Feb, 2024

无人驾驶车辆群体的生成式人工智能：挑战、应用与机遇

PDF
TL;DR该论文综述了生成人工智能在无人车群体中的应用、挑战和机会，包括无人车和无人车群体的概览、各种生成人工智能技术以及其在提升无人车群体能力方面的作用、生成人工智能在无人车群体中的应用和挑战，并讨论了生成人工智能在无人车群体中的未解决问题和研究方向。
unmanned vehicle swarmsartificial intelligencegenerative aiapplicationschallenges
发现论文，激发创造
  • 智能车辆系统中集成生成人工智能

    本文旨在为研究人员和实践者提供综合指南，介绍生成式人工智能和基础模型在智能汽车背景下的现状、潜在应用和未来研究方向，讨论其在语音、音频、视觉和多模态交互等领域的应用和与伦理相关的挑战和风险，以及关键未来研究领域，包括领域适应性、对齐、多模态集成等，以解锁生成式人工智能的全部潜力，塑造智能车辆未来。

    May, 2023

  • AI 技术驱动的无人机综合评述：趋势、愿景与挑战

    近年来，人工智能（AI）和无人机（UAVs）的结合在各个领域带来了进步。本研究论文全面分析了 AI 驱动的无人机和友好计算在应用中的变化，包括新兴趋势、未来愿景以及与此关系相伴的固有挑战。通过探索 AI 和无人机之间的相互作用，本研究突出了这些技术在农业、监视实践、灾害管理等行业中革命性的潜力。在展望可能性的同时，研究还考虑了伦理、安全问题、需建立的法律框架以及 AI 增强的无人机系统的负责任部署，为进一步探索这个变革领域奠定了基础。

    Oct, 2023

  • 生成人工智能（GAI）在移动和无线网络中的应用：综述

    人工智能在移动网络和物联网领域的成功促进了移动网络和未来互联网向整合人工智能的物联网时代迈进。本文详细介绍了生成式人工智能在移动和无线网络中的作用，包括基础知识、模型、应用、网络管理、无线安全、语义通信，并总结了当前移动和无线网络中生成式人工智能的研究现状和面临的挑战。

    May, 2024

  • 无人机群预测与优化轨迹的人工智能算法

    研究论文探讨了人工智能技术在无人机飞行轨迹生成中的应用。研究主要关注准确预测无人机路径和高效避免碰撞所面临的挑战，通过系统地应用多样化的激活函数于单隐藏层前馈神经网络，提高了路径预测准确性。同时，提出了一种新的激活函数 “AdaptoSwelliGauss”，将 Swish 和 Elliott 激活函数与高斯分量相融合，用于无人机轨迹复杂性的捕捉。此外，提出了综合的碰撞检测、避免和分组策略，通过改变无人机轨迹和起飞时间来避免碰撞，克服了两种策略各自的不足。

    May, 2024

  • 基于生成模型的下一代无线网络优化：基础、现状与关键挑战

    下一代无线网络中，生成式人工智能（Generative AI，GAI）模型的应用可以提升资源分配和网络性能优化，解决传统优化技术面临的挑战。

    May, 2024

  • 物联网车联网中混合专家模型与多模态生成 AI 的集成：综述

    通过集成 Moe 和 GAI 实现 IoV 中的人工通用智能，以实现 IoV 的全面自主性，减少人类监督，并适用于广泛的机动性场景，包括环境监测、交通管理和自动驾驶。

    Apr, 2024

  • 反恐任务自主攻击无人机：挑战与初步解决方案

    无人机及自主飞行的挑战、技术解决方案、成功概率分析及机器学习模型的探讨。

    Mar, 2024

  • 深度强化学习的生成式人工智能：框架、分析与应用案例

    使用生成式人工智能（GAI）来提高深度强化学习（DRL）算法的性能，解决样本效率低和泛化能力差的问题，通过介绍经典的 GAI 和 DRL 算法及其应用，并展示了 GAI 增强 DRL 算法的实际集成框架，提供了一个基于无人机辅助的近场 / 远场通信的案例研究来验证框架性能，并介绍了几个未来的研究方向。

    May, 2024

  • 无人机群的分布式机器学习：计算、感知和语义分析

    本文综述了分布式学习算法在无人机群体中的应用，重点分析了其在通信服务、无线资源分配、用户分配、感知和卫星通信等方面的应用，并介绍了其在无线通信系统中的若干先进应用，并讨论了使用 DL-enable 的 UAV 群组所能解决的问题和挑战，同时提出未来的研究方向和开放性问题。

    Jan, 2023

  • 地球科学与生成式人工智能以及大型语言模型的交叉研究：基础、趋势与未来挑战

    通过生成人工智能在地球科学领域的潜在应用，我们探讨了机器学习和深度学习的最新发展，以及它们在解决与地球科学和地球系统动力学相关的预测问题、模拟和多准则决策挑战方面所发挥的作用。并且介绍了在地球科学中使用的几种生成对抗网络（GANs）、物理信息神经网络（PINNs）和基于生成预训练转换器（GPT）的结构。这些工具在数据生成 / 增强、超分辨率、全色锐化、去雾、恢复和地表变化等多个应用中帮助地球科学界取得了进展。但还存在一些挑战，如确保物理解释性、恶意用途案例和可信度。总的来说，GAI 模型对地球科学界有着巨大潜力，特别是在支持气候变化、城市科学、大气科学、海洋科学和行星科学方面，通过其对数据驱动建模和不确定性量化的非凡能力。

    Jan, 2024