亚洲男人的天堂2018av,欧美草比,久久久久久免费视频精选,国色天香在线看免费,久久久久亚洲av成人片仓井空

本報告概述了自適應自主系統以及對這些系統的分析和評估所面臨的挑戰。報告回顧了自適應系統的定義、目前正在開發的系統、早期的分類嘗試以及分析指標定義。為便于分析，對傳感器、融合/邏輯和執行器子系統進行了定義，并提出了一些子系統分析方法。討論了分析面臨的直接和間接挑戰。還討論了與條令相關的重要考慮因素，以及影響分析和評估的戰術、技術和程序。

圖：無人系統的自主性級別(ALFUS)

自主國防系統對美陸軍的重要性與日俱增；國防部副部長已將自主性確定為國防部第三次抵消戰略中的關鍵技術（Ahner 和 Parson，2016 年）。這些系統可以極大地幫助作戰人員，但也給系統開發人員和系統分析人員帶來了挑戰。在開發完整的性能本體和測試方法以定義和評估自主系統的性能方面存在許多挑戰。其中最主要的是自主系統預期運行的動態環境。自主系統環境的變化預計會影響系統性能。測試方法必須包括這種動態環境的所有方面。

表1正在進行的自主性項目

無人集群系統是當前人工智能和機器人領域備受關注的研究熱點，已在多個領域展現出廣闊的應用前景。本文對無人集群系統進行了深入綜述和分析，著重探討了協同決策和博弈控制兩個關鍵方面，旨在通過智能體之間的信息共享和協作，提高系統效率，解決在智能體之間可能出現的利益沖突和決策問題。首先，對一些基本概念進行了明確闡述，包括智能體、集群智能和無人集群系統，這有助于讀者建立對這一領域的基本理解。隨后，介紹了協同與博弈控制數學模型、集群協同與博弈決策、集群協同控制方法、集群博弈控制方法等算法，著重強調了協同決策和博弈控制的理論基礎，以及它們如何應用于無人集群系統中，從而提高系統的整體性能。接下來，列舉了集群協同與博弈在多個領域的一些典型應用案例，包括智能交通、無人機編隊、物流配送和軍事領域。這些實際案例展示了該技術的廣泛應用領域，以及它對提高效率和解決復雜問題的潛力。最后，討論了未來研究方向和挑戰，包括對新技術和方法的需求，以應對不斷發展的需求和問題，以及如何進一步推動無人集群系統的發展。本文為無人集群系統的進一步發展提供指導和參考，以推動該領域的發展和創新，為未來的科學和技術進步做出了一定貢獻。

任務分配是無人機集群實現高效遂行作戰任務的關鍵技術。隨著無人機集群技術的發展和作戰樣式的轉變, 無人機集群的作戰任務領域不斷拓展, 任務分配所涵蓋的范圍不斷擴大, 任務分配問題的規模和復雜性不斷增加, 這都對無人機集群任務分配技術提出了新的挑戰。本文對無人機集群作戰理論、任務分配建模、任務預\重分配算法、異構無人系統聯合應用下任務分配的研究現狀進行了全面的總結, 凝練了目前無人機集群任務分配技術面臨的通用化建模、面向多任務的任務預分配算法最優解求解、有限時間下面向突發事件的任務重分配算法尋優、路徑規劃緊耦合下面向大規模異構無人系統的協同任務分配等問題, 并針對性地論述了未來無人機集群任務分配技術的若干發展方向, 為提升無人機集群任務分配的求解質量和求解速度提供新的研究思路和解決途徑, 對于全面了解無人機集群任務分配技術具有重要參考意義。

