517 research outputs found
Author Correction: Towards community-driven metadata standards for light microscopy: tiered specifications extending the OME model (Nature Methods, (2021), 18, 12, (1427-1440), 10.1038/s41592-021-01327-9)
No full text\ua9 The Author(s), under exclusive licence to Springer Nature America, Inc. 2022. In the version of this article initially published, the affiliation for author Roland Nitschke was incorrectly formulated. The affiliation has been corrected to read “Life Imaging Center and Signalling Research Centres CIBSS and BIOSS, University of Freiburg, Freiburg, Germany” in the online version of the article
Europaeische Werte in Globalisierung? Kritische Repraesentationen des Selbst und des/der Anderen
No full textIn the essay the author approaches and debunk some of the most relevant normativ challenges the West (s), to be named in the plural, and Europe in particular, has to cope with in the present. because of the 'remotion' and oblivion of its most gravious faults coming from its past.. 'Collective Memory', 'Symbolic Violence', 'Collective Trauma', 'Identity/alterity/difference', 'Asymmetrical Recognition' are the constitutive components of the critical toolkit employed here to reframe the debate about European Self-understanding, that's to say about legacy and the intercultural future of the liberal, emancipatory and democratic narratives in globalisation
Author Agreement Boilerplate
No full textAuthor agreement boilerplate using CC by 4.0 written along with the help of the University of Arizona Libraries staff. See the Wiki for more information
Author Agreement Boilerplate
No full textAuthor agreement boilerplate using CC by 4.0 written along with the help of the University of Arizona Libraries staff. See the Wiki for more information
Author Agreement Boilerplate
No full textAuthor agreement boilerplate using CC by 4.0 written along with the help of the University of Arizona Libraries staff. See the Wiki for more information
Reinforcement Learning for Fast, Map-Free Navigation in Cluttered Environments Using Aerial Robots
No full textAutonom navigering i stadig mer komplekse domener byr på nye utfordringer og stiller spørsmål
ved effektiviteten og kapasiteten til tradisjonelle modellbaserte metoder. Selv om tradisjonelle
metoder har vært vellykkede for ustrukturerte miljøer i det siste, kan usikre, sensor-degraderte
eller dynamiske miljøer ikke modelleres og dermed løses med disse metodene. I stedet har
læringsbaserte metoder blitt stadig mer populære på grunn av deres evne til å lære kompleks
atferd uten eksplisitt programmering, der flere komponenter kan kombineres til en enkelt modell for å takle persepsjons-, prediksjons- og bevegelsesoppgaven til autonom navigering.
I dette temaet utforsker denne oppgaven bruken av forsterkende læring for autonom navigering av en drone gjennom hinderfylt miljøer, med kun et dybdekamera. Vi foreslår en todelt dyp
nevrale nettverksmodell som består av en koder-CNN og MLP, der CNN fungerer som persepsjonsmodulen mens MLP er den optimale kontrolleren. Med dette rammeverket mottar modellen vår en dronetilstand og et dybdebilde som input og kartlegger dette til en hastighets- og
girhastighetsreferanse for å nå et spesifisert mål i tre dimensjoner.
For å løse oppgaven presenterer vi problemet som en uovervåket representasjonslærings- og
forsterkende læringsoppgave. CNN er opplært som en koder for VAE som lærer å rekonstruere
dybdebilder, mens MLP lærer å bruke VAE latent kode som en dybderepresentasjon av miljøet,
for å kunne navigere i miljøet. Vi introduserer en tilpasset rekonstruksjonsfeil for VAE for å spesifisere kollisjonsspesifikke funksjoner som bør prioriteres i dybdekodingen. Vi introduserer også
en ny belønningsfunksjon for forsterkende læringsmiddel som motiverer både veipunktnavigasjon og kollisjonsunngåelse.
Ved ytterligere å bruke storskala parallellisme, presenterer vi opplæringen og evalueringen
av vår endelige forsterkende læringspolicy, som oppnår en suksessrate på 92,5% i gjennomsnitt
over fire kjente miljøer på 20 ganger10 med ulik grad av rot. Agenten viser god robusthet når
en Gaussisk multiplikativ støy eps ∼ N(1, 0, 2) brukes på alle tilstander og handlinger, med en
suksessrate på 87,5% på tvers av de fire miljøene. Imidlertid identifiserer vi noen begrensninger
med modellen vår – nemlig avhengighet av nøyaktige dybderepresentasjoner og en dårlig generalisering til større miljøer. Til slutt, som videre arbeid, bør vi trene modulene våre til å håndtere
støyende dybdebilder, legge til modifikasjoner for å ta hensyn til generalisering, og legge til en
prediksjonsmodul i form av en LSTM eller transformator for å forbedre ytelsen ytterligere.Autonomous navigation in increasingly complex domains presents new challenges that question
the efficiency and capability of traditional model-based methods. Though traditional approaches
have been successful for unstructured environments in the past, uncertain, sensor-degraded, or
dynamic environments cannot be modelled and thus be solved by these approaches. Instead,
learning-based methods have become increasingly popular due to their ability to learn complex
behaviour without explicit programming, where multiple components can be combined into a
single model to tackle the perception, prediction and motion task of autonomous navigation.
