XiaoMi-AI文件搜索系统
World File Search System驾驶的
在自主驾驶的背景下，基于对象检测模型的模拟RGB和LIDAR图像训练
摘要。对象检测的主题，涉及使汽车能够感知其环境的能力引起了更多的关注。为了更好地性能，对象检测算法通常需要大量的数据集，这些数据集经常被手动标记。此过程是充分的且耗时的。相反，模拟环境可以完全控制所有参数，并启用自动图像注释。Carla是一个专门用于自动驾驶研究的开源项目，就是这样的模拟器。本研究检查是否可以使用卡拉自动注释的模拟器数据来培训可以识别实际流量项目的对象检测模型。实验的发现表明，使用Carla的数据以及一些实际数据优化训练有素的模型令人鼓舞。Yolov5模型使用预验证的CARLA重量训练，与在2000 Kitti图像上受过训练的一项训练有素相比，所有性能指标均表现出改进。虽然它没有达到6000图像Kitti模型的性能水平，但增强确实很重要。MAP0.5：0.95得分的增强率约为10％，行人级别的改善最为明显。此外，可以证明，可以通过训练使用Carla数据的基本模型并使用Kitti数据集的较小部分对其进行微调来实现实质性的提升。此外，Carla Lidar图像在减少所需的真实图像的体积时的潜在效用是显而易见的。我们的代码可在以下网址找到：https：//tinyurl.com/3fdjd9xb。
用于空中交通管制和自动驾驶的多静电组跟踪中的IMM估计器
其中y t是r n值系统状态x t的r m值观察。矩阵A，B，F和G取决于θT，W t和V t是独立的白色高斯噪音。最佳的非线性估计器涉及许多随时间t呈指数增加的卡尔曼过滤器。 IMM估计器[1,2]仅涉及N KALMAN过滤器，每种模式一个。为了补偿过滤器数量的减少，在每个估计周期开始时，N Kalman过滤器的估计值之间存在一个受控的相互作用/混合。[1]正式证明了这些相互作用/混合方程是精确的，而不是近似值。在每个估计周期结束时； IMM估计器计算过滤重量（模式概率）以及总体平均值和协方差。Bar-Shalom等。[3]给出了IMM估计器及其在跟踪和导航中的应用深度解释。运动学模型的Kalman过滤器[3]是低通滤波器。在（1）中，噪声增益少，带宽较低，适合几乎恒定的速度运动。用大B，它们具有更高的带宽，并且是
自动驾驶的批判性指标：对最新状态的审查和适用性分析
摘要在公共道路上大规模的自动车辆部署有可能大大改变当今社会的运输方式。尽管这种追求是在几十年前开始的，但仍存在公开挑战，可靠地确保此类车辆在开放环境中安全运行。尽管功能安全是一个完善的概念，但测量车辆行为安全的问题仍然需要研究。客观和计算分析交通冲突的一种方法是所谓关键指标的开发和利用。当代方法在与自动驾驶有关的各种应用中利用了关键指标的潜力，例如用于评估动态风险或过滤大型数据集以构建方案目录。作为系统地选择此类应用程序的足够关键指标的先决条件，我们在自动驾驶的背景下广泛回顾了关键性指标，其属性及其应用的现状。基于这篇综述，我们提出了一个适合性分析，作为一种有条不紊的工具，可以由从业者使用。可以利用所提出的方法和最先进的审查状态选择涵盖应用程序要求的合理的测量工具，如分析的示例性执行所证明。最终，高效，有效且可靠的自动化车辆安全性能的测量是证明其可信赖性的关键要求。
宝马，自动驾驶的高通和到达合作伙伴
通过繁忙的流量骑摩托车可能会令人恐惧，但Intellias可能有答案。软件开发服务提供商已揭示了一个概念，用于自动化摩托车和踏板车。这项技术甚至可以使他们能够在没有驾驶员的情况下进行操纵，这要归功于与硬件无关的软件体系结构，可以与各种传感器类型和车辆类结合使用。以高达20公里/小时的速度行驶或在狭窄的车道上行驶可以更轻松。自动平衡踏板车不仅适用于最后公里的送货服务，而且适合几乎没有经验的骑手，例如观光旅行的游客或城市踏板车的房客。自行车配备了传感器来检测小费的程度和速度。该软件可以计算并触发车把的必要反向运动，以实时拉直和稳定。“自动稳定的两轮车可以通过保护弱势道路使用者（例如踏板车车手）来使城市内部的交通更加安全，更好，” Intellias副总裁Oleksandr Odukha说。
