XiaoMi-AI文件搜索系统
World File Search System运动轨迹
机器人操纵与流量匹配
从使用卷积网络的传统行为克隆[1]到基于变压器的学习结构[2]，广泛的研究已经对视觉场景的机器人动作轨迹进行了建模。最新的作品基于扩散模型[3]的成功，以生成运动轨迹以捕获多模式动作分布。流匹配是另一种新颖的生成方法。与随机的扩散概率模型共享理论相似性，流匹配旨在回归确定性矢量场，以将样品流向目标分布。证明，与解决扩散模型中的复杂随机微分方程相比，流动匹配目标的简单性可以在稳定的训练和发电质量中表现出色。尽管在图像生成方面取得了最新进展[4]，但在机器人域中的流量匹配的应用仍未得到充满反感[5，6，7]。我们提出了流程匹配策略，以从原始视觉输入中学习模拟和现实世界的机器人行为并进行系统评估。
大气和空间天气条件变化对定位精度的影响
摘要：当今的技术发展使得使用机器代替人类执行特定任务成为可能。然而，这种自主设备面临的挑战是在不断变化的外部环境中精确移动和导航。本文分析了不同天气条件（气温、湿度、风速、大气压力、使用的卫星系统类型/可见卫星以及太阳活动）对定位精度的影响。为了到达接收器，卫星信号必须传播很长的距离并穿过地球大气层的所有层，大气层的变化会导致错误和延迟。此外，接收卫星数据的天气条件并不总是有利的。为了研究延迟和误差对定位的影响，对卫星信号进行了测量，确定了运动轨迹，并比较了这些轨迹的标准偏差。所得结果表明，可以实现高精度定位，但太阳耀斑或卫星可见度等变化条件意味着并非所有测量都能达到所需的精度。卫星信号绝对测量法的使用在很大程度上促成了这一点。为了提高 GNSS 系统的定位精度，首先建议使用消除电离层折射的双频接收器。
hep®（体内稳态 - 增强 - 塑性）方法改变了感觉 - 运动轨迹并改善父母的目标：对血液脑脑瘫和双胞胎性贫血多余性心血症序列（TAPS）的单一主题研究
摘要：背景：针对被识别为脑瘫（CP）高风险或已诊断出患有其的婴儿的早期干预（EI）对于促进产后脑组织的促进至关重要。这项研究的目的是探索稳态 - 塑性塑性（HEP）方法的有效性，这是一个当代的EI模型，在实验性动物发展中，将丰富环境范式和神经元可塑性的关键原理应用于人类发展的生态学理论中，并在运动发展上与运动序列和tw tw tw tw tw tw Onsem and tw tw Onemia and tw Onemia and tw tw Onemia and tw tw Onemia（tw）。 CP。方法：使用Peabody发育量表-2（PDMS-2）的多个基线评估的随访单案例研究设计的AB阶段，使用了婴儿（TSFI）的感觉功能。非重叠的置信区间分析用于PES-POST PDMS-2分数。使用目标达到量表（GAS）进行了目标和目标的进度。HEP方法干预措施包括在3个月内实施的12个小时的课程，物理治疗师提供了每周基于诊所的父母教练。结果：结果发现，根据2SD频段分析，PDMS-2和TSFI的HEP进近干预措施的响应在A阶段A期间的基线稳定，并有所改善。PDMS-2分数的置信区间也表明HEP干预后有了显着改善。PDMS-2和TSFI的分数均保持一致或在整个随访阶段都显示出改进。气体T得分为77.14，表明婴儿超出了干预目标的预期。结论：尽管我们的发现表明，HEP进近干预有望在具有TAPS和CP的婴儿中增强感觉功能，运动技能结果和父母目标，但需要进一步的研究来验证和更广泛地应用这些结果。
在线确定腿部运动学
摘要 - 腿部机器人正在出现，并且非常需要腿部的机车，这需要精确的腿部运动动力学来执行控制命令或计划运动轨迹。本文提出了在线状态估计，以确定具有任意腿部数量的机器人的腿部运动学，其中包括腿部变换，时间偏移和腿链路长度的运动学参数。尤其是我们主张一个地面舞蹈步态，以进行运动学的决心，脚趾在地面上保持静态并充当大满贯中的静态地标。作为视觉惯性传感器通常在机器人机器人上可用，并且位于浮动基础上，我们利用有效的基于MSCKF的视觉惯性导航来估计腿部运动学。为此，我们通过分析得出了腿部运动测量的分析，并将它们与视觉惯性测量紧密融合，以更新腿的运动学和身体运动。在模拟和实验中，该方法已通过不同的四倍体进行了广泛的验证，显示出其稳健性和准确性。
人体手臂流畅运动的能量基础
摘要 中枢神经系统计划人类的伸手动作，其运动轨迹通常很平滑，持续时间也相当一致。平滑性似乎可以通过准确性作为主要运动目标来解释，而持续时间似乎可以节省能量消耗。但目前对能量消耗的理解并不能解释平滑性，因此同一运动的两个方面由看似不相容的目标控制。在这里，我们表明平滑性实际上是经济的，因为人类在更剧烈的运动中消耗更多的代谢能量。提出的机制是钙转运激活肌肉的成本与肌肉力量产生率成比例，这种成本被低估了。我们通过实验测试了人类（N = 10）周期性进行双手伸手的能量成本。然后证明了经验成本可以预测平滑、离散的伸手，而此前人们认为这仅仅归因于准确性。因此，机械的、生理上可测量的能量成本可以从经济的角度解释平滑性和持续时间，并有助于解决伸手动作中的运动冗余。
舰载飞机-拖拉机的轨迹规划与跟踪...
