XiaoMi-AI文件搜索系统
World File Search System速度跟踪
车辆检测和速度跟踪-IJRPR
城镇规划的最重要方面之一是对车辆的检测和跟踪。在过去的十年中，人们对基于视觉的交通监控系统的关注得到了很多关注。速度监控和车辆检测可以有助于此。监视系统提供了各种数据，包括车辆，交通拥堵和车辆速度的数量。速度是交通事故的主要原因之一。如果您想知道汽车的行驶速度是否比允许的速度快，则可以从视频中提取帧并比较两个位置的速度。为了从背景中提取汽车，提供了许多算法。雷达系统历史上已被用于这些目的，尽管它们具有某些缺点。因此，已经开发了使用图像处理的多种使用图像处理的策略，以解决现在正在使用的系统中的缺点。[7]但是，可能影响这些图像处理技术的主要变量是照明，相机噪声和分支挥手。为了收集更多的车辆和交通数据，当前的研究旨在开发一个自动的车辆计数系统，该系统也可以检测速度。该系统将能够处理从道路上的固定摄像机记录的视频，例如安装在交通交叉路口 /交界处附近的CCTV摄像头，并计算在给定时间内通过位置的车辆数量。车辆速度监视在交通执法中起着重要作用。雷达的缩写是无线电检测和范围。雷达技术由雷达枪和雷达检测器组成，传统上是用于监视车速的。雷达系统产生的电磁能被转换为无线电波，可以将其引向大气并以光速移动，或者每秒3.08 x 108米，或每秒约186,000英里。雷达可用于检测对象并范围范围，或确定其与雷达系统的位置和距离，这要归功于这些信号的传输以及返回的能量的收集或返回的脉冲，这些脉冲在雷达传输路径中从对象中弹起。雷达使用一种现象，通过该现象，汽车相对于雷达的运动修改了返回信号无线电波的频率以检测物体的速度（例如，当带有固定雷达枪支的警官正在检测汽车移动的速度时）。当汽车接近雷达设备时，返回信号无线电波频率上升。然后，雷达枪可以使用这种频率转移来计算车辆的速度。多普勒效应是指该原理，该原理指出源相对于对象的相对运动会影响发射脉冲的频率与返回脉冲频率之间的差异。因此，可以通过测量传输和接收到的回声之间的脉冲特性差来确定对象的速度，而其距离可以通过测量检测返回脉冲所需的时间来确定其距离。这产生了称为径向速度的速度，该速度沿雷达指向的方向。要记住的一件事是，用于确定移动物品速度（例如汽车）的脉冲特性的变化将依赖于汽车与雷达的相对位置。
小型...
6“ NASA在发布和飞行过程中如何使用高速摄像机”，访问2024年5月18日，https：//www.photonicsonline.com/doc/how-nas-nasa-use-high-shigh-shigh-speed-cameras-cameras-cameras-cameras-during-launch-launch-inch-inch-inch-ing-inch-inch-inch-flight-0001。7“ apollo.photechnqs4.pdf”，2024年7月18日访问，https：//www.nasa.gov/wp- content/uploads/static/static/static/static/history/alsj/apollo.photechnqs4.pdf。8“在太空飞行中使用GPS？9“使用机载无线电发射机的高级速度跟踪”，加利福尼亚州的火箭组织（博客），2015年4月18日，https://rocstock.org/learn/advanced/advanced/advanced-racking-racking-usish-usish-usis-rack-inboard-onboard-onboard-onboard-radio-radio-transmitters/。
通过学习方法控制四足机器人的运动
