查看“WikiEdge:ArXiv速递/2025-05-13”的源代码

== 摘要 ==
* '''原文标题'''：Optimal Trajectory Planning with Collision Avoidance for Autonomous Vehicle Maneuvering
* '''中文标题'''：自动驾驶车辆避障最优轨迹规划
* '''发布日期'''：2025-05-13 16:36:20+00:00
* '''作者'''：Jason Zalev
* '''分类'''：eess.SY, cs.RO, cs.SY
*'''原文链接'''：http://arxiv.org/abs/2505.08724v1
'''中文摘要'''：摘要：为实现[[平行泊车]]或[[垂直泊车]]等[[自动驾驶]]操作，[[车辆]]需持续调整[[速度]]和[[转向]]以遵循生成[[路径]]。因此，路径[[质量]]成为制约车辆[[操控性能]]的关键因素。现有[[路径规划]]方法多聚焦于寻找[[无碰撞路线]]，而[[最优轨迹规划]]则需解决从[[初始状态]]到[[最终状态]]的最佳转移问题，在[[运动学模型]]允许的所有路径中实现[[动作最小化]]。本文提出一种基于[[序列凸优化]]的新方法，可实现灵活高效的[[最优轨迹]]生成。其目标是在满足[[运动需求]]（包括规避[[传感器盲区]]）的前提下，达成[[最短时间]]、[[最短距离]]和最少的[[路径分段数]]。本方法采用离散化[[Dubins模型]]表征车辆运动学特性，通过[[线性不等式]]约束各[[路径点]]与[[障碍物]]的最近距离（以[[多边形]]界定车辆轮廓）。为确保[[轨迹平滑]]有效，求解的[[运动学状态]]和[[控制变量]]受模型[[成本函数]]中的[[惩罚项]]约束与[[正则化]]，从而强制满足包括[[转向角]]、[[加速度]]和[[速度限制]]在内的[[物理约束]]。本文通过多种[[泊车场景]]的[[轨迹分析]]，验证了所提技术能高效生成[[无碰撞运动轨迹]]。

== 摘要 ==
* '''原文标题'''：Predictive Digital Twins with Quantified Uncertainty for Patient-Specific Decision Making in Oncology
* '''中文标题'''：肿瘤学个性化决策中具有量化不确定性的预测性数字孪生
* '''发布日期'''：2025-05-13 19:52:50+00:00
* '''作者'''：Graham Pash, Umberto Villa, David A. Hormuth II, Thomas E. Yankeelov, Karen Willcox
* '''分类'''：cs.CE, physics.comp-ph, physics.med-ph
*'''原文链接'''：http://arxiv.org/abs/2505.08927v1
'''中文摘要'''：量化预测模型中的[[不确定性]]对于建立[[信任]]和实现[[个性化医疗]]的[[风险知情决策]]至关重要。与在群体层面降低风险的"一刀切"方法不同，[[数字孪生]]技术通过[[个性化建模]]有望改善个体患者的[[治疗效果]]。实现[[生物医学]]领域的数字孪生需要可扩展且高效的方法，将[[患者数据]]与[[疾病进展]]的[[机制模型]]相整合。本研究开发了一种[[端到端]]的"[[数据到决策]]"方法，通过将[[纵向]]非侵入性[[成像数据]]与机制模型相结合，在考虑患者特定[[解剖结构]]的情况下估计和预测[[肿瘤]]的[[时空进展]]。通过求解[[统计反问题]]，成像数据为肿瘤进展[[反应-扩散模型]]的空间变化[[参数]]提供信息。[[前向模型]]的高效[[并行实现]]与[[贝叶斯后验分布]]的可扩展[[近似]]相结合，使得对稀疏[[噪声测量]]所导致的不确定性能够进行严格而可处理的[[量化]]。该方法在具有[[合成数据]]的[[虚拟患者]]身上进行了验证，以控制[[模型不足]]、[[噪声水平]]和[[数据采集频率]]等因素。通过评估[[成像频率]]的重要性并构建[[最优实验设计]]问题，展示了该方法在[[决策支持]]中的应用价值。最后，通过对一组具有公开纵向成像数据的患者进行[[模型验证]]研究，证明了该方法的[[临床相关性]]。

== 摘要 ==
* '''原文标题'''：Optimal Trajectory Planning with Collision Avoidance for Autonomous Vehicle Maneuvering
* '''中文标题'''：自动驾驶车辆避障最优轨迹规划
* '''发布日期'''：2025-05-13 16:36:20+00:00
* '''作者'''：Jason Zalev
* '''分类'''：eess.SY, cs.RO, cs.SY
*'''原文链接'''：http://arxiv.org/abs/2505.08724v1
'''中文摘要'''：摘要：为实现[[平行泊车]]或[[垂直泊车]]等[[自动驾驶]]操作，[[车辆]]需持续调整[[速度]]和[[转向]]以跟随生成[[路径]]。因此，[[路径质量]]是制约[[车辆操控性能]]的关键因素。多数[[路径规划]]方法虽包含[[无碰撞路线]]搜索，但[[最优轨迹]]规划需解决从初始状态到最终状态的最佳转移问题，在[[运动学模型]]允许的所有路径中实现动作最小化。本文提出基于[[序列凸优化]]的新方法，支持灵活高效的[[最优轨迹]]生成。其目标是在满足[[运动要求]]（包括规避[[传感器盲区]]）的前提下，实现[[最短时间]]、[[最短距离]]和最少的[[路径分段]]。该方法采用离散化[[Dubins模型]]表征[[车辆运动学]]特性，通过[[线性不等式]]约束各[[航路点]]与表示[[车辆边界]]的[[多边形]]之间的最近[[障碍物距离]]来避免[[碰撞]]。为保障[[轨迹平滑]]有效，求解的[[运动学状态]]和[[控制变量]]受[[模型成本函数]]中的[[惩罚项]]约束与[[正则化]]，从而强制执行包括[[转向角]]、[[加速度]]和[[速度限制]]在内的[[物理约束]]。本文分析了多种[[泊车场景]]下的生成轨迹，结果表明所提技术能高效生成[[无碰撞运动轨迹]]。