查看“WikiEdge:ArXiv速递/2025-05-13”的源代码
←
WikiEdge:ArXiv速递/2025-05-13
跳转到导航
跳转到搜索
因为以下原因，您没有权限编辑该页面：
您请求的操作仅限属于该用户组的用户执行：
用户
您可以查看和复制此页面的源代码。
== 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]]。 == 摘要 == * '''原文标题'''：Predictive Digital Twins with Quantified Uncertainty for Patient-Specific Decision Making in Oncology * '''中文标题'''：具有量化不确定性的预测性数字孪生用于肿瘤学患者特异性决策 * '''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]]的[[反应-扩散模型]]提供了空间变化的[[参数]]。[[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[[虚拟患者]]身上使用[[合成数据]]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[[患者队列]]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[[避障]]路线生成，而[[最优轨迹规划]]则需解决从初始状态到目标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优化。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[[运动需求]]（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[[车辆轮廓]]的[[多边形]]之间的最近[[障碍距离]]以实现避障。为保障[[轨迹平滑]]有效，求解的[[运动状态]]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]]及[[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'''：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[[避碰]]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优化。本文提出基于[[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]]与表示车辆轮廓的[[多边形]]之间的最近[[障碍物距离]]以实现避碰。为保障轨迹平滑有效，求解的[[运动学状态]]和[[控制变量]]通过[[模型代价函数]]中的[[惩罚项]]进行约束和[[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]]。 == 摘要 == * '''原文标题'''：Predictive Digital Twins with Quantified Uncertainty for Patient-Specific Decision Making in Oncology * '''中文标题'''：具有量化不确定性的预测性数字孪生用于肿瘤学患者特异性决策 * '''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[[机理模型]]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]]与机理模型相结合，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的[[反应-扩散模型]]提供了[[空间变化]]的[[参数]]。[[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[[虚拟患者]]身上使用[[合成数据]]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[[队列]]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[[避障]]路线搜索，而[[最优轨迹规划]]则需解决从初始状态到目标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优化。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，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]]，通过[[线性不等式]]约束各[[航路点]]与表示[[车辆轮廓]]的[[多边形]]之间的最近[[障碍物距离]]以实现避障。为保障[[轨迹平滑]]有效，求解的[[运动学状态]]和[[控制变量]]通过[[模型成本函数]]中的[[惩罚项]]进行约束和[[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'''：具有量化不确定性的预测性数字孪生用于肿瘤学患者特异性决策 * '''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的高效方法，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]]的前提下估计和预测[[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的[[反应-扩散模型]]提供了空间变化的[[参数]]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，使得针对[[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[[合成数据]]构建的[[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[[患者队列]]进行[[模型验证]]研究，证明了该技术的[[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'''：自动驾驶车辆机动避障的最优轨迹规划 * '''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。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]]。本文提出基于[[序列凸优化]]的新方法，支持灵活高效的[[最优轨迹]]生成，目标是以最少[[路径段数]]、最短[[距离]]和最快[[时间]]满足[[运动需求]]，同时规避[[传感器盲区]]。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[[车辆轮廓]]的[[多边形]]之间的最近[[障碍距离]]以实现[[防撞]]。为保障[[轨迹平滑]]有效，求解的[[运动学状态]]和[[控制变量]]受[[模型代价函数]]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]]及[[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]]，验证了所提技术生成的[[高效无碰撞运动]]。 == 摘要 == * '''原文标题'''：Predictive Digital Twins with Quantified Uncertainty for Patient-Specific Decision Making in Oncology * '''中文标题'''：具有量化不确定性的预测性数字孪生用于肿瘤学患者特异性决策 * '''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的高效方法，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的[[反应-扩散模型]]提供了空间变化的[[参数估计]]。