3学习步态过渡的基于模型的最佳控制21 3.1动机。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。21 3.2相关文献。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。24 3.3基于模型的控制器。。。。。。。。。。。。。。。。。。。。。。。。。。24 3.3.1体系结构概述。。。。。。。。。。。。。。。。。。。。。。。25 3.3.2步态过渡机制。。。。。。。。。。。。。。。。。。。。。25 3.4学习步态适应政策。。。。。。。。。。。。。。。。。。。。。26 3.4.1控制步态时间。。。。。。。。。。。。。。。。。。。。27 3.4.2 MDP定义。。。。。。。。。。。。。。。。。。。。。。。。。。。28 3.5结果。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。30 3.5.1适应的步态和速度跟踪。。。。。。。。。。。。。。。31 3.5.2能源效率。。。。。。。。。。。。。。。。。。。。。。。。。。32 3.5.3与相关工作的比较。。。。。。。。。。。。。。。。。。33 3.5.4消融研究。。。。。。。。。。。。。。。。。。。。。。。。。。34 3.6结论。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。36
基于管子的模型预测控制自动铰接式车辆的路径跟踪
摘要：本文介绍了基于管子的模型预测控制（MPC），用于自主铰接式车辆的路径和速度跟踪。这项研究的目标平台是具有不可轴轴的自主铰接式车辆。因此，铰接角和车轮扭矩输入由基于管的MPC确定。所提出的MPC旨在实现两个目标：最大程度地减少跟踪误差并增强对干扰的鲁棒性。此外，自动铰接式车辆的横向稳定性被认为反映了其动态特性。使用局部线性化制定了MPC的车辆模型，以最大程度地减少建模误差。参考状态是使用基于线性二次调节器的虚拟控制器确定的，以提供MPC求解器的最佳参考。通过在噪声注入传感器信号的基础算法的模拟研究中评估了所提出的算法。仿真结果表明，与基础算法相比，所提出的算法达到了最小的路径跟踪误差。此外，提出的算法对多个信号表现出对外部噪声的鲁棒性。
在风险地形上学习敏捷运动
摘要 - 四倍的机器人通过强化学习在各种地形上表现出了显着的能力。然而，在存在稀疏的立足点和危险的地形（例如步进石材和平衡梁）的情况下，需要精确的脚部放置以避免跌倒，经常使用基于模型的方法。在本文中，我们表明端到端的强化学习还可以使机器人能够通过动态动作遍历风险的地形。为此，我们的方法涉及培训一项通才政策，以实现无序和稀疏的垫脚石的敏捷运动，然后通过将其可重复使用的知识从中转移到更具挑战性的地形上。鉴于机器人需要在这些地形上快速调整其速度，我们将任务作为导航任务而不是常用的速度跟踪，从而限制了机器人的行为并提出探索策略来克服稀疏的奖励并实现较高的健壮性。我们通过在Anymal-D机器人上进行模拟和现实实验来验证我们提出的方法，从而达到峰值前进速度≥2。5 m/s在稀疏的垫脚石和狭窄的平衡梁上。视频：youtu.be/z5x0j8oh6z4
对越过无车道的无信号交叉的自动化车辆的最佳控制
摘要 - 开发无信号的交叉点，其中所有OD（原始目的地）运动的连接自动化车辆（CAVS）被适当地指导以同时交叉，可能会大大改善吞吐量并减少燃油消耗。自然，交叉区域的车辆与车道无关。因此，可以将过境区域视为无车道基础设施以进一步改善开发是合理的。本文提出了一种越过无信号和无车道交叉路口的骑士的联合最佳控制方法。具体来说，所有车辆的控制输入（包括加速度和转向角度）通过基于车辆动力学的自行车模型解决单个最佳控制问题（OCP），在时间胜地上优化了加速和转向角度。成本功能包括适当的条款，以确保平稳且无冲动的运动，同时还要考虑燃油消耗和所需的速度跟踪。适当的约束旨在尊重交叉点边界，并确保车辆向各自目的地的平稳运动。定义的OCP通过有效的可行方向算法（FDA）进行数值求解，该算法可以接受。一个具有挑战性的演示示例证实了建议方法的有效性。
母校StudiorumUniversitàdiBologna Archivio ...
