The goal of the Mars Sample Return campaign is to collect soil samples from the surface of Mars and return them to Earth for further study. The samples will be acquired and stored in metal tubes by the Perseverance rover and deposited on the Martian surface. As part of this campaign, it is expected that the Sample Fetch Rover will be in charge of localizing and gathering up to 35 sample tubes over 150 Martian sols. Autonomous capabilities are critical for the success of the overall campaign and for the Sample Fetch Rover in particular. This work proposes a novel system architecture for the autonomous detection and pose estimation of the sample tubes. For the detection stage, a Deep Neural Network and transfer learning from a synthetic dataset are proposed. The dataset is created from photorealistic 3D simulations of Martian scenarios. Additionally, the sample tubes poses are estimated using Computer Vision techniques such as contour detection and line fitting on the detected area. Finally, laboratory tests of the Sample Localization procedure are performed using the ExoMars Testing Rover on a Mars-like testbed. These tests validate the proposed approach in different hardware architectures, providing promising results related to the sample detection and pose estimation.

Deep learning surrogate models are being increasingly used in accelerating scientific simulations as a replacement for costly conventional numerical techniques. However, their use remains a significant challenge when dealing with real-world complex examples. In this work, we demonstrate three types of neural network architectures for efficient learning of highly non-linear deformations of solid bodies. The first two architectures are based on the recently proposed CNN U-NET and MAgNET (graph U-NET) frameworks which have shown promising performance for learning on mesh-based data. The third architecture is Perceiver IO, a very recent architecture that belongs to the family of attention-based neural networks--a class that has revolutionised diverse engineering fields and is still unexplored in computational mechanics. We study and compare the performance of all three networks on two benchmark examples, and show their capabilities to accurately predict the non-linear mechanical responses of soft bodies.

最近，Conic优化已成为设计可用于非凸多项式优化问题的可拖动和保证算法的强大工具。一方面，易处理性对于有效解决大规模问题至关重要，另一方面，需要强大的界限来确保高质量的解决方案。在这项研究中，我们通过添加基于线性，二阶锥体和半决赛编程的九种不同类型的约束来研究多项式优化问题的RLT松弛，以解决最佳实例，以实现良好的测试集的实例多项式优化问题。我们描述了如何设计这些圆锥约束及其性能相对于彼此以及标准RLT松弛的设计。我们的第一个发现是，非线性约束的不同变体（二阶锥体和半芬矿）是$ 50 \％$ $ $ $ 50 $ $的最佳性能。此外，我们提出了一种机器学习方法来决定给定实例最合​​适的约束。计算结果表明，机器学习方法显着优于九种单独方法中的每一种。

最近，使用模型无法轻易解释，最常见的神经网络的模型最近解决了计算机视觉中的许多问题。替代解释器是一种流行的事后解释性方法，可以进一步了解模型如何到达特定预测。通过训练一个简单，更容易解释的模型，以局部近似于非解剖系统的决策边界，我们可以估计输入特征在预测上的相对重要性。专注于图像，替代解释器，例如石灰，通过在可解释的域中采样来生成查询图像周围的本地邻域。但是，这些可解释的域传统上仅来自查询图像的固有特征，而不是考虑到该数据的流形，该数据的多种模型已在训练中暴露在训练中（或更普遍地，实际图像的多种形式） 。这导致对潜在低概率图像训练的次优替代物。我们通过对齐本地社区来解决此限制，即使无法访问此分配，代理人也接受了原始培训数据分配的培训。我们提出了两种这样做的方法，即（1）改变对局部邻域进行采样的方法，以及（2）使用感知指标传达自然图像分布的某些特性。

