滑动检测对于在外星人表面驾驶的流浪者的安全性和效率至关重要。当前的行星流动站滑移检测系统依赖于视觉感知，假设可以在环境中获得足够的视觉特征。然而，基于视觉的方法容易受到感知降解的行星环境，具有主要低地形特征，例如岩石岩，冰川地形，盐散发物以及较差的照明条件，例如黑暗的洞穴和永久阴影区域。仅依靠视觉传感器进行滑动检测也需要额外的计算功率，并降低了流动站的遍历速率。本文回答了如何检测行星漫游者的车轮滑移而不取决于视觉感知的问题。在这方面，我们提出了一个滑动检测系统，该系统从本体感受的本地化框架中获取信息，该框架能够提供数百米的可靠，连续和计算有效的状态估计。这是通过使用零速度更新，零角度更新和非独立限制作为惯性导航系统框架的伪测量更新来完成的。对所提出的方法进行了对实际硬件的评估，并在行星 - 分析环境中进行了现场测试。该方法仅使用IMU和车轮编码器就可以达到150 m左右的92％滑动检测精度。

Estimating the probability of failure for complex real-world systems using high-fidelity computational models is often prohibitively expensive, especially when the probability is small. Exploiting low-fidelity models can make this process more feasible, but merging information from multiple low-fidelity and high-fidelity models poses several challenges. This paper presents a robust multi-fidelity surrogate modeling strategy in which the multi-fidelity surrogate is assembled using an active learning strategy using an on-the-fly model adequacy assessment set within a subset simulation framework for efficient reliability analysis. The multi-fidelity surrogate is assembled by first applying a Gaussian process correction to each low-fidelity model and assigning a model probability based on the model's local predictive accuracy and cost. Three strategies are proposed to fuse these individual surrogates into an overall surrogate model based on model averaging and deterministic/stochastic model selection. The strategies also dictate which model evaluations are necessary. No assumptions are made about the relationships between low-fidelity models, while the high-fidelity model is assumed to be the most accurate and most computationally expensive model. Through two analytical and two numerical case studies, including a case study evaluating the failure probability of Tristructural isotropic-coated (TRISO) nuclear fuels, the algorithm is shown to be highly accurate while drastically reducing the number of high-fidelity model calls (and hence computational cost).

分析运动表现或预防伤害需要捕获人体在某些运动中施加的地面反作用力（GRF）。标准实践在受控环境中使用与力板配对的物理标记，但这是由于高成本，冗长的实现时间和重复实验中的差异所破坏。因此，我们提出了视频中的GRF推论。尽管最近的工作使用LSTM从2D观点估算GRF，但它们的建模和表示能力可能受到限制。首先，我们建议使用变压器体系结构从视频任务中解决GRF，这是第一个这样做的。然后，我们引入了新的损失，以最大程度地减少回归曲线中的高影响峰。我们还表明，对2D到3D人类姿势估计的训练和多任务学习可以提高对看不见动作的概括。在此不同的任务上进行预训练时，在较小（稀有）GRF数据集上进行填充时，可以提供良好的初始权重。我们评估了Laas Parkour和新收集的钳子数据集；与先前的方法相比，我们出现的误差降低了19％。

在这封信中，我们通过学习两个参数而不是一个以更好地适合剩余分布来提高现有可靠估计算法的适应性。我们的方法使用这两个参数来计算迭代重新加权最小二乘（IRL）的权重。在噪声水平在测量中有所不同的情况下，权重的这种适应性性质被证明是有帮助的，并且显示出可提高异常值的鲁棒性。我们首先在综合数据集的点云注册问题上测试算法，其中已知真相转换。接下来，我们还使用开源激光惯性持续式SLAM软件包评估了该方法，以证明所提出的方法比现有版本的算法更有效，用于应用增量激光持续性探针测定法。我们还分析了从数据集中学到的两个参数的关节变异性。