如何自主规划出协同运动轨迹并及时准确地控制舰载机的运动是提升整体甲板作业效率的关键。本文主要讨论的问题是多舰载机协调轨迹规划策略及牵引机与舰载机的协同控制。首先，建立无拖杆牵引系统运动学模型和三自由度动力学模型；其次，提出一种飞机系统协同进化机制以确保多飞机协调轨迹规划并基于混合RRT∗算法生成适应于牵引机系统的轨迹；其次，在不完全约束和各种物理条件约束下，设计双层闭环控制器实现甲板上牵引机系统的轨迹跟踪。外层模型预测控制器有效控制载机与牵引车的协同运动，内层基于自适应模糊PID控制的力矩控制策略严格保证系统的稳定性。仿真结果表明，与反步控制和LQR算法相比，该控制器具有更快、更精确的控制速度，对有初始偏差的直线轨迹、大曲率正弦曲线、甲板上的复杂轨迹具有更强的鲁棒性。
启发式知识的机器人在线路径计划使用pre-...
摘要 - 为了有效计算动态变化的环境中的无机器人运动轨迹，我们介绍了一种新型的启发式启发式启发式方法的方法的结果。将机器人环境分为静态和动态元素，我们使用静态零件来初始化确定性路线图，该路线图提供了最终路径成本的下限，如知情的启发式方法，用于快速路径找到。这些启发式方法指导搜索树以探索运行时的路线图。搜索树使用有关动态环境的模糊碰撞检查检查边缘。最后，启发式树利用了从模糊碰撞检查模块中提供的知识，并更新了路径成本的下限。正如我们在现实世界实验中所证明的那样，这三个组件形成的闭环会显着加速计划程序。另一个回溯步骤可确保所得路径的可行性。模拟和现实世界中的实验表明，Hiro可以发现无碰撞的路径比有或没有对环境的先验知识的基线方法快得多。
（c）IEEE 2024。允许个人使用此材料。在任何当前或将来的媒体中，包括R
摘要 - 自动驾驶有可能革命的个人，公共和货运流动性。除了准确地感知环境外，自动化车辆还必须计划安全，舒适和有效的运动轨迹。为了促进安全性和进步，许多作品依赖于预测周围交通未来运动的模块。模块化自动驾驶系统通常将预测和计划作为顺序，单独的任务处理。这说明了周围交通对自我车辆的影响，但它无法预料到交通参与者对自我车辆行为的反应。最近的方法越来越多地整合了联合或相互依存的步骤中的预测和计划，以模拟双向相互作用。迄今为止，缺乏对不同集成原则的全面概述。我们会系统地回顾最新的基于深度学习的计划系统，并专注于它们如何整合预测。集成的不同方面从系统体系结构到高级行为方面都被考虑并相互关联。此外，我们讨论了不同整合原则的含义，优势和局限性。通过指出研究差距，描述相关的未来挑战并突出研究领域的趋势，我们确定了有希望的未来研究方向。
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。
机器人操纵任务中的多模式VAE
摘要 - 在这项工作中，我们专注于机器人操纵领域中无监督的视力 - 语言映射。最近，已经为此任务提出了采用预训练的大语言和视觉模型的多种方法。但是，它们在计算上是要求的，需要仔细对产生的输出进行微调。更轻巧的替代方法是实现多模式变量自动编码器（VAE），可以提取数据的潜在特征并将其集成到联合代码中，这主要是在现有最终模型的图像图像或图像图纸上进行的。在这里，我们探讨了是否以及如何在模拟环境中使用多模式的VAE。基于获得的结果，我们提出了一种模型不变训练替代方案，该替代方法将模拟器中的模型性能提高了55％。此外，我们系统地评估了各个任务（例如对象或机器人位置可变性，干扰器数量或任务长度）所提出的挑战。因此，我们的工作也阐明了使用当前的多模式VAE的潜在益处和局限性，以根据视觉和语言对机器人运动轨迹进行无监督学习。索引术语 - 传感器融合，视觉学习，语义场景理解