无人驾驶汽车（UAV）的使用提供了各种应用程序的许多优势。但是，安全保证是广泛使用的关键障碍，尤其是考虑到无人机所经历的不可预测的操作和环境因素，这些因素很难仅在设计时间内捕获。本文提出了一种称为SAFEDRONES的新可靠性建模方法，以通过实现无人机的运行时可靠性和风险评估来帮助解决此问题。它是可执行数字可靠身份（EDDI）概念的原型实例化，该概念旨在为多机器人系统的实时，数据驱动的可靠性保证创建基于模型的解决方案。通过提供实时可靠性估算，SAFEDRONES允许无人机以自适应方式相应地更新其任务。

Lipschitz regularized f-divergences are constructed by imposing a bound on the Lipschitz constant of the discriminator in the variational representation. They interpolate between the Wasserstein metric and f-divergences and provide a flexible family of loss functions for non-absolutely continuous (e.g. empirical) distributions, possibly with heavy tails. We construct Lipschitz regularized gradient flows on the space of probability measures based on these divergences. Examples of such gradient flows are Lipschitz regularized Fokker-Planck and porous medium partial differential equations (PDEs) for the Kullback-Leibler and alpha-divergences, respectively. The regularization corresponds to imposing a Courant-Friedrichs-Lewy numerical stability condition on the PDEs. For empirical measures, the Lipschitz regularization on gradient flows induces a numerically stable transporter/discriminator particle algorithm, where the generative particles are transported along the gradient of the discriminator. The gradient structure leads to a regularized Fisher information (particle kinetic energy) used to track the convergence of the algorithm. The Lipschitz regularized discriminator can be implemented via neural network spectral normalization and the particle algorithm generates approximate samples from possibly high-dimensional distributions known only from data. Notably, our particle algorithm can generate synthetic data even in small sample size regimes. A new data processing inequality for the regularized divergence allows us to combine our particle algorithm with representation learning, e.g. autoencoder architectures. The resulting algorithm yields markedly improved generative properties in terms of efficiency and quality of the synthetic samples. From a statistical mechanics perspective the encoding can be interpreted dynamically as learning a better mobility for the generative particles.

天体物理光曲线尤其具有挑战性的数据对象，因为噪音的强度和种类污染了它们。然而，尽管可用的光曲线有天文数量，但用于处理它们的大多数算法仍在按样本基础上运行。为了解决这个问题，我们提出了一个简单的变压器模型 - 称为Denoising时间序列变压器（DTST） - 并表明它在接受掩盖目标的训练时，在时间序列数据集中删除噪声和离群值，即使没有干净的目标也是如此可用。此外，自我发作的使用将丰富和说明性的查询带入学习的表示形式。我们介绍了从过境外行空间卫星（TESS）的真实恒星光曲线进行的实验，与传统的Denoising技术相比，我们的方法的优势。

本文报道了机器人研究人员的见解，该洞察力参加了由德国卡尔斯鲁赫（Karlsruhe）的Kerntechnische Hilfdienst GmbH（KHG）进行的为期5天的核灾难反应现场演习。德国核工业建立了KHG，为核事故提供了机器人辅助的紧急响应能力。我们对所使用的设备进行系统描述；机器人操作员的培训计划；现场锻炼和机器人任务；练习期间遵循的协议。此外，我们还提供了基于这些观察结果来推进灾难响应机器人技术的见解和建议。具体而言，性能的主要退化来自对操作员的认知和注意力需求。此外，除了易用性外，机器人平台和模块还应旨在保持健壮和可靠。最后，由于紧急响应利益相关者通常对使用自主系统持怀疑态度，因此我们建议采用可变的自主权范式将自主机器人的能力与人类的自主机器人能力逐渐融合在一起。远程操作和自主权之间的这种中间立场可以增加最终用户的接受，同时直接减轻操作员的机器人控制负担并保持人类陆路的弹性。

Tritium繁殖比（TBR）是现代和下一代D-T燃料核融合反应堆设计的基本数量。 TBR代表繁殖毯和反应堆运行时消耗的燃料中产生的trium燃料的比率，以复杂的方式取决于反应堆的几何形状和材料性能。在这项工作中，我们探索了对替代模型的培训，以制作出英国原子能管理局使用的蒙特卡洛TBR模型的廉价但高质量的近似。我们研究了尺寸降低其特征空间的可能性，审查了9个替代模型的家族，以实现潜在的适用性，并进行了超参数优化。在这里，我们介绍了这些模型的性能和缩放属性，其中最快的人工神经网络演示了$ r^2 = 0.985 $，平均预测时间为$ 0.898 \ \ \ \ \ mu \ mathrm {s} $，相对于昂贵的MC型号，$ 8 \ CDOT 10^6 $的加速。我们进一步提出了一种新型的自适应抽样算法，质量适应性的替代抽样，能够与​​任何单独研究的替代物接口。我们对玩具TBR理论的初步测试证明了该算法加速替代建模过程的功效。