Robotic planning in real-world scenarios typically requires joint optimization of logic and continuous variables. A core challenge to combine the strengths of logic planners and continuous solvers is the design of an efficient interface that informs the logical search about continuous infeasibilities. In this paper we present a novel iterative algorithm that connects logic planning with nonlinear optimization through a bidirectional interface, achieved by the detection of minimal subsets of nonlinear constraints that are infeasible. The algorithm continuously builds a database of graphs that represent (in)feasible subsets of continuous variables and constraints, and encodes this knowledge in the logical description. As a foundation for this algorithm, we introduce Planning with Nonlinear Transition Constraints (PNTC), a novel planning formulation that clarifies the exact assumptions our algorithm requires and can be applied to model Task and Motion Planning (TAMP) efficiently. Our experimental results show that our framework significantly outperforms alternative optimization-based approaches for TAMP.

我们考虑针对翻译不变的动态系统的时间 - 最佳运动计划，该属性适用于许多移动机器人，例如差速器，汽车，飞机和多旋转器。我们的关键见解是，当与优化共生时，我们可以将图形搜索算法扩展到连续情况。对于图形搜索，我们引入了不连续性的A*（DB-A*），这是A*算法的概括，该算法使用了基于采样计划者的概念和数据结构。 db-a*重复使用短轨迹，所谓的运动原语作为边缘，并允许在顶点处最大的用户指定的不连续性。这些轨迹是通过轨迹优化在局部修复的，这也提供了新的改进的运动原语。我们的新型动力学运动计划者KMP-DB-A*几乎具有渐近的最佳行为，并迅速计算了近乎最佳的解决方案。对于我们的经验验证，我们提供了第一个基准，该基准测试在不同设置中的多个动态系统上比较搜索，采样和基于优化的时间 - 最佳运动计划。与基线相比，KMP-DB-A*始终求解更多的问题实例，找到较低成本的初始解决方案并更快地收敛。

基于最佳抽样的运动计划和轨迹优化是两个竞争框架，以生成最佳运动计划。这两个框架都有互补的属性：基于抽样的计划者通常会趋于趋势，但提供最佳保证。但是，轨迹优化器通常很快就可以收敛，但在非凸问题中不提供全局最佳保证，例如场景有障碍。为了达到两全其美，我们介绍了一个新的计划者Bitkomo，该计划者将渐近最佳的批处理知识树（BIT*）计划者与K-order Markov优化（KOMO）轨迹优化框架集成在一起。我们的计划者随时随地，并保持BIT*提供的相同的渐近优化性保证，同时还利用KOMO轨迹优化器的快速收敛性。我们在实验中评估了我们的计划者在涉及高维配置空间的操作场景方面，最多有两个7-DOF操纵器，障碍物和狭窄的通道。即使Komo失败，Bitkomo的表现也比Komo更好，并且在收敛到最佳解决方案方面，它的表现优于Bit*。

目的：加速径向采样的扩散加权自旋回波（RAD-DW-SE）采集方法，以生成高质量的表观扩散系数（ADC）地图。方法：开发了一种深度学习方法，以从用RAD-DW-SE方法获取的未采样的DWI数据生成准确的ADC映射重建。深度学习方法将卷积神经网络（CNN）与Vison变形金刚集成在一起，以生成从无效的DWI数据中生成高质量的ADC图，该数据由单指数ADC模型拟合项正常化。对147只小鼠的DWI数据进行了培训，并对36只小鼠的DWI数据进行了评估，其采样率为4倍和8倍。结果：消融研究和实验结果表明，所提出的深度学习模型可以从不足采样的DWI数据中生成高质量的ADC图，比在比较的替代深度学习方法中，其性能在不同级别的图像，肿瘤，肾脏和牙齿上进行了量化。肌肉。结论：具有集成CNN和变形金刚的深度学习方法提供了一种有效的手段，可以从使用RAD-DW-SE方法中获取的不足采样的DWI数据中准确计算ADC映射。

我们介绍了Julia库Diffopt.jl，以通过凸优化问题解决目标和/或约束中存在的任意参数来区分。该库建立在数学上的基础上，因此利用了丰富的求解器生态系统，并用跳跃等建模语言很好地组成。DIFFOPT提供了前向和反向分化模式，从而使多个用例从高参数优化到反向传播和灵敏度分析，桥接受约束优化和端到端可区分编程。

