WikiEdge:ArXiv速递/2025-05-13：修订间差异
Updated page by Carole |
Updated page by Carole |
||
| 第16行： | 第16行： | ||
*'''原文链接'''：http://arxiv.org/abs/2505.08927v1 | *'''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]]。 | '''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]]。 | |||
2025年5月15日 (四) 07:10的版本
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。