TRISTRUCCUCTIONATIOPIC（TRISO）涂层颗粒燃料是强大的核燃料，并确定其可靠性对于先进的核技术的成功至关重要。然而，Triso失效概率很小，相关的计算模型很昂贵。我们使用耦合的主动学习，多尺度建模和子集模拟来估计使用几个1D和2D模型的Triso燃料的故障概率。通过多尺度建模，我们用来自两个低保真（LF）模型的信息融合，取代了昂贵的高保真（HF）模型评估。对于1D TRISO模型，我们考虑了三种多倍性建模策略：仅克里格，Kriging LF预测加克里格校正，深神经网络（DNN）LF预测加克里格校正。虽然这些多尺度建模策略的结果令人满意地比较了从两个LF模型中使用信息融合的策略，但是通常常常称为HF模型。接下来，对于2D Triso模型，我们考虑了两个多倍性建模策略：DNN LF预测加克里格校正（数据驱动）和1D Triso LF预测加克里格校正（基于物理学）。正如所预期的那样，基于物理的策略一直需要对HF模型的最少的呼叫。然而，由于DNN预测是瞬时的，数据驱动的策略具有较低的整体模拟时间，并且1D Triso模型需要不可忽略的模拟时间。

本文比较了自适应和强大的卡尔曼滤波器算法在改善低特色粗糙地形上改善车轮惯性内径术中的性能。方法包括经典的自适应和鲁棒方法以及变分方法，其在实验上在类似于行星勘探中遇到的地形的轮式漫游器上进行评估。与经典自适应滤光器相比，变分滤波器显示出改善的解决方案精度，并且能够处理错误的车轮测量测量，并保持良好的定位，无需显着漂移。我们还显示参数如何影响本地化性能的变化。

因子图最近被出现为GNSS定位的替代解决方法。在本文中，我们审查了因素图在GNSS中实施了，它们与卡尔曼滤波器的一些优点，以及它们在使定位解决方案更强大地降解测量方面的重要性。我们还讨论了因子图如何成为现场无线电导航社区的重要工具。

在这项工作中，我们展示了基于全球导航卫星系统（GNSS）的零速度信息的重要性。在文献中已经示出了使用零速度更新（Zupt）的零速度信息的有效性已经显示在文献中。在这里，我们利用此信息并将其添加为GNSS因子图中的位置约束。我们还将其性能与GNSS /惯用导航系统（INS）耦合因子图进行比较。我们在三个数据集上测试了我们的Zupt辅助因子图方法，并将其与仅限GNSS因子图进行了比较。

地球天气和气候的数值模拟需要大量的计算。这导致替换替换具有在推理时间快速的近似机器学习（ml）方法的子程序来替换的子程序感兴趣。在天气和气候模型中，大气辐射转移（RT）计算特别昂贵。这使他们成为了基于神经网络的仿真器的流行目标。然而，由于缺乏缺乏全面的数据集和ML基准测试的标准化最佳实践，事先工作难以比较。为了填补这个差距，我们建立一个大型数据集，比加拿大地球系统模型为基础的大型数据集，高于\ emph {1000万个样本，未来的气候条件}。 Climart为ML社区带来了几种方法论挑战，例如多次分发试验集，底层域物理学和准确性和推广速度之间的权衡。我们还提出了几种新颖的基线，这些基线表示现有工作中使用的数据集和网络架构的缺点。下载说明，基准和代码可提供：https：//github.com/rolnicklab/climart

While the brain connectivity network can inform the understanding and diagnosis of developmental dyslexia, its cause-effect relationships have not yet enough been examined. Employing electroencephalography signals and band-limited white noise stimulus at 4.8 Hz (prosodic-syllabic frequency), we measure the phase Granger causalities among channels to identify differences between dyslexic learners and controls, thereby proposing a method to calculate directional connectivity. As causal relationships run in both directions, we explore three scenarios, namely channels' activity as sources, as sinks, and in total. Our proposed method can be used for both classification and exploratory analysis. In all scenarios, we find confirmation of the established right-lateralized Theta sampling network anomaly, in line with the temporal sampling framework's assumption of oscillatory differences in the Theta and Gamma bands. Further, we show that this anomaly primarily occurs in the causal relationships of channels acting as sinks, where it is significantly more pronounced than when only total activity is observed. In the sink scenario, our classifier obtains 0.84 and 0.88 accuracy and 0.87 and 0.93 AUC for the Theta and Gamma bands, respectively.