这项研究通过对三种不同类型的模型进行基准评估来调查机器学习模型对产生反事实解释的影响：决策树（完全透明，可解释的，白色盒子模型），随机森林（一种半解释，灰色盒模型）和神经网络（完全不透明的黑盒模型）。我们在五个不同数据集（Compas，成人，德国，德语，糖尿病和乳腺癌）中使用四种算法（DICE，WatchERCF，原型和GrowingSpheresCF）测试了反事实生成过程。我们的发现表明：（1）不同的机器学习模型对反事实解释的产生没有影响； （2）基于接近性损失函数的唯一算法是不可行的，不会提供有意义的解释； （3）在不保证反事实生成过程中的合理性的情况下，人们无法获得有意义的评估结果。如果对当前的最新指标进行评估，则不考虑其内部机制中不合理的算法将导致偏见和不可靠的结论； （4）强烈建议对定性分析（以及定量分析），以确保对反事实解释和偏见的潜在识别进行强有力的分析。

Machine learning (ML) has been increasingly used to aid aerodynamic shape optimization (ASO), thanks to the availability of aerodynamic data and continued developments in deep learning. We review the applications of ML in ASO to date and provide a perspective on the state-of-the-art and future directions. We first introduce conventional ASO and current challenges. Next, we introduce ML fundamentals and detail ML algorithms that have been successful in ASO. Then, we review ML applications to ASO addressing three aspects: compact geometric design space, fast aerodynamic analysis, and efficient optimization architecture. In addition to providing a comprehensive summary of the research, we comment on the practicality and effectiveness of the developed methods. We show how cutting-edge ML approaches can benefit ASO and address challenging demands, such as interactive design optimization. Practical large-scale design optimizations remain a challenge because of the high cost of ML training. Further research on coupling ML model construction with prior experience and knowledge, such as physics-informed ML, is recommended to solve large-scale ASO problems.

我们提出了一种从有限的训练数据学习高维参数映射的解析替代框架。在许多需要重复查询复杂计算模型的许多应用中出现了对参数代理的需求。这些应用包括贝叶斯逆问题，最佳实验设计和不确定度的最佳设计和控制等“外环”问题，以及实时推理和控制问题。许多高维参数映射承认低维结构，这可以通过映射信息的输入和输出的绘图信息的减少基础来利用。利用此属性，我们通过自适应地构造其输入和输出的缩小基础之间的Reset近似来制定用于学习这些地图的低维度近似的框架。最近的近似近似理论作为控制流的离散化，我们证明了我们所提出的自适应投影Reset框架的普遍近似性，这激励了Resnet构造的相关迭代算法。该策略代表了近似理论和算法的汇合，因为两者都使用顺序最小化流量。在数值例子中，我们表明，在训练数据少量的培训数据中，能够实现显着高精度，使其能够实现培训数据生成的最小计算投资的理想代理策略。

在本文中，我们介绍了Hessian-Schatten总变异（HTV） - 一种小型演奏，量化了多元官能团的总“益智欲”。我们定义HTV的动机是评估监督学习计划的复杂性。我们首先指定了配备合适类的混合规范的足够矩阵值的Banach空间。然后，我们显示HTV不变于旋转，缩放和翻译。另外，对于线性映射来实现其最小值，支持线性回归是最不复杂的学习模型的常见直觉。接下来，我们呈现封闭式表达式，用于计算两种常规功能的HTV。第一个是SoboLev的类，具有一定程度的规律性，我们表明HTV与Hessian-Schatten Seminorm巧合，有时用作图像重建的常规器。第二个是连续和分段线性（CPWL）功能的类。在这种情况下，我们表明HTV反映了具有共同面的线性区域之间的斜率的总变化。因此，它可以被视为CPWL映射的线性区域（L0型）的数量的凸松弛（L1型​​）。最后，我们说明了我们提出的研讨会与一些具体例子的使用。

本文介绍了基于因子图的C ++估计框架，并针对移动机器人。狼将因子图的应用从典型的SLAM和OCOMORY中的典型问题扩展到能够处理自校准，模型识别或除本地化以外的动态量的观察的一般估计框架。狼在传感器速率上产生高通量估计到高达kHz范围，可用于高动态机器人的反馈控制，例如人形，四足动物或空中操纵器。脱离因子图范式，狼的体系结构允许模块化但紧密耦合的估计器。模块化基于运行时加载的插件。然后，通过yaml文件实现集成，允许用户在不需要编写或编译代码的情况下配置各种应用程序。通过分散的帧创建和加入策略，实现了传入数据的同步及其进入唯一因子图。大多数算法资产被编码为基类中的抽象算法，具有不同级别的专业化。总体而言，这些资产允许相干处理并有利于可重用性和可扩展性。狼可以与不同的求解器界面，我们为Google Ceres提供包装纸。同样，我们提供ROS集成，提供通用ROS节点和带有订阅者和发布者的专用套餐。狼被公开可用，并开放合作。