隨著無人機相關技術的突破創新和快速發展, 無人機類型越來越多樣化, 任務領域范圍不斷拓展, 已經逐步實現從安全空域下執行偵察監視等簡單任務向對抗空域下突防打擊等復雜作戰任務的跨越式發展。與此同時, 網絡化、信息化、體系化的戰場環境呈現出高動態、強對抗、巨復雜等特點, 單架無人機有限的載荷能力很難獨立執行大區域監視、多目標攻擊等復雜任務, 因此無人機的作戰樣式正在朝著集群化和智能化方向發展, 無人機集群協同作戰是未來無人機作戰方式的重要發展趨勢。

在無人機集群作戰中, 低成本、大規模的異構無人機平臺搭載不同的載荷, 通過自組織協同形成規模優勢, 具有資源配置靈活、戰場適應能力強等特點, 可滿足巨復雜、高動態、強對抗的戰場環境下大區域協同偵察監視、協同多目標飽和攻擊等任務需求, 達到集群對抗的效果, 提高無人機集群的作戰效能。

無人機集群作戰帶來的巨大規模優勢和作戰效能引起了以美國為代表的世界各軍事強國對無人機集群作戰技術的熱切關注, 其中無人機集群任務分配技術作為無人機集群作戰的關鍵技術之一, 是實現無人機集群化和智能化的重要技術支撐, 已成為國防工業部門和各科研機構、研究學者的研究熱點。

衛星/慣性超緊組合導航系統以其定位精度高、動態性能優良、抗干擾能力強等特性成為組合導航領域的研究熱點。介紹了衛星/慣性超緊組合的定位原理,基于對技術原理的分析,比較超緊組合模式相對于其他組合模式的優勢特點；以高動態下超緊組合技術及衛星/微慣性單元超緊組合為代表介紹國內外研究現狀；總結了亟待研究的容錯控制技術、神經網絡輔助、多傳感器輔助超緊組合等關鍵技術,并對衛星/慣性超緊組合向著低成本、高精度、強穩定趨勢發展的前景進行展望。

全球導航衛星系統（Global Navigation Satellite System，GNSS）經過數十年的研究和發展，已能實現全天候的室外高精度定位。然而，GNSS定位原理決定了接收機需要至少4顆衛星的信號才能解算出位置信息，且衛星信號較弱，易受電磁干擾與遮擋。與此相反，慣性導航系統（Inertial Navigation System，INS）具有不受環境約束的特性，能夠實現完全自主定位，但其缺陷在于漂移誤差會隨著工作時間的推移而不斷累積。因此，在衛星信號較弱且遮擋較多的環境下，將GNSS與INS進行組合，實現各自的優勢互補，已成為導航定位領域的一個熱點。 組合、緊組合和超緊組合這三種1。其中，松組合和緊組合本質上都是使用GNSS輔助INS進行導航，在衛星信號失鎖時，INS仍然會出現誤差累積。超緊組合在緊組合基礎上使得組合濾波器也向接收機反饋校正信息2，能夠實現更深層次的組合，大幅提升了魯棒性。因此，本文對于超緊組合系統的結構特點和發展現狀進行分析，并對超緊組合涉及的關鍵技術及發展前景進行總結和展望。

隨著軍用地面無人系統研究的深入，單一的地面無人機動平臺或任務載荷很難滿足現代戰場的需求，只有任務載荷和機動平臺協同發展，地面無人系統才能在戰場中真正形成戰斗力。為進一步推動任務載荷與機動底盤協同技術的發展，綜述了搭載任務載荷軍用地面無人系統的發展背景、研究現狀及技術特點，分別從多層次多維度的環境建模、基于多模態數據的通行度估計、基于多智能體協同建模的協同規劃控制優化方法三方面對其關鍵技術進行闡述，總結了相關的研究框架和重點，并對搭載任務載荷軍用地面無人系統未來的發展方向進行了展望。