Kim，B。H.，Choi，Y.H.，Yang，J.J.，Kim，S.，Nho，K.，Lee，J.M。，＆Alzheimer's Disision神经影像学计划。 （2020）。识别新的Gen 尼古丁促进了链球菌链球菌外多糖合成，细胞聚集和总乳酸脱氢酶活性 道路建设项目的临时交通控制装置检测 骨细胞EGLN1/PHD2通过FGF23 辐射诱导的光子疗法与质子治疗的淋巴细胞减少症患者患者 燃烧的余烬：朝着更透明和强大的气候变化风险评估 硬化蛋白耗竭会诱导小鼠的骨髓炎症 等离子体P-TAU217预测常染色体显性阿尔茨海默氏病的体内脑病理学和认知 使用与身体部位的约束融合进行自动驾驶的计算有效的行人检测 通过联合多任务稀疏规范相关分析和分类来识别诊断特异性基因型 - 表型关联 非遗传性视网膜疾病的基因治疗 结合tau低聚物并抑制供体提取物的病理播种的构象抗体的晶体结构 祖先古细菌用吡咯氨酸扩大了遗传密码 贝叶斯自适应阶段I/II/II临床试验设计延迟...
Kim，B。H.，Choi，Y.H.，Yang，J.J.，Kim，S.，Nho，K.，Lee，J.M。，＆Alzheimer's Disision神经影像学计划。 （2020）。 鉴定了与阿尔茨海默氏病中皮质厚度相关的新型基因：系统生物学方法的神经影像学方法。 阿尔茨海默氏病杂志，75（2），531-545。 https://doi.org/10.3233/jad-191175Kim，B。H.，Choi，Y.H.，Yang，J.J.，Kim，S.，Nho，K.，Lee，J.M。，＆Alzheimer's Disision神经影像学计划。（2020）。鉴定了与阿尔茨海默氏病中皮质厚度相关的新型基因：系统生物学方法的神经影像学方法。阿尔茨海默氏病杂志，75（2），531-545。 https://doi.org/10.3233/jad-191175
利用人工智能辅助自动驾驶的边缘计算...
摘要 — 新一代汽车（例如联网汽车和自动驾驶汽车）的出现为车辆网络和计算管理带来了新的挑战，以提供高效的服务并保证服务质量。边缘计算设施允许将处理从云端分散到网络边缘。在本文中，我们设计并提出了一种端到端、可靠且低延迟的通信架构，该架构允许将计算密集型自动驾驶服务（尤其是自动驾驶仪）分配给边缘计算服务器上的共享资源，并提高自动驾驶汽车的性能水平。该参考架构用于设计自动驾驶汽车、边缘计算服务器和集中式云之间的高级自动驾驶 (A2D) 通信协议。然后，制定了一种使用整数线性规划 (ILP) 的数学规划方法来模拟网络边缘的自动驾驶仪链资源卸载。此外，提出了一种深度强化学习 (DRL) 方法来处理密集的自动驾驶汽车互联网 (IoAV) 网络。此外，还考虑了几种场景来量化优化方法的行为。我们从边缘服务器总利用率、边缘服务器总分配时间和成功分配的边缘自动驾驶仪等方面比较了它们的效率。索引术语 — 边缘计算、自动驾驶汽车 (AV)、人工智能 (AI)、优化、深度强化学习 (DRL)。
人驾驶的无人机赛车：视觉处理和控制
摘要 - 人类赛车的无人机比算法更快，尽管仅限于固定的摄像头角度，身体速率控制和以数百毫秒为单位的响应潜伏期。从高度动态的视觉信息中选择适当的电机命令的人类飞行员的能力可以更好地理解能够为解决基于视觉的自主导航中当前挑战的关键见解。本文调查了无人机赛车任务中人类眼动，控制行为和战斗性能之间的关系。我们使用高度逼真的无人机赛车模拟器从21个经验丰富的无人机飞行员那里收集了一个多模式数据集，该模拟器也用于招募专业的飞行员。我们的结果表明，随着时间的推移，无人机赛车性能的任务提高。特别是，我们发现眼睛凝视跟踪未来的航路点（即大门），平均第一次固定发生1。5秒和16米，然后到达大门。此外，人类飞行员始终看着未来的内部横向路径（即左右转弯）和垂直演习（即上升和下降）。最后，我们发现飞行员的眼球运动与四极管的指挥方向之间存在很强的相关性，平均视觉运动响应潜伏期为220毫秒。这些结果强调了在人驾驶的无人机赛车中协调眼运动的重要性。我们公开提供数据集。