In this theme, this thesis explores the use of reinforcement learning for autonomous navigation of a quadrotor through cluttered environments, with only a depth camera. We propose a
two-part deep neural network model comprised of an encoder-CNN and MLP, where the CNN
serves as the perception module while the MLP is the optimal controller. With this framework,
our model receives a quadrotor state and depth image as input and maps this to a velocity and
yaw rate reference to reach a specified goal in three dimensions.
To solve the task, we present the problem as an unsupervised representation learning and
reinforcement learning task. The CNN is trained as an encoder of VAE that learns to reconstruct
depth images, while the MLP learns to utilise the VAE latent code as a depth representation of the
environment, so to be able to navigate the environment. We introduce a custom reconstruction
error for the VAE to specify collision-specific features that should be prioritised in the depth
encoding. We also introduce a novel reward function for the reinforcement learning agent that
motivates both waypoint navigation and collision avoidance.
By further utilising large-scale parallelism, we present the training and evaluation of our final
reinforcement learning policy, which achieves a 92.5% success rate averaged across four known
20×10 environments with varying degrees of clutter. The agent demonstrates good robustness
when a Gaussian multiplicative noise eps ∼ N (1, 0.2) is applied to all states and actions, with an
87.5% success rate across the four environments. However, we identify some constraints with
our model – namely dependence on accurate depth representations and a poor generalisation
to larger environments. Finally, as further work, we should train our modules to handle noisy
depth images, add modifications to account for generalisation, and add a prediction module in
the form of an LSTM or Transformer to further improve performance
Reinforcement Learning for Fast, Map-Free Navigation in Cluttered Environments Using Aerial Robots
No full textAutonom navigering i stadig mer komplekse domener byr på nye utfordringer og stiller spørsmål
ved effektiviteten og kapasiteten til tradisjonelle modellbaserte metoder. Selv om tradisjonelle
metoder har vært vellykkede for ustrukturerte miljøer i det siste, kan usikre, sensor-degraderte
eller dynamiske miljøer ikke modelleres og dermed løses med disse metodene. I stedet har
læringsbaserte metoder blitt stadig mer populære på grunn av deres evne til å lære kompleks
atferd uten eksplisitt programmering, der flere komponenter kan kombineres til en enkelt modell for å takle persepsjons-, prediksjons- og bevegelsesoppgaven til autonom navigering.
I dette temaet utforsker denne oppgaven bruken av forsterkende læring for autonom navigering av en drone gjennom hinderfylt miljøer, med kun et dybdekamera. Vi foreslår en todelt dyp
nevrale nettverksmodell som består av en koder-CNN og MLP, der CNN fungerer som persepsjonsmodulen mens MLP er den optimale kontrolleren. Med dette rammeverket mottar modellen vår en dronetilstand og et dybdebilde som input og kartlegger dette til en hastighets- og
girhastighetsreferanse for å nå et spesifisert mål i tre dimensjoner.
For å løse oppgaven presenterer vi problemet som en uovervåket representasjonslærings- og
forsterkende læringsoppgave. CNN er opplært som en koder for VAE som lærer å rekonstruere
dybdebilder, mens MLP lærer å bruke VAE latent kode som en dybderepresentasjon av miljøet,
for å kunne navigere i miljøet. Vi introduserer en tilpasset rekonstruksjonsfeil for VAE for å spesifisere kollisjonsspesifikke funksjoner som bør prioriteres i dybdekodingen. Vi introduserer også
en ny belønningsfunksjon for forsterkende læringsmiddel som motiverer både veipunktnavigasjon og kollisjonsunngåelse.
Ved ytterligere å bruke storskala parallellisme, presenterer vi opplæringen og evalueringen
av vår endelige forsterkende læringspolicy, som oppnår en suksessrate på 92,5% i gjennomsnitt
over fire kjente miljøer på 20 ganger10 med ulik grad av rot. Agenten viser god robusthet når
en Gaussisk multiplikativ støy eps ∼ N(1, 0, 2) brukes på alle tilstander og handlinger, med en
suksessrate på 87,5% på tvers av de fire miljøene. Imidlertid identifiserer vi noen begrensninger
med modellen vår – nemlig avhengighet av nøyaktige dybderepresentasjoner og en dårlig generalisering til større miljøer. Til slutt, som videre arbeid, bør vi trene modulene våre til å håndtere
støyende dybdebilder, legge til modifikasjoner for å ta hensyn til generalisering, og legge til en
prediksjonsmodul i form av en LSTM eller transformator for å forbedre ytelsen ytterligere
Development of an Internet of Things architecture framework based on Sensing as a Service
No full textThe Internet of Things (IoT) is a network of addressable, physical objects that contain embedded sensing, communication and actuating technologies to sense and interact with their environment (Geschickter 2015). Like every novel paradigm, the IoT sparks interest throughout all domains both in theory and practice, resulting in the development of systems pushing technology to its limits. These limits become apparent when having to manage an increasing number of Things across various contexts. A plethora of IoT architecture proposals have been developed and prototype products, such as IoT platforms, been introduced. However, each of these architectures and products apply their very own interpretations of an IoT architecture and its individual components so that IoT is currently more an Intranet of Things than an Internet of Things (Zorzi et al. 2010). Thus, this thesis aims to develop a common understanding of the elements forming an IoT architecture and provide high-level specifications in the form of a Holistic IoT Architecture Framework.