[[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[[合成数据]]构建的[[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[[患者队列]]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]]以遵循生成[[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[[避碰路线]]搜索，但[[最优轨迹]]规划需解决从初始到终止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[[动作最优化]]。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]]，通过[[线性不等式]]约束各[[航路点]]，以[[障碍物]]与[[车辆轮廓]]多边形的最小距离实现[[避碰]]。为保障[[轨迹平滑]]有效，求解的[[运动学状态]]和[[控制变量]]受[[模型代价函数]]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]]。本文通过多种[[泊车场景]]的[[轨迹分析]]，验证了所提技术生成的[[高效无碰撞运动]]。 == 摘要 == * '''原文标题'''：Predictive Digital Twins with Quantified Uncertainty for Patient-Specific Decision Making in Oncology * '''中文标题'''：具有量化不确定性的预测性数字孪生用于肿瘤学患者特异性决策 * '''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的[[反应-扩散模型]]提供了空间变化的[[参数信息]]。[[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[[虚拟患者]]身上使用[[合成数据]]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[[患者队列]]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]]以遵循生成[[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[[避障]]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，目标是以最快时间、最短距离和最少的路径段满足[[运动需求]]，同时规避[[传感器盲区]]。该方法采用离散化[[Dubins模型]]表征[[车辆运动学]]，通过[[线性不等式]]约束各[[航路点]]与表示[[车辆轮廓]]的[[多边形]]之间的最近[[障碍距离]]以实现[[避碰]]。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]]。 == 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的高效方法，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[[合成数据]]构建的[[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，通过对具有公开纵向成像数据的[[患者队列]]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'''：自动驾驶车辆机动的最优轨迹规划与避碰 * '''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]]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]]的最佳过渡问题，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[[运动要求]]（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[[航路点]]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]]均受[[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]]。本文通过多种[[泊车场景]]的[[轨迹分析]]，验证了所提技术生成的[[高效无碰撞运动轨迹]]。 == 摘要 == * '''原文标题'''：Predictive Digital Twins with Quantified Uncertainty for Patient-Specific Decision Making in Oncology * '''中文标题'''：具有量化不确定性的预测性数字孪生用于肿瘤学患者特异性决策 * '''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。与在群体层面规避风险的"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]]需要开发可扩展的高效方法，将[[患者数据]]与[[疾病进展]]的[[机理模型]]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[[机理模型]]相结合，在考虑患者特定[[解剖结构]]的前提下估计和预测[[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]]的[[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]]结合[[贝叶斯后验分布]]的可扩展近似，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[[合成数据]]构建的[[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，通过对具有公开[[纵向成像数据]]的[[患者队列]]进行[[模型验证]]研究，证实了该技术的[[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]]和最少数量的[[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[[车辆轮廓]]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]]均受[[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]]及[[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]]，验证了所提技术生成的[[高效无碰撞运动]]。 == 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]]以遵循生成[[路径]]。因此，[[路径质量]]是制约[[车辆操控性能]]的关键因素。现有[[路径规划]]方法多聚焦于[[避障路线]]搜索，而[[最优轨迹规划]]则需解决从[[初始状态]]到[[目标状态]]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，目标是以最少[[路径段]]、最短[[距离]]和最快[[时间]]满足[[运动需求]]，同时规避[[传感器盲区]]。该方法采用离散化[[Dubins模型]]表征[[车辆运动学]]，通过[[线性不等式]]约束各[[航路点]]与表示[[车辆轮廓]]的[[多边形]]之间的最近[[障碍距离]]以实现[[避碰]]。为保障[[轨迹平滑]]有效，[[模型成本函数]]通过[[惩罚项]]对[[运动学状态]]及[[控制变量]]进行约束和[[正则化]]，强制执行包括[[转向角]]、[[加速度]]和[[速度限制]]在内的[[物理约束]]。