近年來，由于軍用地面無人系統在戰場中的廣 闊應用前景，世界各國紛紛投入大量的研制資源， 軍用無人系統發展迅猛[1]。軍用地面無人系統一般 由地面無人機動平臺與具有執行特定任務的上裝任 務載荷構成，如偵察設備[2-4]、火力打擊設備[5-6]、排 爆設備[7-8]等。軍用地面無人系統在執行協同打擊、 機動偵察等復合任務中，可以獲取多模態的態勢信 息[9]，通過集中式算法快速處理多源信息進而下達 作戰指令；而有人作戰系統中車長、炮長、駕駛員 需要三人協同完成任務，因此在安全性、可靠性、 靈活性上軍用無人系統均具有優勢。順應陸軍新型 的非接觸、非對稱、零傷亡的作戰模式，搭載任務 載荷的軍用地面無人系統開始成為戰場環境中重要 的作戰力[10]。2015年，俄羅斯首次將軍用地面無人 系統投入敘利亞戰場，利用地面無人系統與無人機 形成空地一體戰斗集群系統，俄軍以零傷亡的代價 消滅了近兩百名恐怖分子。2020年7月，美國陸軍將 重型無人戰車納入作戰部隊單位，參加了科羅拉多 州卡森堡的士兵作戰試驗，成功完成相關測試。2023 年，在俄烏沖突中，俄羅斯在烏克蘭軍事沖突區中 投入“馬克”軍用無人打擊系統。

無人機具有體積小、靈活性強、航拍視野廣等特點，廣泛應用于警用巡查、城市交通監管、天氣監測、 電力巡檢、應急救援救災等行業。近年來，隨著計算機視覺領域的蓬勃發展，基于深度學習的目標檢測 技術逐漸應用于無人機領域，并不斷得到改進和加強。本文系統性地闡述了基于深度學習的目標檢測技 術發展歷程和研究現狀。針對現階段無人機航拍影像小目標多、背景復雜、目標尺度變化大的特性，歸 納和分析了近期對無人機目標檢測的相關研究。最后，展望了基于深度學習的無人機目標檢測技術的未 來發展趨勢。 隨著科技的發展，無人機(UAV)已經擺脫了過去的軍事用途，逐漸擴展到民用和商用領域。隨著無 人機技術的發展，基于深度學習的目標檢測技術已成為無人機應用領域的重要研究內容[1]。將目標檢測 技術應用于無人機上，實現在航拍視角下對地面場景的目標檢測和識別。然而，在無人機航拍圖像中， 檢測對象多為小目標，受航拍視角影響，目標尺度變化較大；圖像背景復雜，目標對象易被遮擋。給無 人機的目標檢測帶來了諸多挑戰[2]。常規的目標檢測算法應用于無人機上難以保證檢測精確度，優化無 人機的目標檢測性能成為了無人機應用領域的重要研究內容[3] [4]。本文首先介紹基于深度學習的目標檢 測研究進展，然后總結現階段無人機領域目標檢測的研究難點，針對小目標檢測、背景復雜、多尺度變 化三個方面進行改進和優化的各類方法進行了闡述。最后，對未來無人機目標檢測的研究方向做出了展 望。

自主船舶有望提高未來海上航行的安全和效率水平。這類船舶需要感知的目的有兩個：執行自主態勢感知和監測傳感器系統本身的完整性。為了滿足這些需求，感知系統必須利用人工智能（AI）技術融合來自新型和傳統感知傳感器的數據。本文概述了對常規和自主航海船舶提出的公認的操作要求，然后著手考慮合適的傳感器和相關的人工智能技術用于操作傳感器系統。本文考慮了四個傳感器系列的整合：用于精確絕對定位的傳感器（全球導航衛星系統（GNSS）接收器和慣性測量單元（IMU））、視覺傳感器（單目和立體相機）、音頻傳感器（麥克風）和用于遙感的傳感器（RADAR和LiDAR）。此外，還討論了輔助數據的來源，如自動識別系統（AIS）和外部數據檔案。感知任務與定義明確的問題有關，如情況異常檢測、船舶分類和定位，這些都可以用人工智能技術解決。機器學習方法，如深度學習和高斯過程，被認為與這些問題特別相關。考慮到操作要求，對不同的傳感器和人工智能技術進行了描述，并根據準確性、復雜性、所需資源、對海洋環境的兼容性和適應性，特別是對自主系統的實際實現，對一些先進的例子進行了比較。

