随着下一代GPS III星座的诞生和即将推出的导航技术卫星-3（NTS-3）测试平台来探索GPS的未来技术，我们确实进入了卫星导航的新时代。相应地，是时候重新审视GPS扩散代码系列的设计方法了。在这项工作中，我们开发了一种具有高斯建议分布的自然演化策略（NES）机器学习算法，构建了扩展码序列的高质量家庭。我们最小化平均平衡自相关和平均平均互相关之间的最大值，并展示了我们算法实现更好的性能，而不是所选择的相等长度金代码和Weil代码的良好性能，适用于UP的序列长度-1023和长度-1031位和多达31个代码的系列尺寸。此外，我们将算法与类似的遗传算法实现进行了比较，分配了相同的代码评估度量。据作者所知，这是第一个使用机器学习方法来设计导航扩展码序列的第一项工作。

机器人间通信使多机器人系统能够有效地协调和执行复杂的任务。因此，维持机器人之间的通信网络的连接对于许多多机器人系统是必不可少的。在本文中，我们提出了一种用于多机器人系统的连接维护的轨迹策划局。我们首先定义加权无向图形以表示系统的连接。与以前的连接维护不同，我们明确地解释了机器人运动和传感不确定性，同时制定图形边缘权重。这些不确定性导致不确定的机器人位置，该位置直接影响系统的连接性。接下来，使用基于乘法器（ADMM）框架的分布式交替方向方法，使用轨迹规划器维持加权未向图的代数连接以上的指定的下限。在这里，我们得出了ADMM优化步骤中所需的Hessian矩阵的近似，以减少计算负荷。最后，提出了仿真结果以统计验证我们的轨迹策划者的连接维护。

与许多返回点值估计值的城市本地化方法不同，设定值表示可以通过确保可能的位置的连续体遵守安全限制来实现鲁棒性。具有设置值估计的一种策略是基于GNSS的阴影匹配〜（SM），其中使用三维（3-D）地图来计算GNSS阴影（在视线范围内被阻止）。但是，SM需要一个值值的网格才能计算障碍，并且精确限制了网格分辨率。我们建议针对Set值3-D MAPAID ADED GNSS本地化的Zonotope Shadow匹配（ZSM）。 ZSM代表建筑物和GNSS阴影，使用约束的ZONOTOPE，这是一种凸多属表示，该表示可以使用快速矢量串联操作实现传播设置值估计。 ZSM从粗糙的设定值开始，根据接收到的载体到噪声密度所判断的接收器在每个阴影内部或外部的接收器。我们使用模拟实验在简单的3-D示例图和旧金山密集的3-D地图上展示了算法的性能。

激光雷达传感器是在未知环境中同时定位和映射（SLAM）的强大工具，但是它们产生的原始点云是密集的，计算量昂贵，并且不适合下游自治任务（例如运动计划）直接使用。为了与运动计划集成，希望大满贯管道生成轻量级的几何图表示。这样的表示也特别适合人造环境，通常可以将其视为在笛卡尔网格上建造的所谓“曼哈顿世界”。在这项工作中，我们为曼哈顿世界环境提出了一种3D激光雷达大满贯算法，该算法从点云中提取平面特征，以实现轻便，实时的定位和映射。我们的方法生成基于平面的地图，其记忆占其位置的记忆力明显少得多，并且适合于快速碰撞检查运动计划。通过利用曼哈顿世界的假设，我们靶向正交平面的提取，以生成比现有基于平面的LIDAR SLAM方法更结构化和组织的地图。我们证明了我们在高保真的AirSim模拟器以及配备有速蛋白底激光片的地面漫游车的现实实验中。在这两种情况下，我们都能够以匹配10 Hz的传感器速率的速率生成高质量的图和轨迹估计值。

最近，对使用未来月球导航卫星系统（LNSS）的小型平台越来越兴趣，以允许成本效益和快速部署。但是，许多设计选择尚未为基于小型的LNSS进行最终确定，包括板载时钟和轨道类型。与传统的地球GPS相比，设计LNSS造成独特的挑战：（a）板载时钟的限制尺寸，重量和电源（交换）限制了定时稳定性; （b）有限的月球地面监测站，为稳定的LNSS卫星轨道进行了更大的偏好。在本前的工作中，我们分析了与车载时钟和月球轨道类型相关的不同设计考虑因素之间的权衡，用于设计LNSS从地球GPS的时间转移。我们所提出的时转架构将间歇可用的地球GPS信号组合在定时滤波器中以缓解板载时钟的成本和交换要求。具体地，我们通过不同等级的低交换时钟和先前研究的月球轨道类型进行多种案例研究。我们估计月球用户等效范围错误（UERE）度量标准，以表征从LNSS卫星发送的信号的测距精度。使用Systems工具套件（STK） - 基于Analytical Graphics，Inc。（AGI）的基础模拟设置，我们评估了Lunar Uere对LNSS设计的各种案例研究，以证明具有传统地球GPS的可比性，即使是遗产使用低交换板上的时钟。我们进一步对敏感性分析进行了敏感性分析，以研究不同案例研究的月球UEE度量的变化，因为地球-GPS测量更新率变化。