本文针对多种[[泊车场景]]的生成[[轨迹]]进行分析，结果表明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'''：具有量化不确定性的预测性数字孪生用于肿瘤学患者特异性决策 * '''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]]提供了依据。[[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[[虚拟患者]]身上使用[[合成数据]]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[[患者队列]]进行[[模型验证]]研究，证明了该技术的[[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]]以遵循生成[[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[[避碰]]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，目标是以最快时间、最短距离和最少的路径段满足[[运动需求]]，同时规避[[传感器盲区]]。该方法采用离散化[[Dubins模型]]表征[[车辆运动学]]，通过[[线性不等式]]约束各[[航路点]]与表示[[车辆轮廓]]的[[多边形]]之间的最近[[障碍距离]]以实现避碰。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]]及[[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]]。 == 摘要 == * '''原文标题'''：Predictive Digital Twins with Quantified Uncertainty for Patient-Specific Decision Making in Oncology * '''中文标题'''：具有量化不确定性的预测性数字孪生用于肿瘤学患者特异性决策 * '''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的[[反应-扩散模型]]提供了空间变化的[[参数]]。[[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[[患者队列]]进行[[模型验证]]研究，证明了该技术的[[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]]以遵循生成[[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[[避碰]]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，目标是以最快时间、最短距离和最少的路径段满足运动需求，同时规避[[传感器盲区]]。该方法采用离散化[[Dubins模型]]表征车辆运动学，通过[[线性不等式]]约束各[[航路点]]与表示车辆轮廓的[[多边形]]之间的最近[[障碍距离]]以实现避碰。为保障轨迹平滑有效，求解的运动学状态和[[控制变量]]通过模型[[代价函数]]中的[[惩罚项]]进行约束和[[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]]。 == 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[[机理模型]]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]]与机理模型相结合，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的[[反应-扩散模型]]提供了空间变化的[[参数信息]]。[[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[[虚拟患者]]身上使用[[合成数据]]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[[患者队列]]进行[[模型验证]]研究，证明了该技术的[[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]]以遵循生成[[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[[避障]]路线搜索，但[[最优轨迹]]规划需解决从初始状态到目标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优化。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需求（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。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]]约束各路径点与表示车辆边界的[[多边形]]之间的最近[[障碍物]]距离以实现避障。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]]及速度限制在内的[[物理约束]]。本文通过多种泊车场景的[[轨迹分析]]，验证了所提技术生成的高效无碰撞[[运动]]。 == 摘要 == * '''原文标题'''：Predictive Digital Twins with Quantified Uncertainty for Patient-Specific Decision Making in Oncology * '''中文标题'''：具有量化不确定性的预测性数字孪生用于肿瘤学患者特异性决策 * '''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]]的影响。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]]以遵循生成[[路径]]。因此，[[路径质量]]是制约[[车辆操控性能]]的关键因素。现有[[路径规划]]方法多聚焦于[[避障]]路线搜索，而[[最优轨迹规划]]则需解决从[[初始状态]]到[[目标状态]]的最佳转移问题，在[[运动学模型]]允许的所有路径中实现[[动作最优化]]。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，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]]以实现避障。为保障[[轨迹平滑]]有效，求解的[[运动状态]]和[[控制变量]]受[[模型代价函数]]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'''：具有量化不确定性的预测性数字孪生用于肿瘤学患者特异性决策 * '''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[[患者队列]]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[[目标状态]]的最佳转移问题，在[[运动学模型]]允许的所有路径中实现[[动作最优化]]。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[[航路点]]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]]均受[[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]]及[[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'''：具有量化不确定性的预测性数字孪生用于肿瘤学患者特异性决策 * '''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]]的影响。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[[目标状态]]的最佳转移问题，在[[运动学模型]]允许的所有路径中实现[[动作最优化]]。