XiaoMi-AI文件搜索系统
World File Search System防撞
综合防撞系统开发 - PEGASUS
碰撞。已将飞机设定为小速度作为参考。参考飞机将执行平衡转弯，转向半空间，该半空间由速度矢量和垂直方向构成的平面定义，未被入侵飞机占据。要确定入侵飞机的新轨迹，必须考虑平面表面，其法向矢量为参考飞机的速度矢量。使用此平面作为参考，入侵飞机将执行平衡转弯，转向其速度矢量指向的半空间。
车载防撞警告系统 - ROSA P
本文件是根据合同 DTNH22-91 C-07004“车载防撞警告系统：人为因素考虑”执行的工作的最终报告。该项目旨在制定车载防撞警告界面设计的指南，并开始填补定义过程中暴露的一些数据空白。它的目标不是设计某种特定的设备或系统。相反，它具有更一般的视角，即确定一系列潜在设备的共同问题，支持多种类型设备之间的集成和兼容性，并促进给定警告情况下替代产品之间的兼容性。为了支持这些目标，该项目进行了批判性分析，制定了初步指南，并对选定的问题进行了新的实证研究。
F-16 地面防撞验证挑战...
基准测试提案：F-16 战鹰是一种机动性极强的飞机，自 20 世纪 70 年代开始生产。从那时起，已有多项研究和书籍对飞机的性能进行了调查，并创建了仿真模型。在本文中，我们将其中一些模型作为验证挑战，提供 MATLAB 和 Python 代码来模拟 F-16 执行地面防撞以及其他自主机动。飞机模型和内环控制器具有 16 个连续变量和分段非线性微分方程。自主机动由外环控制器使用有限状态机执行，其中保护涉及连续变量。根据飞机飞行限制和模型边界提供通过/失败规范。该模型旨在成为分析航空航天系统详细行为的起点。
实用机载防撞系统的碰撞检测算法
本论文旨在解决上述出现的困难。虽然飞行员永远不应该停止关注周围环境，但该算法旨在检测危险，以防万一。这是通过使用 GPS 数据跟踪飞机的飞行并估计其可能的未来轨迹，然后与其他飞机交换和比较这些轨迹以找到潜在的碰撞路线来实现的。由于该问题尤其出现在热气流附近，因此热检测是使该算法有别于 FLARM [ 1 ] 等成熟技术的核心要素。热气流在飞行中被识别并在飞机之间在线传输，以最大限度地提高生成的预测的准确性。利用这一优势，可以更可靠地预测潜在的碰撞。
近地轨道（LEO）空间碎片防撞激光网络概念研究
> 近地轨道空间碎片防撞激光网络概念研究 > S. Scharring 等人 > 2021 年国际高功率激光烧蚀研讨会 > 2021 年 4 月 15 日 DLR.de • 图表 8
UAS 分离保证和防撞系统的概率安全评估
摘要：航空航天信息物理系统的适航认证传统上依赖概率安全评估作为标准工程方法来量化与系统组件故障相关的潜在风险。本文介绍并讨论了依赖多种合作和非合作跟踪技术的检测和避免 (DAA) 系统的概率安全评估，以识别无人机系统 (UAS) 与其他飞行器相撞的风险。具体来说，故障树分析 (FTA) 用于测量每个基本组件故障的整体系统不可用性。考虑到导航和监视系统的相互依赖性，应用共同原因故障 (CCF)-beta 模型来计算与共同故障相关的系统风险。此外，还进行了重要性分析以量化安全措施并识别最重要的组件故障。结果表明，合作监视系统的交通检测失败对整个 DAA 系统功能的影响更大，并且合作监视中本机定位失败的概率大于其交通检测功能。尽管所有传感器单独产生 99.9% 的操作可用性，但事实证明，实施依赖于合作和非合作技术的适当多传感器 DAA 系统是实现设计的必要条件
文章 基于空间人工智能的小麦检测和防撞农业机器人平台