许多注册方法都存在着早期工作，重点是基于优化的图像对方法。最近的工作着重于深度注册网络，以预测空间转换。在这两种情况下，通常使用的非参数登记模型，该模型估计转换功能而不是低维转换参数，都需要选择合适的正常器（鼓励平滑转换）及其参数。这使得模型难以调整，并将变形限制为所选正规器允许的变形空间。尽管存在不正常转换的光流的深度学习模型，而是完全依赖于数据，这些模型可能不会产生对医学图像注册期望的差异转换。因此，在这项工作中，我们在无监督的图标深度学习登记方法上开发了Gradicon，该方法仅使用逆矛盾进行正则化。但是，与图标相反，我们证明并从经验上验证，使用梯度反矛盾损失不仅显着改善了收敛性，而且还会导致所得转换图的类似隐式正则化。磁共振（MR）膝关节图像和计算机断层扫描（CT）肺图像的合成实验和实验表明Gradicon的表现出色。我们在保留简单的注册公式的同时，实现了最新的（SOTA）精度，这实际上很重要。

在本文中，我们使用艺术技术的神经语言模型（NLMS）在科学文献中的应用来解决从开放词汇知识库（Openkbs）的推理任务。为此目的，使用常见的Sense KB作为源任务，使用常见的Sense KB训练基于自我关注的NLM。然后在目标KB上测试NLMS，用于开放的词汇推理任务，涉及与最普遍的慢性疾病相关的科学知识（也称为非传染性疾病，NCD）。我们的结果确定了NLM，其始终如一地执行，并且在知识推断中对源代码和目标任务的重要性。此外，在我们通过检查的分析中，我们讨论了模型学到的语义规律和推理能力，同时表现出对我们援助NCD研究的方法的潜在好处的第一洞察力。

本文介绍了Planminer-N算法，基于Planminer域学习算法的域学习技术。此处呈现的算法在使用噪声数据作为输入时，提高了Planminer的学习能力。 Planminer算法能够推断出算术和逻辑表达式以从输入数据学习数值规划域，但它旨在在面对噪声输入数据时不可靠的情况下工作。在本文中，我们向Planminer的学习过程提出了一系列增强，以扩展其从嘈杂数据中学习的能力。这些方法通过检测噪声和过滤它并研究学习的学习动作模型来预处理输入数据，以便在它们中找到错误的前提条件/效果。使用来自国际规划竞赛（IPC）的一组域来测试本文提出的方法。取得的结果表明，在面对嘈杂的输入数据时，Planminer-N大大提高了Planminer的性能。

在过去的十年中，通过在机器学习的深度学习和其他接近的深度学习和其他方法杠杆化的自主导航。这些方法在机器人性能方面具有明显的显着优势。 Butthey有缺点，他们需要大量的数据进入知识。在本文中，我们介绍了一种算法，其中包含具有基于机器学习和测试机器学习的属性的属性的算法。地图基于Dungeons环境，其中建造了Sev-Eral随机房间，然后是那些房间。此外，我们提供了一个数据集，由所提出的算法和延长信息的描述提供了10,000 MapsSsssprofuctumpuce。这种信息包括路径存在的验证，最佳路径，距离等其他属性。我们认为，赛义斯及其相关信息可能是一个非常有用的传感器爱好者和研究人员，他们想要测试防范方法。数据集是可用的Athttps：//github.com/gbriel21/map2d_dataset.git

本文介绍了基于机器学习的集合条件均值滤波器（ML-ACMF） - 基于先前在文献中引入的条件均值滤波器（CMF）的过滤方法。 CMF的更新平均值匹配后部的平均值，通过在过滤器的预测分布上应用贝叶斯的规则获得。此外，我们表明CMF的更新协方差与预期的条件协方差相吻合。实施ENCMF需要计算条件平均值（CM）。基于可能性的估计器容易出现小合奏尺寸的重大错误，从而导致滤波器发散。我们开发了一种系统的方法论，可以根据CM的正交投影属性将机器学习整合到ENCMF中。首先，我们使用基于集合Kalman滤波器（ENKF）获得的人工神经网络（ANN）和线性函数的组合，以近似CM，使ML-ANCMF能够继承ENKF的优势。其次，我们在估计损失函数时应用合适的差异技术来减少统计误差。最后，我们提出了一个模型选择过程，用于在每个更新步骤中选择应用过滤器，即ENKF或ML-ACMF。我们使用Lorenz-63和Lorenz-96系统演示了ML-ACMF性能，并表明ML-ACMF优于ENKF和基于可能性的ENCMF。