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，目标是以最少[[路径段]]、最短[[距离]]和最快[[时间]]满足[[运动需求]]，同时规避[[传感器盲区]]。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[[车辆轮廓]]的[[多边形]]之间的最近[[障碍距离]]以实现[[避障]]。为保障[[轨迹平滑]]有效，[[模型成本函数]]通过[[惩罚项]]对求解的[[运动学状态]]及[[控制变量]]进行约束和[[正则化]]，强制执行包括[[转向角]]、[[加速度]]和[[速度限制]]在内的[[物理约束]]。本文针对多种[[泊车场景]]的生成轨迹进行分析，结果表明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'''：具有量化不确定性的预测性数字孪生用于肿瘤学患者特异性决策 * '''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]]的[[反应-扩散模型]]提供了[[空间变化]]的[[参数]]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[[患者队列]]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'''：Predictive Digital Twins with Quantified Uncertainty for Patient-Specific Decision Making in Oncology * '''中文标题'''：具有量化不确定性的预测性数字孪生体在肿瘤学个体化决策中的应用 * '''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]]的[[反应-扩散模型]]提供了空间变化的[[参数信息]]。[[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[[虚拟患者]]身上使用[[合成数据]]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[[患者队列]]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'''：Predictive Digital Twins with Quantified Uncertainty for Patient-Specific Decision Making in Oncology * '''中文标题'''：具有量化不确定性的预测性数字孪生用于肿瘤学患者特异性决策 * '''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[[合成数据]]构建的[[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[[患者队列]]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'''：Predictive Digital Twins with Quantified Uncertainty for Patient-Specific Decision Making in Oncology * '''中文标题'''：具有量化不确定性的预测性数字孪生用于肿瘤学患者特异性决策 * '''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的[[反应-扩散模型]]提供了空间变化的[[参数]]。[[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]]的影响。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'''：Predictive Digital Twins with Quantified Uncertainty for Patient-Specific Decision Making in Oncology * '''中文标题'''：具有量化不确定性的预测性数字孪生用于肿瘤学患者特异性决策 * '''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[[队列]]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'''：自主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[[避障]]路线生成，而[[最优轨迹规划]]则需解决从初始状态到目标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[[动作最优化]]。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]]和最少数量的路径分段。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]]与表示车辆轮廓的[[多边形]]之间的最近[[障碍物距离]]以实现避障。为保障[[轨迹平滑]]有效，求解的[[运动学状态]]和[[控制变量]]均受[[模型成本函数]]中的[[惩罚项]]约束与[[正则化]]，从而强化包括[[转向角]]、[[加速度]]及[[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]]，验证了所提技术能生成高效[[无碰撞]]的[[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'''：具有量化不确定性的预测性数字孪生用于肿瘤学患者特异性决策 * '''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。与旨在降低[[群体层面]]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的高效方法，将[[患者数据]]与[[疾病进展]]的[[机理模型]]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]]与机理模型相结合，在考虑患者特定[[解剖结构]]的前提下估计和预测[[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]]结合[[贝叶斯后验分布]]的可扩展[[近似]]，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[[合成数据]]构建的[[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。最后通过对具有公开[[纵向成像数据]]的[[患者队列]]进行[[模型验证]]研究，证明了该技术的[[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[[避障]]路线搜索，而[[最优轨迹规划]]则需解决从初始状态到目标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优化。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[[运动要求]]（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[[航路点]]与表示[[车辆轮廓]]的[[多边形]]之间的最近[[障碍物距离]]来实现避障。为保障[[轨迹平滑]]有效，求解的[[运动学状态]]和[[控制变量]]均受[[模型成本函数]]中的[[惩罚项]]约束与[[正则化]]，该函数强制执行包括[[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]]。
返回
WikiEdge:ArXiv速递/2025-05-13
。
导航菜单
个人工具
创建账号
登录
命名空间
项目页面
讨论
不转换
不转换
简体
繁體
大陆简体
香港繁體
澳門繁體
大马简体
新加坡简体
臺灣正體
查看
阅读
查看源代码
查看历史
更多
搜索
导航
首页
最近更改
随机页面
MediaWiki帮助
工具
链入页面
相关更改
特殊页面
页面信息