无人驾驶的优雅 无与伦比的适应性
Teros 采用 Sonex Aerospace 久经考验的动力滑翔机机身。Sonex 设计提供了极其坚固的飞机，每飞行小时成本非常低，总生命周期成本也非常低。自 2003 年推出以来，机身已记录了数千小时无故障飞行，包括滑翔、越野和特技飞行。这款可靠的无人机现已融入 Teros 的设计中，集成了关键的冗余飞行控制系统和智能电气系统，以防止复杂的故障。令人惊讶的敏捷 Teros 具有坚固的结构和耐用性，同时又不牺牲其轻量化设计。凭借短距离起飞和降落能力、快速现场组装、快速维修和自主飞行操作，Teros 是一个用途广泛且性能强大的空中平台。
使用与身体部位的约束融合进行自动驾驶的计算有效的行人检测
动机：脑成像遗传学研究基因型数据（例如单核多态性（SNP）和成像定量性状（QTS））之间的复杂关联。神经退行性疾病通常表现出多样性和异质性，起源于该疾病，不同的诊断组可能会带有不同的成像QT，SNP及其相互作用。稀疏的规范相关分析（SCCA）被广泛用于识别双变量基因型 - 表型关联。然而，大多数现有的SCCA方法是无监督的，导致无法识别特定于诊断的基因型 - 表型关联。结果：在本文中，我们提出了一种名为MT – SCCALR的新联合多任务学习方法，该方法吸收了SCCA和逻辑回归的优点。MT – SCCALR共同学习多个任务的基因型 - 表型关联，每个任务都集中在识别一种诊断特定的基因型 - 表型模式上。同时，MT – SCCALR不仅可以为每个诊断组选择相关的SNP和成像QT，而且还允许将多个诊断组共享的SNP选择。我们得出了一种有效的优化算法，该算法可以保证其转化为局部最佳限度。与两种最先进的方法相比，MT – SCCALR产生更好或类似的规范相关系数和分类性能。此外，它拥有比竞争对手更好的判别规范权重模式。可用性和实施：该软件可在https://github.com/dulei323/mtsccalr上公开获得。这证明了MTSCCAR在识别诊断性异构基因型 - 表型模式方面的功能和能力，这将有助于了解脑疾病的病理生理学。联系人：dulei@nwpu.edu.cn或li.shen@pennmedicine.upenn.edu补充信息：补充数据可在Bioineformatics在线获得。
提高 V2I 辅助自动驾驶的燃油经济性：强化学习方法
摘要 — 提出了一种新颖的框架，借助车对基础设施 (V2I) 通信网络提高自动驾驶汽车 (AV) 的驾驶安全性和燃油经济性。驾驶轨迹设计问题旨在最小化总燃料消耗，同时提高驾驶安全性（通过遵守交通规则和避开障碍物）。为了解决这个相关问题，提出了一种深度强化学习 (DRL) 方法来做出无碰撞决策。首先，提出了一种深度 Q 网络 (DQN) 辅助算法，通过从基站 (BS) 接收实时交通信息来确定 AV 的轨迹和速度。更具体地说，AV 充当代理，通过与环境交互来执行最佳动作，例如变道和变速。其次，为了克服 Q 学习模型对动作值的过高估计，提出了一种双深度 Q 网络 (DDQN) 算法，将最大 Q 值操作分解为动作选择和动作评估。此外，还提出了三种实用的驾驶策略作为基准。数值结果证明，所提出的轨迹设计算法能够提高 AV 的驾驶安全性和燃油经济性。我们证明了所提出的基于 DDQN 的算法优于基于 DQN 的算法。此外，还证明了从 DRL 算法衍生而来的基于燃油经济性 (FE) 的驾驶策略能够比基准节省超过 24% 的燃油。