本文的結構如下。首先，我們介紹了這一技術領域的最新進展，并回顧了與自主船舶相關的法規。第二，我們回顧了自主船舶的關鍵性能指標（KPI），并將其轉化為操作要求。第三，我們回顧了與這些指標有關的傳感器技術。第四，由于傳感器以幾種不同的格式發布數據，我們回顧了已經成功應用于融合多模式數據的人工智能技術。最后，我們以對未來工作的建議來結束本文。

多模態人機交互旨在利用語音、圖像、文本、眼動和觸覺等多模態信息進行人與計算機之間的信息交換。在生理心理評估、辦公教育、軍事仿真和醫療康復等領域具有十分廣闊的應用前景。本文系統地綜述了多模態人機交互的發展現狀和新興方向，深入梳理了大數據可視化交互、基于聲場感知的交互、混合現實實物交互、可穿戴交互和人機對話交互的研究進展以及國內外研究進展比較。本文認為拓展新的交互方式、設計高效的各模態交互組合、構建小型化交互設備、跨設備分布式交互、提升開放環境下交互算法的魯棒性等是多模態人機交互的未來研究趨勢。

受益于物聯網的發展,人機交互設備在人們的 日常生活中得到了廣泛應用。 近年來,計算機視覺、 手勢識別和人工智能等技術蓬勃發展,頭戴式設備、 顯示屏和傳感器等硬件技術取得了明顯的進步,人 機交互不再局限于單一感知通道(視覺、觸覺、聽 覺、嗅覺和味覺)的輸入輸出模態(Bourguet,2003)。 多模態人機交互旨在利用語音、圖像、文本、眼 動和觸覺等多模態信息進行人與計算機之間的信息 交換。 其中包括人到計算機的多模態信息輸入與計 算機到人的多模態信息呈現,是與認知心理學、人機 工程學、多媒體技術和虛擬現實技術等密切相關的 綜合學科。 目前,多模態人機交互與圖像圖形領域 中的各類學術和技術聯合得越來越緊密。 多模態人 機交互技術作為人—機—物的技術載體,在大數據 與人工智能時代,其學術和技術發展前沿與圖像圖 形學、人工智能、情感計算、生理心理評估、互聯網大 數據、辦公教育和醫療康復等領域發展息息相關。 多模態人機交互研究最早出現在 20 世紀 90 年代, 多項工作提出了將語音和手勢融合在一起的交互方 法 ( Pavlovic 等, 1997; Ando 等, 1994; Cassell 等, 1994)。 近幾年,沉浸式可視化( Jansen 等,2014)的 出現為人機交互提供了一個新的多模態交互界面: 一個融合了視覺、聽覺和觸覺等多個感知通道的沉 浸式環境。

在學術 界, 多 模 態 人 機 交 互 的 學 術 成 果 在 IEEE-TPAMI( IEEE Transactions on Pattern Analysis and Machine Intelligence)、IEEE-TIP( IEEE Transaction on Image Processing)、IEEE-TASLP( IEEE / ACM Transactions on Audio, Speech and Language Processing)、IEEE-TNNLS(IEEE Transactions on Neural Networks and Learning Systems )、 ACM-TOCHI ( ACM Transactions on Computer-Human Interaction) 等國際 期刊和 CHI(Computer-Human Interaction)、UbiComp (Ubiquitous computing)、CSCW(ACM Conference on Computer-Supported Cooperative Work and Social Computing)等國際會議呈現穩步增長,創新成果層 出不窮。 在產業界,語音、人臉和手勢等新型交互的應用 從噱頭轉趨理性,聚焦于車載、直播等特定場景。 觸 屏搭配一種新模態的交互方式,是當前多模態交互 產品落地的主要形態。 增強現實等新型輸出/ 顯示 模態的技術逐漸成為未來多模態人機交互產品新的 主要場景。 各國政府高度重視多模態人機交互。 在“十三 五”期間,我國設立多項重大重點項目支持多模態 人機交互方向的研究。 例如,國家重點研發計劃項 目“基于云計算的移動辦公智能交互技術與系統”、 “多模態自然交互的虛實融合開放式實驗教學環 境”等。 美國海軍開始構建下一代艦艇多模態人機 交互模式,采用全息化的指揮模式,通過佩戴視覺和 觸覺傳感器對艦船進行控制。 英國海軍公布的 T2050 未來水面艦艇概念,以多模態人機交互的方 式,有效提高工作效率。

