最先进的腿机器人可以在其驱动系统的输出处测量扭矩，或者具有透明的驱动系统，从而能够从电动电流计算关节扭矩。无论哪种情况，这种传感器模式很少用于状态估计。在本文中，我们建议使用关节扭矩测量值来估计腿部机器人的质心状态。为此，我们将腿部机器人的全身动力学投射到接触约束的无空间中，从而使动力学的表达独立于接触力。使用受约束的动力学和质心动量矩阵，我们能够直接将关节扭矩和质心态动力学联系起来。使用结果模型作为扩展卡尔曼滤波器（EKF）的过程模型，我们将扭矩测量融合在质心状态估计问题中。通过在具有不同步态的四倍机器人上进行的实际实验，我们证明，与直接计算相比，基于扭矩的EKF的估计质心状态大大改善了这些数量的回收率。
translated by 谷歌翻译
装有传感器，执行器和电子控制单元（ECU）的现代车辆可以分为几个称为功能工作组（FWGS）的操作子系统。这些FWG的示例包括发动机系统，变速箱，燃油系统，制动器等。每个FWG都有相关的传感器通道，可以衡量车辆操作条件。这种丰富的数据环境有利于预测维护（PDM）技术的开发。削弱各种PDM技术的是需要强大的异常检测模型，该模型可以识别出明显偏离大多数数据的事件或观察结果，并且不符合正常车辆操作行为的明确定义的概念。在本文中，我们介绍了车辆性能，可靠性和操作（VEPRO）数据集，并使用它来创建一种基于多阶段的异常检测方法。利用时间卷积网络（TCN），我们的异常检测系统可以达到96％的检测准确性，并准确预测91％的真实异常。当利用来自多个FWG的传感器通道时，我们的异常检测系统的性能会改善。
translated by 谷歌翻译
图像重新定位旨在更改图像大小，同时保留重要内容并最大程度地减少明显的扭曲。但是，先前的图像重新定位方法创建了遭受工件和扭曲的输出。此外，大多数以前的作品都尝试同时重新定位输入图像的背景和前景。同时调整前景和背景会导致对象的长宽比的变化。纵横比的变化对于人类对象并不理想。我们提出了一种克服这些问题的重新定位方法。提出的方法包括以下步骤。首先，一种涂上方法使用输入图像和前景对象的二进制掩码来生成背景图像，而无需任何前景对象。其次，接缝雕刻方法将背景图像调整到目标大小。然后，一种超分辨率方法增加了输入图像质量，然后提取前景对象。最后，将重定位的背景和提取的超级分辨对象馈入粒子群优化算法（PSO）中。 PSO算法使用审美质量评估作为其目标函数，以确定将对象放置在背景中的最佳位置和大小。我们使用图像质量评估和美学质量评估措施来显示我们与流行的图像重新定位技术相比的优越结果。
translated by 谷歌翻译
全息，机器人技术和3D打印的技术进步开始实现众多的愿景。这些沉浸式3D显示器必须从一开始就可以解决用户安全。Holodeck的安全挑战是新颖的，因为其应用将涉及人类与合成的3D对象和实时的经验之间的明确物理互动。这份开创性的论文首先提出了研究方向，以根据传统的人类机器人互动建模对未来的Holodeck应用进行建模。随后，我们提出了一个测试床，以基于现有的增强现实和虚拟仿真技术来安全验证物理人类机器人互动。
translated by 谷歌翻译
人类免疫系统（HIS）致力于保护人体免受感染，疾病和疾病的侵害。该系统可以激发网络安全专业人员设计基于人造免疫系统（AIS）的入侵检测系统（IDS）。这些生物学启发的算法使用自我/非自然和危险理论可以直接增强设计和实现。在本文中，我们包括研究建立AIS-IDS框架所必需的设计元素，并提出一个建筑以创建此类系统。
translated by 谷歌翻译
本文介绍了使用飞行斑点，FLS显示3D照明的技术。每个FLS都是一个微型（数百微米）大小的无人机，带有一个或多个光源，可生成具有可调亮度的不同颜色和纹理。它是通过处理器和本地存储启用的网络。同步的FLS合作群体在预先指定的3D卷中呈现虚拟物体的照明，即FLS显示器。我们提出了显示静态和运动照明的技术。我们的显示技术考虑了FLS在充满电的电池上的有限飞行时间以及为FLS电池充电的时间。此外，我们的技术假设FLS的失败是常态，而不是例外。我们为FLS播放提供了一个硬件和软件体系结构，以及一系列技术来计算FLS的飞行路径以进行照明。通过运动照明，与其他技术相比，一项技术（ICF）可将FLS的整体距离显着最小化。
translated by 谷歌翻译
现代人工智能（AI）启用了入侵检测系统（IDS）是复杂的黑匣子。这意味着安全分析师对IDS模型为何做出特定预测的原因几乎没有解释或澄清。解决此问题的一个潜在解决方案是基于可解释的人工智能（XAI）的当前能力研究和开发可解释的入侵检测系统（X-IDS）。在本文中，我们创建了一个基于自组织的X-IDS系统，能够产生解释性的可视化。我们利用SOM的解释性来创建全球和本地解释。分析师可以使用全局解释来了解特定IDS如何计算预测的一般想法。为单个数据点生成了局部说明，以解释为什么计算某个预测值的原因。此外，使用NSL-KDD和CIC-IDS-2017数据集评估了我们基于SOM的X-IDS在解释生成和传统准确性测试中评估。
translated by 谷歌翻译
人工智能（AI）和机器学习（ML）在网络安全挑战中的应用已在行业和学术界的吸引力，部分原因是对关键系统（例如云基础架构和政府机构）的广泛恶意软件攻击。入侵检测系统（IDS）使用某些形式的AI，由于能够以高预测准确性处理大量数据，因此获得了广泛的采用。这些系统托管在组织网络安全操作中心（CSOC）中，作为一种防御工具，可监视和检测恶意网络流，否则会影响机密性，完整性和可用性（CIA）。 CSOC分析师依靠这些系统来决定检测到的威胁。但是，使用深度学习（DL）技术设计的IDS通常被视为黑匣子模型，并且没有为其预测提供理由。这为CSOC分析师造成了障碍，因为他们无法根据模型的预测改善决策。解决此问题的一种解决方案是设计可解释的ID（X-IDS）。这项调查回顾了可解释的AI（XAI）的最先进的ID，目前的挑战，并讨论了这些挑战如何涉及X-ID的设计。特别是，我们全面讨论了黑匣子和白盒方法。我们还在这些方法之间的性能和产生解释的能力方面提出了权衡。此外，我们提出了一种通用体系结构，该建筑认为人类在循环中，该架构可以用作设计X-ID时的指南。研究建议是从三个关键观点提出的：需要定义ID的解释性，需要为各种利益相关者量身定制的解释以及设计指标来评估解释的需求。
translated by 谷歌翻译
神经机翻译（NMT）模型足以从源语言传达到目标语言的语义和句法信息。然而，这些模型遭受需要大量数据来学习参数。因此，对于具有稀缺数据的语言，这些模型面临效率低廉的风险。我们建议增加基于神经网络的关注，并重新排序信息来缓解缺乏数据。这一增强可以通过基线模型，通过最多6％的Bleu绝对提高英语到波斯语和波斯语的翻译质量。
translated by 谷歌翻译