自动室内映射的问题解决了。目的是最大程度地减少达到预定百分比的暴露百分比，并以一定的确定性水平。在路径计划和地图构造中，都使用预训练的生成深神经网络，充当地图预测指标，以加快映射过程。该方法与两个不同的平面图数据集的几个基于边界的路径计划结合使用。对集成地图预测变量的多种配置进行了仿真，其结果表明，通过利用预测，可以大大减少映射时间。当预测均集成到路径规划和地图施工过程中时，表明在某些情况下，映射时间可能会减少50％以上。
translated by 谷歌翻译
我们考虑了$ d $维图像的新拓扑效率化，该图像通过在计算持久性之前与各种过滤器进行卷积。将卷积滤波器视为图像中的图案，结果卷积的持久图描述了图案在整个图像中分布的方式。我们称之为卷积持久性的管道扩展了拓扑结合图像数据中模式的能力。的确，我们证明（通常说）对于任何两个图像，人们都可以找到某些过滤器，它们会为其产生不同的持久图，以便给定图像的所有可能的卷积持久性图的收集是一个不变的不变性。通过表现出卷积的持久性是另一种拓扑不变的持续性副学变换的特殊情况，这证明了这一点。卷积持久性的其他优势是提高噪声的稳定性和鲁棒性，对数据依赖性矢量化的更大灵活性以及对具有较大步幅向量的卷积的计算复杂性降低。此外，我们还有一套实验表明，即使人们使用随机过滤器并通过仅记录其总持久性，卷积大大提高了持久性的预测能力，即使一个人使用随机过滤器并将结果图进行量化。
translated by 谷歌翻译
在现存的人口中，现有个人在其祖先的血统中提供多少信息？ Kim，Mossel，Ramnarayan和Turner（2020）的最新工作在许多简化的假设中研究了这个问题，包括随机交配，固定长度继承块和足够大的基础人群。他们表明，在这些条件下，如果平均后代数量足够大的常数，则可以通过他们称为rec-gen的算法来恢复大部分的谱系结构和遗传含量。我们有兴趣研究根据模型生成的模拟数据的rec-gen的性能。作为第一步，我们改善了算法的运行时间。但是，我们观察到，即使算法的更快版本在恢复2代的谱系中的任何模拟中都不好。我们声称这是由于在任何可以运行算法的情况下，即使在模拟数据上都可以运行算法的近交。为了支持这一说法，我们表明该算法的主要步骤称为祖先重建，在理想化的环境中准确地表现，没有近交，但在随机交配种群中的性能很差。为了克服rec-gen的不良行为，我们引入了一种基于信仰传播的启发式，该启发式是造成近亲繁殖的，并且在我们的模拟中表现更好。
translated by 谷歌翻译