本文旨在綜述多模態人機交互的最新進展,幫 助初學者快速了解和熟悉多模態人機交互領域;對 多模態人機交互方式進行分類整理,幫助該領域的 研究者更好地理解多模態人機交互中的各種技術; 對多模態人機交互領域面臨的機遇和挑戰進行梳 理,啟發相關研究者做出更有價值的多模態人機交 互工作。 本文將從多模態信息輸入與多模態信息輸出兩 方面對多模態交互技術進行綜述。 其中,多模態信 息輸入過程涉及可穿戴交互技術以及基于聲場感知 的輸入交互技術。 多模態信息呈現過程涉及大數據 可視化交互技術、混合現實交互技術以及人機對話 交互技術。 下面分別從大數據可視化交互、基于聲 場感知的交互、混合現實實物交互、可穿戴交互和人 機對話交互 5 個維度介紹多模態人機交互的研究進 展。 內容框架如圖 1 所示。

精準地預判網絡流量變化趨勢可以幫助運營商準確預估網絡的使用情況，合理分配并高效利用網絡資源，以滿足日益增長且多樣化的用戶需求。以深度學習算法在網絡流量預測領域的進展為線索，闡述了網絡流量預測的評價指標和目前公開的網絡流量數據集及應用，具體分析了網絡流量預測中常用的深度信念網絡、卷積神經網絡、循環神經網絡和長短時記憶網絡共四種深度學習方法，并重點介紹了近年來針對不同問題所提出的改進神經網絡模型，總結了各模型特點及應用場景。最后對網絡流量預測未來發展進行了展望。

//cea.ceaj.org/CN/abstract/abstract39601.shtml

在計算機視覺領域，全景分割是一個新穎且重要的研究問題，它是機器感知、自動駕駛等新興前沿技術的基石，有著十分重要的研究意義. 本文綜述了基于深度學習的全景分割研究的最新進展，總結了全景分割任務的基本處理流程，并對已發表的全景分割工作基于其網絡結構特點進行分類，并作了全面的介紹與分析，最后對全景分割任務目前面臨的問題以及未來的發展趨勢做出了分析，并針對所面臨的問題提出了一些切實可行的解決思路.

全景分割[1]是將圖像劃分為語義區域(stuff)和 對象實例(things)的任務，是近年來新興起的一個研 究方向，也是計算機視覺中一個重要的研究問題. 隨著圖像處理技術的發展，數字圖像已經成為日常 生活中不可缺少的媒介，每時每刻都在產生圖像數 據. 對圖像中的物體進行快速準確的分割變得愈發重要.

