通常，可以将最佳运动计划作为本地和全球执行。在这样的计划中，支持本地或全球计划技术的选择主要取决于环境条件是动态的还是静态的。因此，最适当的选择是与全球计划一起使用本地计划或本地计划。当设计最佳运动计划是本地或全球的时，要记住的关键指标是执行时间，渐近最优性，对动态障碍的快速反应。与其他方法相比，这种计划方法可以更有效地解决上述目标指标，例如路径计划，然后进行平滑。因此，这项研究的最重要目标是分析相关文献，以了解运动计划，特别轨迹计划，问题，当应用于实时生成最佳轨迹的多局部航空车（MAV），影响力（MAV）时如何提出问题。列出的指标。作为研究的结果，轨迹计划问题被分解为一组子问题，详细列出了解决每个问题的方法列表。随后，总结了2010年至2022年最突出的结果，并以时间表的形式呈现。

在X射线游离电子激光器（XFELS）处的单粒子成像（SPI）特别适合于确定其本地环境中颗粒的3D结构。对于成功的重建，必须从大量获取的图案中分离出来的衍射模式。我们建议将此任务作为图像分类问题制定，并使用卷积神经网络（CNN）架构来解决它。开发了两个CNN配置：一个最大化F1分数的CNN配置和强调高召回的一个配置。我们还将CNN与期望最大化（EM）选择以及尺寸过滤结合起来。我们观察到，我们的CNN选择在我们之前的工作中使用的电子选择的功率谱密度函数的对比度较低。但是，基于CNN的选择的重建提供了类似的结果。将CNN引入SPI实验允许简化重建管道，使研究人员能够在飞行中对模式进行分类，并且因此，它们使他们能够严格控制其实验的持续时间。我们认为，在描述的SPI分析工作流程中提出基于非标准的人工智能（AI）解决方案可能对SPI实验的未来发展有益。

具有最佳最差案例保证的高维最近邻居搜索（NNS）的索引算法是基于随机位置敏感的哈希（LSH）及其衍生物。在实践中，存在许多启发式方法来“学习”最佳的索引方法，以加速NNS，至关重要地适应给定数据集的结构。通常，这些启发式方法的表现优于实际数据集上的基于LSH的算法，但是，几乎总是以失去对抗性查询的正确性或稳健性能的保证，或适用于具有假定额外结构/模型的数据集。在本文中，我们为锤式空间设计了一种NNS算法，该算法最差的案例确保了基本上与理论算法相匹配的算法，同时优化了与数据集的结构（思考实例 - 最佳算法）的结构，以在最低效果上的性能上的性能询问。我们评估了该算法在理论上和实际上对给定数据集进行优化的能力。在理论方面，我们展示了一种自然设置（数据集模型），其中我们的算法比标准理论的算法要好得多。在实用方面，我们运行的实验表明我们的算法在对MNIST和Imagenet数据集的表现最差的查询上的回忆更好。

Data augmentation is a commonly used technique for increasing both the size and the diversity of labeled training sets by leveraging input transformations that preserve output labels. In computer vision domain, image augmentations have become a common implicit regularization technique to combat overfitting in deep convolutional neural networks and are ubiquitously used to improve performance. While most deep learning frameworks implement basic image transformations, the list is typically limited to some variations and combinations of flipping, rotating, scaling, and cropping. Moreover, the image processing speed varies in existing tools for image augmentation. We present Albumentations, a fast and flexible library for image augmentations with many various image transform operations available, that is also an easy-to-use wrapper around other augmentation libraries. We provide examples of image augmentations for different computer vision tasks and show that Albumentations is faster than other commonly used image augmentation tools on the most of commonly used image transformations. The source code for Albumentations is made publicly available online at https://github.com/albu/albumentations.