具体来说，Plana-Gent通过三个核心模块利用了MLLM的力量。首先，环境变换模块构建了鸟类视图（BEV）地图和从环境中作为输入的基于车道的文本描述。第二，推理引擎模块从场景理解到侧面和纵向运动指令中引入了一个分层的思想，最终导致计划器代码生成。最后，集成了一个反射模块，以模拟和评估生成的计划者，以降低MLLM的不确定性。Planagent具有MLLM的常识推理和概括能力，这使其有效地应对常见和复杂的长尾方案。我们提出的Planagent对大规模和具有挑战性的NUPLAN基准进行了评估。全面的实验集令人信服地表明，Planigent在闭环运动计划任务中的表现优于现有的最新面积。代码将很快发布。
结构化运动计划对2型糖尿病的胰岛素抵抗和生活质量的有效性 - 随机对照试验
美国糖尿病协会（ADA）将糖尿病（DM）定义为一组由胰岛素分泌，胰岛素作用或两者兼而有之的高血糖症，其特征在于高血糖症或[1]。2型糖尿病（T2DM）的患病率正在迅速在全球范围内增加，并与肥胖症患病率的增加相同。2019年的T2DM患病率为9.3％，预计到2045年将增加到10.9％[2]。 在T2DM中，循环血液中的葡萄糖水平升高是由葡萄糖耐受性受损引起的，这导致胰岛素抵抗（IR）的发展。 T2DM并发症是发病和死亡率的主要原因之一。 长期并发症可以通过服用与健康的生活方式（即饮食和体育锻炼）一起服用药物来延迟并发症[3]。 胰岛素抵抗（IR）会损害肌肉细胞占据并储存葡萄糖和甘油三酸酯的能力，从而导致血液中循环的葡萄糖和三甘油三酸酯水平升高。 受损的葡萄糖控制和IR是心血管疾病发展的危险因素[4]。 ir通常存在于老年人中，但在所有年龄段的人都变得越来越普遍，包括超重和久坐的中年人[5]。 ir通常被定义为降低对胰岛素介导的葡萄糖处置的敏感性和反应性，以及对肝葡萄糖产生的抑制[6] IR在T2DM中起重要的病理生理作用。 评估胰岛素抵抗和β -Cell功能对于理解疾病状况至关重要。2019年的T2DM患病率为9.3％，预计到2045年将增加到10.9％[2]。在T2DM中，循环血液中的葡萄糖水平升高是由葡萄糖耐受性受损引起的，这导致胰岛素抵抗（IR）的发展。T2DM并发症是发病和死亡率的主要原因之一。长期并发症可以通过服用与健康的生活方式（即饮食和体育锻炼）一起服用药物来延迟并发症[3]。胰岛素抵抗（IR）会损害肌肉细胞占据并储存葡萄糖和甘油三酸酯的能力，从而导致血液中循环的葡萄糖和三甘油三酸酯水平升高。受损的葡萄糖控制和IR是心血管疾病发展的危险因素[4]。ir通常存在于老年人中，但在所有年龄段的人都变得越来越普遍，包括超重和久坐的中年人[5]。ir通常被定义为降低对胰岛素介导的葡萄糖处置的敏感性和反应性，以及对肝葡萄糖产生的抑制[6] IR在T2DM中起重要的病理生理作用。评估胰岛素抵抗和β -Cell功能对于理解疾病状况至关重要。评估胰岛素抵抗和β -Cell功能对于理解疾病状况至关重要。它通常与内脏肥胖，葡萄糖不耐症，高血压，血脂异常，内皮功能障碍和炎症标记水平升高有关[7]。评估胰岛素敏感性的金标准是葡萄糖夹检验（GCT）[8]。有几种用于评估胰岛素抵抗的技术，包括
朝着自主驾驶系统的安全实时运动计划框架：模型预测路径积分方法
摘要 - 自主驾驶系统中的安全轨迹（ADS）是实时解决的复杂问题。解决此问题的主要挑战是源于道路几何形状，语义和交通规则以及动态代理的存在所施加的各种条件和约束。最近，模型预测路径积分（MPPI）已证明是在非结构化和高度不确定的环境中机器人导航中最佳运动计划和控制的有效框架。在本文中，我们将AD中的运动计划问题作为非线性随机动态优化问题，可以使用MPPI策略来解决。这项工作的主要技术贡献是一种安全处理MPPI配方中的障碍的方法。在这种方法中，在考虑安全边缘的同时，可以轻松地集成到MPPI成本配方中的圆圈近似障碍。所提出的MPPI框架已在我们的自动驾驶汽车中有效实现，并使用三种不同的原始场景进行了实验验证。实验结果表明，生成的轨迹是安全，可行的，并且可以完美地实现计划目标。视频结果以及开源实现可在https://github.com/sntubix/mppi上找到。
基于LPV MPC和可及性分析的自动驾驶的安全运动计划者