深神经网络（DNNS）是在存在多路径和非线视线错误的情况下定位全局导航卫星系统（GNSS）的有前途的工具，这是由于它们使用数据建模复杂错误的能力。但是，为GNSS定位开发DNN提出了各种挑战，例如1）由于卫星可见性的变化和，在全球范围内测量和位置值的差异很大而导致的数值和位置值差异很大，数量和位置值差。 3）过度适合可用数据。在这项工作中，我们解决了上述挑战，并通过将基于DNN的校正应用于初始位置猜测，提出了GNSS定位的方法。我们的DNN学会了使用伪残留物和卫星视线向量作为输入来输出位置校正。这些输入和输出值的有限变化可改善我们DNN的数值条件。我们设计了DNN体系结构，以结合可用GNSS测量的信息，这些信息通过利用基于设定的深度学习方法的最新进步，在数量和顺序上不同。此外，我们提出了一种数据增强策略，用于通过随机将初始位置猜测随机减少DNN中的过度拟合。我们首先执行模拟，并在应用基于DNN的校正时显示出初始定位误差的改进。此后，我们证明我们的方法在现实世界数据上的表现优于WLS基线。我们的实施可在github.com/stanford-navlab/deep_gnss上获得。

对于多机器人系统的安全有效运行，通信连接是可取的。尽管最近的文献中已经探讨了用于连接性维持的分散算法，但这些作品中的大多数并没有说明机器人运动和感知不确定性。这些不确定性是实际机器人固有的，并导致机器人偏离其所需位置，这可能会导致连通性丧失。在本文中，我们提出了一种分散的连接维护算法，该算法会计机器人运动和感知不确定性（DCMU）。我们首先为多机器人系统提出了一个新颖的加权图定义，该定义说明了上述不确定性以及现实的连接性约束，例如视线连接性和避免碰撞。接下来，我们设计了一个基于分散梯度的控制器，用于连接维护，在该控制器中，我们得出了计算控件所需的加权图边缘权重的梯度。最后，我们执行多个模拟，以验证机器人运动下的DCMU算法的连接性维持性能并感知不确定性，并与以前的工作相比显示出改进。

In this paper, we study the problem of knowledge-intensive text-to-SQL, in which domain knowledge is necessary to parse expert questions into SQL queries over domain-specific tables. We formalize this scenario by building a new Chinese benchmark KnowSQL consisting of domain-specific questions covering various domains. We then address this problem by presenting formulaic knowledge, rather than by annotating additional data examples. More concretely, we construct a formulaic knowledge bank as a domain knowledge base and propose a framework (ReGrouP) to leverage this formulaic knowledge during parsing. Experiments using ReGrouP demonstrate a significant 28.2% improvement overall on KnowSQL.

Weakly-supervised object localization aims to indicate the category as well as the scope of an object in an image given only the image-level labels. Most of the existing works are based on Class Activation Mapping (CAM) and endeavor to enlarge the discriminative area inside the activation map to perceive the whole object, yet ignore the co-occurrence confounder of the object and context (e.g., fish and water), which makes the model inspection hard to distinguish object boundaries. Besides, the use of CAM also brings a dilemma problem that the classification and localization always suffer from a performance gap and can not reach their highest accuracy simultaneously. In this paper, we propose a casual knowledge distillation method, dubbed KD-CI-CAM, to address these two under-explored issues in one go. More specifically, we tackle the co-occurrence context confounder problem via causal intervention (CI), which explores the causalities among image features, contexts, and categories to eliminate the biased object-context entanglement in the class activation maps. Based on the de-biased object feature, we additionally propose a multi-teacher causal distillation framework to balance the absorption of classification knowledge and localization knowledge during model training. Extensive experiments on several benchmarks demonstrate the effectiveness of KD-CI-CAM in learning clear object boundaries from confounding contexts and addressing the dilemma problem between classification and localization performance.

Dynamic treatment regimes assign personalized treatments to patients sequentially over time based on their baseline information and time-varying covariates. In mobile health applications, these covariates are typically collected at different frequencies over a long time horizon. In this paper, we propose a deep spectral Q-learning algorithm, which integrates principal component analysis (PCA) with deep Q-learning to handle the mixed frequency data. In theory, we prove that the mean return under the estimated optimal policy converges to that under the optimal one and establish its rate of convergence. The usefulness of our proposal is further illustrated via simulations and an application to a diabetes dataset.