摘要：为了在小麦生长季节获得更一致的测量结果，我们构思并设计了一个自主机器人平台，该平台使用空间人工智能 (AI) 在作物行中导航时执行防撞。农学家的主要限制是在驾驶时不要碾过小麦。因此，我们训练了一个空间深度学习模型，该模型可帮助机器人在田间自主导航，同时避免与小麦发生碰撞。为了训练这个模型，我们使用了公开的预标记小麦图像数据库，以及我们在田间收集的小麦图像。我们使用 MobileNet 单次检测器 (SSD) 作为我们的深度学习模型来检测田间的小麦。为了提高机器人实时响应田间环境的帧速率，我们在小麦图像上训练了 MobileNet SSD，并使用了新的立体相机 Luxonis Depth AI 相机。新训练的模型和相机可以实现每秒 18-23 帧 (fps) 的帧速率 - 足够快，让机器人每行驶 2-3 英寸就能处理一次周围环境。一旦我们知道机器人准确地检测到周围环境，我们就会解决机器人的自主导航问题。新的立体摄像头使机器人能够确定与训练物体的距离。在这项工作中，我们还开发了一种导航和防撞算法，该算法利用这些距离信息帮助机器人观察周围环境并在田间机动，从而精确避免与小麦作物发生碰撞。我们进行了大量实验来评估我们提出的方法的性能。我们还将我们提出的 MobileNet SSD 模型获得的定量结果与其他最先进的物体检测模型（例如 YOLO V5 和 Faster 区域的卷积神经网络 (R-CNN) 模型）的定量结果进行了比较。详细的比较分析揭示了我们的方法在模型精度和推理速度方面的有效性。
物联网深度学习无人机系统自主障碍物检测和防撞综述
摘要：无人驾驶飞行器 (UAV)（也称为无人机）的进步为推动各种大规模物联网 (IoT) 应用提供了前所未有的机会。然而，无人机平台仍然面临主要与自主性和重量相关的重要限制，这些限制会影响其在捕获和处理开发自主和强大的实时障碍物检测和避障系统所需的数据时的遥感能力。在这方面，深度学习 (DL) 技术已成为一种有前途的替代方案，可改善高度自主的无人机的实时障碍物检测和防撞能力。本文回顾了 DL 无人机系统 (UAS) 的最新发展，并详细解释了主要的 DL 技术。此外，研究了最新的 DL-UAV 通信架构并分析了它们最常见的硬件。此外，本文列举了当前 DL-UAV 解决方案最相关的开放挑战，从而使未来的研究人员能够定义设计新一代经济实惠的自主 DL-UAV IoT 解决方案的路线图。
ioniq-5-手册.pdf
其他功能 – 前方碰撞警告 (FCW) | 前方防撞辅助-汽车 (FCA-Car) | 前方防撞辅助-行人 (FCA-Ped) | 前方防撞辅助-循环 (FCA-Cyl) | 盲点防撞辅助 (BCA) | 车道保持辅助 (LKA) | 车道偏离警告 (LDW) | 驾驶员注意警告 (DAW) | 盲点视图监视器 (BVM) | 安全出口警告 (SEW) | 带停止和启动功能的智能巡航控制 (SCC w/ S&G) | 远光灯辅助 (HBA) | 前车偏离警报 (LVDA) | 后方交叉路口防撞辅助 (RCCA) | 后方乘员警报 (ROA) 带停止和启动功能的智能巡航控制 (SCC w/ S&G)
自主车载会合评估和防撞原型基础设施 Austin Probe、Graham Bryan、Tim Woodbury、Evan Novak
用于自主机载会合评估和防撞的原型基础设施 Austin Probe、Graham Bryan、Tim Woodbury、Evan Novak Emergent Space Technologies, Inc. Shiva Iyer、Apoorva Karra 和 Moriba Jah 博士 德克萨斯大学奥斯汀分校 摘要 我们正在努力构建一个可扩展的自主会合评估和避免原型基础设施。这包括一个地面枢纽，用于同步来自操作员的状态信息和计划机动并识别潜在的会合，以及用于自主评估和避免碰撞的机载飞行软件。这项工作将作为 NASA STMD 飞行实验的一部分在 2023 年进行。 1. 简介 会合评估 (CA) 是运行卫星安全的最重要组成部分之一，由于低地球轨道任务和星座的激增，其重要性不断增加。当与集群或星座的自主机动相结合时，难度和复杂性会增加，当此类系统开始与其他自主机动系统交互时，难度和复杂性会进一步增加。由于许多大型自主星座（如 SpaceX Starlink、Amazon Kuiper 和其他商业提供商）以及 SDA 和 MDA 计划在未来十年部署的持久 LEO 星座，找到可扩展的解决方案是实现太空可持续性的关键。