本文为自动驾驶汽车的避免碰撞挑战提供了一种创新的优化解决方案。提出的方法包括一个在线运动计划者，旨在定义可行有效的途径，能够处理动态环境，同时隐含地确保拟议的演习中的安全性。考虑在运动计划者内部移动障碍的事实增加了问题的复杂性，而迫使它像其他人一样频繁地执行。为了降低这种计算复杂性，该方法以两个阶段的翻译进行了计数，将常用的非线性优化结构的两个阶段翻译成QP公式，可以很容易地解决。第一阶段是基于在车辆的动态约束中使用LPV矩阵。第二阶段包括基于设定的传播进行可及性分析，以获取可保证安全条件的允许输入和可触及状态的线性表达式。
commonRoad-carla接口：桥接运动计划和3D模拟之间的差距
摘要 - 在实际系统上验证Au au ausost everals的运动计划算法对于提高其在现实世界中的安全至关重要。开源计划，例如Autoware，为真实车辆提供了可部署的软件堆栈。但是，这种驾驶堆栈具有很高的进入障碍，因此集成新算法是乏味的。尤其是新的研究结果，主要仅在模拟中，例如在CommonRoad Benchmark Suite中进行评估。为了解决这个问题，我们提出了CR2AW，这是CommonRoad框架和自动保健之间的公开接口。CR2AW可以通过允许用户轻松将其CommonRoad计划模块整合到AutoWare中，从而大大简化了运动计划研究的SIM转移。我们在模拟和研究工具上进行的实验展示了CR2AW的实用性。
层次运动计划和离线稳健模型的自动驾驶预测控制
摘要 - 在恶劣条件下在复杂情况下驾驶车辆是自动驾驶汽车（AV）的最大挑战。为了解决这个问题，我们在复杂的场景中使用前主动转向系统提出了层次运动计划和稳健的控制策略，并在各种湿滑的道路粘附系数中，同时考虑车辆不确定的参数。通过智能驾驶员模型（IDM）考虑并以车辆跟随模型的形式考虑人类车辆（HVS）的行为（HVS）。然后，在上层中，运动计划者首先使用人工电位场（APF）算法来生成最佳轨迹，例如，路标，边界和静态/动态障碍物，例如道路标记，边界和静态/动态障碍。为了在下层跟踪生成的最佳trajectory，通过应用线性矩阵不等式（LMI）优化方法，使用线性参数变化（LPV）系统来实现离线约束的输出反馈鲁棒模型预测性控制（RMPC），以确保对模型参数的鲁棒性不适合模型不限制。更重要的是，通过增强系统模型，我们提出的方法称为离线RMPC，与三种现有的RMPC方法相比，具有出色的效率，例如，偏置式挡板offline RMPC，在线rmpc，在线rmpc和离线rmpc无需增强模型（离线rmpc w/o am），在不线rmpc w/o am）（均改进了计算时间），并改进了计算时间和添加时间。
强化学习增强运动计划框架：自主驾驶中的全面概括
摘要 - 这项研究介绍了一种新的方法，以实现运动计划，并在FRENET坐标系统中使用增强式学习（RL）代理告知分析算法。该组合直接解决了自主驾驶中适应性和安全性的挑战。运动计划算法对于导航动态和复杂方案至关重要。传统方法缺乏不可预测的环境所需的灵活性，而机器学习技术，尤其是强化学习（RL），具有适应性，但遭受了不稳定和缺乏解释性的困扰。我们独特的解决方案协同RL的动态适应性协同传统运动计划算法的可预测性和稳定性，从而产生了有效管理复杂情况并适应不断变化的环境条件的系统。对我们综合方法的评估显示，碰撞的改善，风险管理的改善以及在多种情况下提高了目标成功率。本研究中使用的代码可作为开放源软件公开使用，可以通过以下链接访问：https：//github.com/tum-avs/frenetix-rl。索引术语 - 自适应算法，自动驾驶汽车，避免碰撞，增强学习，机器人学习
IDB-A多级运动计划：光纤束配方
抽象的高维运动计划问题通常可以通过使用多级抽象来更快地解决。虽然有多种方式正式捕获多级抽象，但我们以纤维束的方式制定了它们。纤维束基本上使用本地产品空间来描述状态空间的低维投影，这使我们能够根据捆绑限制和捆绑截面来简化和得出新颖的算法。鉴于这种结构和相应的可允许约束函数，我们为高维状态空间开发了高度有效和基于最佳采样的运动计划方法。这些方法通过使用捆绑图来利用捆绑的结构。这些原语用于创建新颖的捆绑计划者，快速探索商的空间树（QRRT*）和商空间路线图计划者（QMP*）。两个计划者均显示出概率完整且几乎渐近地最佳。为了评估我们的捆绑计划者，我们将它们与四个低维情况的基准测试和基于经典的计划者进行了比较，以及八个高维场景，范围从21至100度的自由度不等，包括多个机器人和非健康的约束。我们的发现显示了多达2到6个数量级的改进，并强调了多级运动计划者的效率以及使用Fier Bundles的术语来利用多级抽象的有益。