Design Science Research (DSR) is used in this thesis to develop the architecture framework based on the pertinent literature. The development of the Holistic IoT Architecture Framework includes the identification of two new IoT Architecture Perspectives that became apparent during the analysis of the IoT architecture proposals identified in the extant literature. While applying these novel perspectives, the need for a new component for the architecture framework, which was merely implicitly mentioned in the literature, became obvious as well. The components of various IoT architecture proposals as well as the novel component, the Thing Management System, were combined, consolidated and related to each other to develop the Holistic IoT Architecture Framework. Subsequently, it was shown that the specifications of the architecture framework are suitable to guide the implementation of a prototype.
This contribution provides a common understanding of the basic building blocks, actors and relations of an IoT architecture.Das Internet der Dinge (IoT) ist ein Netzwerk bestehend aus adressierbaren, physikalischen Objekten, die Sensor-, Kommunikations- und Aktuator-Technologien bereitstellen und mit ihrer Umwelt interagieren (Geschickter 2015). Wie jedes neue Konzept, hat auch IoT Interesse über jeden Anwendungsbereich hinweg, sowohl in Theorie als auch Praxis, geweckt und die verfügbaren Technologien an ihre Grenzen gebracht. Diese Grenzen machen sich insbesondere dann bemerkbar, wenn die Anzahl von Dingen (Things), die über verschiedenste Anwendungsbereiche hinweg verwaltet werden müssen, steigt. Um die neuartigen Anforderungen zu erfüllen, wurde eine Fülle von verschiedenen Systemen entwickelt, die alle ihre eigenen Interpretationen einer IoT Architektur und ihrer jeweiligen Komponenten anwenden. Dies hat dazu geführt, dass IoT aktuell eher ein Intranet der Dinge als ein Internet der Dinge ist (Zorzi et al. 2010). Daher ist es Ziel dieser Arbeit, ein einheitliches Verständnis der Komponenten, die eine IoT Architektur bilden, zu erlangen und generische Spezifikationen in Form eines Ganzheitlichen IoT Architektur Frameworks zur Verfügung zu stellen.
Diese Arbeit verwendet Design Science Research (DSR), um die genannte Architektur auf Basis der einschlägigen Literatur zu entwickeln. Die Entwicklung des Ganzheitlichen IoT Architektur Frameworks umfasst die Nutzung zwei neuer Perspektiven auf IoT Architekturen (IoT Architecture Perspectives), die während der Analyse von IoT Architekturen in der Literatur identifiziert wurden. Die Anwendung dieser neuen Perspektiven führte zur Erkenntnis, dass eine weitere, ebenfalls neuartige, Komponente in der Literatur implizit erwähnt wird. Die Beschreibungen der Komponenten von verschiedenen IoT Architekturen wurden vereinheitlicht und mit der neuen Komponente, dem Thing Management System, in Beziehung gesetzt, um das Ganzheitliche IoT Architektur Framework zu entwickeln. Weiterhin wurde gezeigt, dass die Spezifikationen der Architektur als Vorlage für die Implementation eines Prototypen geeignet ist.
Der Hauptbeitrag dieser Arbeit ist ein vereinheitlichtes Verständnis der einzelnen Komponenten sowie deren Interaktionen einer IoT Architektur
The effect of heat waves on hospital admissions for renal disease in a temperate city of Australia
No full textPublished by Oxford University Press on behalf of the International Epidemiological Association © The Author 2008; all rights reserved.Background A rarely investigated consequence of heat exposure is renal dysfunction resulting from dehydration and hyperthermia. Our study aims to quantify the relationship between exposure to extreme high temperatures and renal morbidity in South Australia. Methods Poisson regression accounting for over dispersion, seasonality and long-term trend was used to estimate the effect of heat waves on hospital admissions for renal disease, acute renal failure and renal dialysis over a 12-year period. Selected comorbidities were investigated as possible contributing risk factors. Results Admissions for renal disease and acute renal failure were increased during heat waves compared with non-heat wave periods with an incidence rate ratio of 1.100 [95% confidence intervals (CI) 1.003–1.206] and 1.255 (95% CI 1.037–1.519), respectively. Hospitalizations for dialysis showed no corresponding increase. Comorbid diabetes did not increase the risk of renal admission, however ‘effects of heat and light’ and ‘exposure to excessive natural heat’ (collectively termed effects of heat) were identified as risk factors. Conclusion Our findings suggest that as heat waves become more frequent, the burden of renal morbidity may increase in susceptible individuals as an indirect consequence of global warming.Alana L Hansen, Peng Bi, Philip Ryan, Monika Nitschke, Dino Pisaniello and Graeme Tucke
- …