摘要 - 在这项工作中，我们引入了一个易于实现的无传感器控制器，专门设计用于调节无人机的螺旋桨（UAVS）。作为动机，我们介绍了通常的运动控制架构，即面向现场的控制（FOC）和无刷DC（BLDC）控制，并特别注意此应用程序中典型的后背电动力（Back-EMF）形状。尤其是，我们表明，如果可以使用精确的转子位置重建，则可以从效率和信号质量的角度来提供传感器foc的采用。因此，最近提出的观察者集成到嵌套的焦点架构中，并具有正式的稳定性保证和计算较低的努力，从而使所得的策略适合在嵌入式计算系统中实现。然后将算法与无传感器BLDC控制器和高端商业驱动器进行实验进行比较，从而验证了先前的结果并显示出有效的时变速度跟踪，这是对精确的攻击性操纵所需的。效率，准确性和简单性的这些特征可能会在即将到来的几年中加强一类新型的高性能，强大无人机传感控制器的新颖类别。
热空气：时尚将如何适应气候变化？
在此简介中，我们在2005年以来，我们在服装和鞋类生产中心以极高的热量和强烈降水的速度跟踪加速度，以了解气候影响的何处，如何以及如何变化。我们从近二十个中心的高水平变化中观察到，更紧密地看到了我们更高地位的五个生产中心的变化？分析 - Dhaka，Hanoi，Ho Chi Minh City，Karachi和Phnom Penh。首先，我们在第一部分中分析了使用干式和湿圆布测量的热应力风险的变化。在第2节中，我们分析了在过去20年中，热量（尤其是湿鳞球温度（WGBT）和热浪如何）如何在主要服装中心加剧。第3节介绍了过去二十年来洪水的恶化情况，第4节详细介绍了热量和洪水已经如何增强服装工人的生活。第5节讨论了适应的需求，以及准备的主要服装国家在气候变化方面的准备好，第6节在许多这些国家中介绍了治理结构。我们通过推进基于我们在更高基础提出的建议的新建议来得出结论？报告。
利用眼动追踪工具改进飞行员选拔流程
本文加深了对在飞行员选拔过程中使用眼动追踪工具的理解。对候选飞行员眼动和注意力分布的研究可能为在更严格的飞行训练阶段预测视觉行为提供能力。研究包括心理测试、受试者的飞行筛选以及他们在飞行模拟器和眼动追踪设备中的成绩。参与者被分为三类：高绩效、平均绩效和低绩效，并分别通过心理测试结果和飞行筛选结果进行评估。眼动追踪设备通过视觉感知的范围和速度跟踪受试者的视觉行为。在模拟视觉飞行条件下记录的注视和重访次数测量了受试者之间的视觉反应差异。结果比较显示与心理测试结果呈正相关。未证实与飞行筛选选择的相关性。我们使用了新的基于网络的方法来克服传统眼动指标的缺点，该方法有三个目标重要性度量。采用网络方法的结果以图表的形式呈现，并对标准化的重要性度量进行了分析，结果表明可以为每个参与者提取特定的扫视策略。发现他们之间的差异是积极检测的。通过这种方式，眼动追踪
基于飞行时间的传感器与机器人追随者的单眼摄像机融合
摘要人类机器人合作（HRC）在先进的生产系统中越来越重要，例如在行业和农业中使用的系统。这种类型的协作可以通过减少人类的身体压力来促进生产率的提高，从而导致伤害减少并改善士气。HRC的一个关键方面是机器人安全遵循特定的人类操作员的能力。为了应对这一挑战，提出了一种新的方法，该方法采用单眼视力和超宽带（UWB）收发器来确定人类目标相对于机器人的相对位置。UWB收发器能够用UWB收发器跟踪人类，但具有显着的角度误差。为了减少此错误，使用深度学习对象检测的单眼摄像机来检测人类。使用基于直方图的滤波器结合了两个传感器的输出，可以通过传感器融合来减少角度误差。此过滤器项目并将两个源的测量值与2D网格相交。通过结合UWB和单眼视觉，与单独的UWB定位相比，角度误差的降低了66.67％。这种方法表明，以0.21 m/s的平均速度跟踪人行走时，平均处理时间为0.0183，平均定位误差为0.14米。这种新颖的算法有望实现有效和安全的人类机器人合作，为机器人技术提供了宝贵的贡献。