摘要:本文研究了人工智能在Gazebo模型上实现深度确定性策略梯度(DDPG)以及现实移动机器人的应用。实验研究的目标是引导移动机器人在面对固定和移动障碍物时,学习在现实环境中移动的最佳动作。当机器人在有障碍物的环境中移动时,机器人会自动控制避开这些障碍物。然后,在特定限制内维持的时间越长,积累的奖励就越多,因此会取得更好的结果。作者对许多变换参数进行了各种测试,证明了DDPG算法比Q学习、机器学习、深度Q网络等算法更有效。然后执行SLAM来识别机器人位置,并在Rviz中精确构建和显示虚拟地图。研究结果将成为设计和构建移动机器人和工业机器人控制算法的基础,应用于编程技术和工业工厂自动化控制。索引词——移动机器人、人工智能、DDPG 算法、自主导航、强化学习。
许多受身体挑战的人面临着自由操纵的问题。椅子是最常见的设备,习惯于为身体挑战的人提供质量。但是,今天可用的大多数椅子,尤其是廉价的手动椅子,都需要人力援助才能四处走动。即使对于电动机椅,仍然需要用户的帮助才能使用控制器或按下按钮,以管理电动电动椅的运动。失去了手或有问题的人(例如脊髓灰质炎患者)似乎没有准备好驾驶椅子运动的许多用户。因此,他们本身无能为力。为了解决这个问题,其他建设性的方式是通过损害大脑来专门控制椅子的动作。这项技术可以使大多数人能够自行浏览椅子。因此,这可能会带来特别高的影响,尤其是对受挑战的人。
预测未来对于像智人这样的生物来说至关重要,他们生活在一个动态且不断变化的世界中。先前的研究已经证实,有意识的刺激可以导致无意识的预测。在这里,我们检查掩蔽刺激是否也能引起这样的预测。我们使用有障碍物和无障碍物的掩蔽运动来检查掩蔽刺激的预测。在六个实验中,使用连续闪光抑制 (CFS) 掩盖了一个移动物体。物体消失几百毫秒后,有意识的探测器出现在与掩蔽刺激一致或不一致的位置。在实验 1-3 中,运动是线性的,反应时间 (RT) 表明基于运动方向和速度的预测。在实验 4 中,被遮蔽的移动物体与障碍物相撞,然后消失。在这种情况下,预测应该反映偏转,而且反应时间确实揭示了对偏转路线的预测。在实验 5 和 6 中,我们介绍了一种在连续闪光抑制 (CFS) 期间使用眼动追踪的创新方法,并以眼球运动的形式报告了被遮蔽刺激引起的预测的生理证据。因此,我们得出结论,人类可以使用动态遮蔽刺激来产生对未来的主动预测,并使用这些预测来指导行为。我们还根据当前关于遮蔽呈现、潜意识感知和意识测量方法之间关系的科学讨论,讨论了这些发现的可能解释。
6.3.1 简介 ................................................................................................................ 120 6.3.2 数据产品规范 (DPS) ........................................................................................ 121 6.3.3 空间数据质量要素/子要素 ........................................................................ 122 6.3.4 数据质量评估程序 ........................................................................................ 123 6.3.5 数据质量报告/元数据 ................................................................................ 124 6.4 地理信息系统 ................................................................................................ 125 6.5 数据产品规范 ................................................................................................ 126 6.5.1 概述 ................................................................................................................ 127 6.5.2 产品的非正式描述 ........................................................................................ 128 6.5.3 规范范围 ........................................................................................................ 128 6.5.4 数据产品标识 ........................................................................................ 131 6.5.5 数据内容和结构 ........................................................................................ 132 6.5.6 参考系统 ................................................................................................ 134 6.5.7 数据质量要求 ................................................................................
