未知环境的探索和映射是自动机器人应用程序中的一项基本任务。在本文中，我们介绍了一个完整的框架，用于在未知的地下地区部署MAVS中的MAV。探索算法的主要动机是描绘机器人的下一个最佳边界，以便可以快速，安全但有效的方式覆盖新的地面。拟议的框架使用一种新颖的边界选择方法，该方法还有助于在地下洞穴，矿山和城市地区等受阻区中自动驾驶的安全导航。这项工作中提出的框架分叉了本地和全球探索中的勘探问题。拟议的勘探框架也可以根据机器人上的计算资源进行适应，这意味着可以在探索速度和地图质量之间进行权衡。这样的功能使建议的框架可以在地下探索，映射以及快速搜索和救援方案中部署。整个系统被认为是在类似隧道的环境中导航和物体定位的低复杂性和基线解决方案。在详细的仿真研究中评估了所提出的框架的性能，并与针对DARPA Sub-T挑战开发的高级探索计划框架进行了比较，这将在本文中介绍。

本文建立了一种新颖的通用和平台 - 无话会风险感知路径规划框架，其基于经典$ D ^ * $ Lite规划仪，路径设计专注于安全性和效率。该计划者生成一个网格图，其中占用/自由/未知空间用不同的遍历成本表示。在这种情况下，在这种情况下呈现，将遍历成本添加到接近占用的未知体素。算法实现也通过动态网格图来增强，具有在机器人操作期间更新和扩展的新颖能力，从而增加了使命的整体安全性，并且适用于勘探和搜索和救援任务。在生成的网格图中，$ d ^ * $ lite能够规划一个更安全的路径，具有最小的遍历成本。所提出的路径规划框架适用于分别生成2D和3D路径，以及在3D情况下，在3D情况下，用一个体素高度产生网格以计划2D路径，这是区分之间的主要因素2D和3D路径规划。在Quadcopter平台和波士顿动力学点腿机器人的多种仿真和实际场实验中广泛评估所提出的新型路径规划方案的功效。

The number of international benchmarking competitions is steadily increasing in various fields of machine learning (ML) research and practice. So far, however, little is known about the common practice as well as bottlenecks faced by the community in tackling the research questions posed. To shed light on the status quo of algorithm development in the specific field of biomedical imaging analysis, we designed an international survey that was issued to all participants of challenges conducted in conjunction with the IEEE ISBI 2021 and MICCAI 2021 conferences (80 competitions in total). The survey covered participants' expertise and working environments, their chosen strategies, as well as algorithm characteristics. A median of 72% challenge participants took part in the survey. According to our results, knowledge exchange was the primary incentive (70%) for participation, while the reception of prize money played only a minor role (16%). While a median of 80 working hours was spent on method development, a large portion of participants stated that they did not have enough time for method development (32%). 25% perceived the infrastructure to be a bottleneck. Overall, 94% of all solutions were deep learning-based. Of these, 84% were based on standard architectures. 43% of the respondents reported that the data samples (e.g., images) were too large to be processed at once. This was most commonly addressed by patch-based training (69%), downsampling (37%), and solving 3D analysis tasks as a series of 2D tasks. K-fold cross-validation on the training set was performed by only 37% of the participants and only 50% of the participants performed ensembling based on multiple identical models (61%) or heterogeneous models (39%). 48% of the respondents applied postprocessing steps.

文本内容通常是协作写作过程的输出：我们从初始草稿开始，提出建议并反复进行更改。不可知的是，当今的语言模型只能产生最终结果。结果，他们缺乏对协作写作至关重要的几种能力：他们无法更新现有文本，难以控制和无法进行口头计划或解释其行为。为了解决这些缺点，我们介绍了Peer，这是一种协作语言模型，经过训练以模仿整个写作过程本身：Peer可以编写草稿，添加建议，提出编辑并为其行为提供解释。至关重要的是，我们训练多个同伴能够填补写作过程的各个部分的实例，从而可以使用自训练技术来提高培训数据的质量，数量和多样性。这通过使其适用于没有编辑历史的域，并提高其遵循说明，编写有用的评论并解释其动作的能力，从而释放了Peer的全部潜力。我们表明，同行在各个领域和编辑任务上取得了强大的性能。

我们专注于拥挤环境中的机器人导航。预测机器人周围人群的运动的挑战使得难以确保人类的安全和舒适。最近的方法通常采用端到端技术来进行机器人控制或深层体系结构，以进行高保真的人类运动预测。尽管这些方法在模拟域中获得了重要的性能基准，但数据集限制和较高的样本复杂性倾向于阻止它们转移到现实世界中。我们的关键见解是，捕获人群动力学的关键特征的低维表示可能足以使机器人能够平稳地绕过人群。为此，我们使用拓扑不变性的概念将数学上的行为正式化了两种代理作为旋转的行为。基于这种形式主义，我们设计了一个成本功能，有利于机器人轨迹促进更高的传球进展，并惩罚人之间不同方面的切换。我们将此功能纳入模型预测控制器中，该模型使用了人类运动预测的简单恒定速度模型。这导致机器人运动在统计学上与最先进的基线相比，在统计学上，在统计学上取得了显着更高的清除，同时保持竞争性效率水平，跨越广泛的模拟以及在自动平衡机器人上的现实世界实验。

我们专注于规划机器人在动态多读环境中的运动的问题，例如行人场景。使机器人能够安全地在这种场景中安全地和社会顺写的方式导航，需要表示展开的多层动态的表示。该问题的现有方法倾向于采用运动预测的微观模型，即其他药剂的个体行为的原因。虽然这种模型可以在轨迹预测基准中实现高跟踪精度，但它们通常缺乏对在拥挤的场景中展开的组结构的理解。受到心理学的Gestalt理论的启发，我们构建了一种模型预测控制框架（G-MPC），其利用基于组的基于机器人运动规划的预测。我们进行广泛的仿真研究，涉及从两个现实世界步行数据集中提取的场景中的一系列具有挑战性的导航任务。我们说明了G-MPC使机器人能够实现比具有单个行人运动预测模型的一系列基线的基团入侵的统计上显着更高的安全性和较低的群体入侵。最后，我们表明G-MPC可以在没有显着性能损失的情况下处理嘈杂的LIDAR扫描估计。