全景分割包含語義分割和實例分割兩大任務. 語義分割是將類別標簽按圖像中物體類別分配給 每個像素，即將輸入圖像中的像素分為不同的語義 類別. 傳統的語義分割方法多數基于模型驅動，模 型驅動方法可分為生成式和判別式[2] . 生成式模型 首先學習圖像的特征和標簽概率，然后計算輸入圖 像特征時各個標簽的后驗概率，依據此概率對圖像 進行標注. 馬爾科夫隨機場(Markov Random Field, MRF)是一種應用廣泛的生成式模型[3]，它利用先驗上下文信息和訓練得到的結果，提高分割性能. 但 是當圖像較大時，分割速度和精度會大幅下降. 判 別式模型假設圖像特征與標簽之間存在某種映射 關系，然后從歷史數據學習該映射關系的相關參數 [2] . 典型的判別式模型包括支持向量機(Support Vector Machine, SVM)、條件隨機場(Conditional Random Field, CRF)等. SVM 因其可處理非線性且 具有良好的泛化能力，在語義分割研究中得到了廣 泛應用[3]. CRF 不僅可以利用圖像上下文信息，還 可學習從局部到全局的上下文信息，已經成功應用 于圖像標記[4] . 然而，判別式模型存在收斂速度慢無法解決存在隱變量的情況等不容忽視的問題.

近年來，隨著硬件計算能力的提高，語義分割 得到快速發展. 隨著全卷積網絡(fully convolutional network, FCN)的出現[5]，深度學習推動語義分割任 務快速發展，并且在自動駕駛、人臉識別等領域得 到應用.

實例分割實質上是目標檢測和語義分割的結合，目的是將輸入圖像中的目標檢測出來，并且對 每個像素分配類別標簽. 實例分割能夠對前景語義 類別相同的不同實例進行區分，這是它與語義分割 的最大區別. 相比語義分割，實例分割發展較晚， 因此實例分割模型主要基于深度學習技術，但它也 是圖像分割一個重要的組成部分. 隨著深度學習的 發展，實例分割相繼出現了 SDS [6]、DeepMask [7]、 MultiPath Network [8]等方法，分割精度和效率逐漸 得到提升.

全景分割是語義分割和實例分割的綜合. 全景 分割任務不僅要求區分輸入圖像中的背景語義類 別和前景語義類別，還要將同一類別前景語義中的 不同實例分割出來，因此全景分割任務比語義分 割、實例分割任務的難度更高. 全景分割由 Kirillov 等人[1]于 2018 年提出，已經得到計算機視覺學界的 高度重視，涌現出 JSIS-Net[9]、TASCNet[10]、AUNet[11] 等方法，顯著推動了全景分割的發展. 但是在真實 環境下，全景分割經常遇到以下挑戰：

(1) 分支融合沖突 全景分割任務是語義分割與實例分割兩個任務的綜合，在網絡結構方面，現有大部分方法將輸 入圖像的特征輸入到語義分支與實例分支，然后融 合兩個分支的輸出，得到全景輸出. 但是在融合時 會出現像素分配沖突，影響全景預測質量.

(2) 小物體檢測分割 數據集中的圖像會出現大小、距離不一的許多 物體，對于大物體，諸多全景分割方法能夠對其進 行準確分割，當小物體出現時，經常伴隨被忽略或 者分割不準確的問題，這導致全景分割精度較低， 直接增加了全景分割的難度.

(3) 分割對象交疊 在圖像采集過程中，會因為季節、天氣、光照、 距離等條件的變化，出現不同的場景，圖像中物體 會出現遮擋交疊等情況，這使得分割方法無法準確 判斷像素的歸屬，導致分割不精確. 為了克服上述挑戰，已經出現了一些全景分割 方法，它們在分支融合、小物體檢測、遮擋處理方 面提出了不同的應對策略，在一定程度上解決了這 些問題.

本文首先介紹全景分割的流程，然后重點 介紹深度學習在全景分割領域的研究進展. 本文內容安排如下：第 1 節介紹全景分割的基 本流程；第 2 節對語義分割、實例分割等相關知識 以及全景分割數據集進行介紹；第 3 節介紹深度學 習在全景分割領域的研究進展；第 4 節討論全景分 割研究面臨的挑戰，并對今后的發展趨勢進行展 望；第 5 節對本文進行總結.