XiaoMi-AI文件搜索系统
World File Search System防撞
RPAS 防撞系统评估的快速时间模拟简介
摘要 — 防撞系统对于 RPAS 集成至关重要，但比较它们的性能仍然很困难。我们认为使用快速时间模拟和标准评估指标将有助于比较它们，同时提供对它们的好处的洞察。然而，快速时间模拟通常被认为难以设置并且仅限于大规模演示。我们相信即使是小型实验也可以利用它们获得巨大的好处。这项工作的目的是通过提供对以前作品和免费软件的解释、示例和引用来简化对快速时间模拟的访问。我们还列出了用于防撞系统性能排名的常用评估指标。通过简化快速时间模拟实验的设置，我们相信未来的工作将能够以更详细和可比较的形式提供其结果。
空中防撞 (MACA) 计划
低空导航和战术训练在超过 400 节（通常为 450-550 节）的空速下进行。 卢克航空通常以 500-1000 英尺 AGL 飞行，但根据航线结构可以超过 1,500 英尺 AGL。只有具有四位标识符的航线不包含高于 1,500 英尺 AGL 的航段（即IR1206、VR1207） 非参与飞机不禁止飞越 MTR。但是，在穿越或靠近 MTR 飞行时应格外警惕。 大多数 MTR 都是 VR 航线，军用飞机在这些航线上以 VFR 飞行，因此不受 ATC 控制 分区图上仅显示航线中心线。走廊通常宽 5-10 海里，但中心线两侧可达 20 海里 普雷斯科特 FSS 可能能够提供有关实时路线活动的信息
空中防撞 - 迈诺特空军基地
迈诺特空军基地位于 83 号公路旁，这是北达科他州的主要南北公路之一。这条公路也是穿越该州中部的空中交通的飞行路线。空军基地周围有许多小型机场（见图 6，注意：本手册中的图表摘录自分区图和国防部仪表进近图，仅供参考。它们不适用于飞行中。），其中大多数飞行都使用目视飞行规则 (VFR)。为了帮助飞机安全分离，迈诺特进近管制中心在当地飞行区域提供飞行跟踪。图 2、3 和 4 描绘了迈诺特空军基地附近军用飞机通常使用的飞行路径。特别重要的是位于迈诺特 D 级空域内的区域（见比林斯分区图）。在飞越距机场 5.2 海里以内的 2500 英尺高程 (或 4168 英尺平均海平面) 以下的该区域之前，所有飞行员都必须联系迈诺特空军基地控制塔，并在指定空域内飞行时与其保持无线电联系。
空中防撞 - 戴维斯-蒙森空军基地
第 355 战斗机联队空中防撞 (MACA) 计划的目标是促进南亚利桑那州的安全飞行环境。所提供的信息旨在提供对当地军事飞行行动的基本了解，定义标准的戴维斯-蒙森 (DM) 出发和到达走廊，并强调使用频繁的当地军事训练空域。所提供的信息并不涵盖所有 DM 或南亚利桑那州军事飞行行动。请联系第 355 联队飞行安全办公室获取更多信息，或者如果您希望安排针对您组织的简报会。如果您有疑问或想表达任何空域问题，请致电我们。
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。
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。
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
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。
性能受限飞机的多路径自动地面防撞系统及飞行测试：Have Medusa 项目
1.1 背景 .......................。。。。。。。。。。。。。。。。。。。。。。。。....1 1.2 研究问题动机和描述 .....................3 1.2.1 案例研究：HAVOC 58 和 HAZE 01 ....................4 1.2.2 事故致因 ....................................6 1.3 目标和范围 .....。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。..7 1.3.1 研究目标 ......................................9 1.3.2 飞行试验目标。......。。。。。。。。。。。。。。。。。。。。。。。。.......10 1.4 约束 ..............。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。11 1.5 限制。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。12 1.6 假设。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。12 1.7 预期贡献。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。12 1.8 章节摘要和文档大纲。。。。。。。。。。。。。。。。。。。。。。。。。13