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。
近距离微型无人机摄影测量用于建筑调查 L. Carnevali 1、E. Ippoliti 1、F. Lanfranchi 1、S. Menconero 1、M. Russo 1*、V. Russo 2 1 罗马大学建筑历史、表现与修复系,00161 罗马,意大利 - (laura.carnevali、elena.ippoliti、fabio.lanfranchi、sofia.menconero、m.russo)@uniroma1.it) 2 Errealcubo 工作室,40137 博洛尼亚,意大利 - ing.valentinarusso@gmail.com 第 II/WG II/2 委员会 关键词:微型无人机、建筑调查、立面采集、数据比较、仪器验证 摘要:历史立面的调查存在几个瓶颈,主要与几何结构、装饰框架、自然或人工障碍物的存在、环境限制有关。城市环境带来了额外的限制,受地面采集活动的约束,导致建筑数据丢失。TLS 和近距离摄影测量的集成允许覆盖这些东西,但不能克服由于地面视角而产生的阴影效应。去年,无人机在调查活动中的大量使用扩大了调查能力,加深了对建筑分析的了解。与此同时,不同国家出台了几项行为规则,规范了无人机在不同领域的使用,严重限制了它们在城市地区的应用。最近,已经出现了非常小巧轻便的平台,可以部分克服这些规则限制,为非常有趣的未来场景开辟了道路。本文介绍了一种非常小的 RPAS(不到 300 克)的应用,配备了一台低成本相机,用于对博洛尼亚(意大利)一座历史建筑立面进行近距离摄影测量调查。建议的分析试图指出系统的准确性和细节采集能力。本文的最终目的是验证该新平台在建筑测量流程中的应用,拓展近景摄影测量在建筑采集过程中的未来应用。
摘要:用于检测和监控驾驶员疲劳程度的技术方法不断涌现,许多方法目前处于开发、验证测试或早期实施阶段。先前的研究回顾了可用的疲劳检测和预测技术和方法。顾名思义,该项目是关于汽车中的先进技术,使其更加智能和互动,从而避免道路上的事故。通过使用 ARM7,该系统变得更加高效、可靠和有效。在汽车内或与汽车一起实施的人类行为检测系统数量非常少。在本文中,我们描述了一种实时在线安全原型,它可以在驾驶员疲劳的情况下控制车速。这种模型的目的是推进一种系统来检测驾驶员的疲劳症状并控制车速以避免事故。该系统的主要组件包括许多实时传感器,如眨眼、酒精、温度、振动传感器、带有软件接口的超声波测距仪传感器。关键词:嵌入式系统、传感器、车辆跟踪、锁定、微控制器、GPS、GSM
数据产品标识 ................................................................................................ 129 7.1.4 数据内容和结构 .............................................................................................. 130 7.1.5 参考系统 .............................................................................................................. 133 7.1.6 数据质量要求 ...................................................................................................... 134 7.1.7 数据采集要求 ...................................................................................................... 136 7.1.8 数据产品交付 ...................................................................................................... 136 7.1.9 数据维护 ...................................................................................................... 138 7.1.10 元数据 ............................................................................................................. 139 7.1.11 7.2 数据收集 ............................................................................................................. 139 简介 ............................................................................................................................. 139 7.2.1 可用技术 ............................................................................................................. 139 7.2.2 数据处理 ............................................................................................................. 141 7.2.3 地形数据收集技术 ................................................................................ 145 7.2.4 观测数据收集技术
相关标准 . . . . . . . . . . . . . . . . . 初始屏障设计 . . . . . . . . . . . . . . . 链环栅栏 . . . . . . . . . . . . . . . 柱子和支撑 . . . . . . . . . . . . . . 链环栅栏织物 . . . . . . . . . . . . . 支腿 . . . . . . . . . . . . . . . 配件 . . . . . . . . . . . . . . . . 安装要求. . . . . . . . 栅栏放置. . . . . . . . . . . . 立柱、顶部横杆和支撑. . . . . . . . . 链环栅栏织物安装. . . . . . . . . . . . 支腿. . . . . . . . . . . . . 配件. . . . . . . . . . . . . 特殊安全功能. . . . . . . . . . 清理区域. . . . . . . . . 巡逻道路. . . . . . . . . 标志. . . . . . . . . . 排水涵洞和公用设施开口. . . . 排水交叉口. . . . . . . . . . . 隧道施工. . . . . . . . . . . 维护注意事项. . . . . . . . . . . . . 侵蚀控制. . . . . . . . . . . . . . . . . 接地. . . . . . . . . . . . . . . . .
航空业已见证了许多新型航空电子系统(例如,姿态指示器、无线电导航、仪表着陆系统、近地警告系统)的引入,这些系统旨在克服飞行员外部能见度有限的问题。然而,能见度有限仍然是影响全球航空运营安全和容量的最关键因素。仅在商业航空业,全球超过 30% 的致命事故被归类为可控飞行撞地 (CFIT),即正常运转、机械完好的飞机撞上地形或障碍物,而机组人员由于缺乏外部视觉参考或地形/危险态势感知受损而无法看到。在通用航空业,最大的事故类别是持续飞行进入仪表气象条件,即非仪表等级飞行员继续飞入恶化的天气和能见度,导致视野消失,并可能撞上意外地形或空间迷失方向并失去控制。最后,影响机场延误的最大因素是能见度有限,当天气条件低于目视飞行规则操作时,能见度会降低跑道容量并增加空中交通分离所需的距离。
