Online vehicle routing is an important task of the modern transportation service provider. Contributed by the ever-increasing real-time demand on the transportation system, especially small-parcel last-mile delivery requests, vehicle route generation is becoming more computationally complex than before. The existing routing algorithms are mostly based on mathematical programming, which requires huge computation time in city-size transportation networks. To develop routes with minimal time, in this paper, we propose a novel deep reinforcement learning-based neural combinatorial optimization strategy. Specifically, we transform the online routing problem to a vehicle tour generation problem, and propose a structural graph embedded pointer network to develop these tours iteratively. Furthermore, since constructing supervised training data for the neural network is impractical due to the high computation complexity, we propose a deep reinforcement learning mechanism with an unsupervised auxiliary network to train the model parameters. A multisampling scheme is also devised to further improve the system performance. Since the parameter training process is offline, the proposed strategy can achieve a superior online route generation speed. To assess the proposed strategy, we conduct comprehensive case studies with a real-world transportation network. The simulation results show that the proposed strategy can significantly outperform conventional strategies with limited computation time in both static and dynamic logistic systems. In addition, the influence of control parameters on the system performance is investigated.

A panoptic driving perception system is an essential part of autonomous driving. A high-precision and real-time perception system can assist the vehicle in making the reasonable decision while driving. We present a panoptic driving perception network (YOLOP) to perform traffic object detection, drivable area segmentation and lane detection simultaneously. It is composed of one encoder for feature extraction and three decoders to handle the specific tasks. Our model performs extremely well on the challenging BDD100K dataset, achieving state-of-the-art on all three tasks in terms of accuracy and speed. Besides, we verify the effectiveness of our multi-task learning model for joint training via ablative studies. To our best knowledge, this is the first work that can process these three visual perception tasks simultaneously in real-time on an embedded device Jetson TX2(23 FPS) and maintain excellent accuracy. To facilitate further research, the source codes and pre-trained models are released at https://github.com/hustvl/YOLOP.

This paper investigates the economic sustainability of Cambodian rural rice farmers. Rice in Cambodia is a stable crop just as in many other Southeast Asian countries. The rice plants not only provide food to people but also a source of feed for livestock. Based on survey about of 6 districts of the rural household in Battambang of Cambodia, a total 204 rice farmers were interviewed and multiple regression models was applied using the method of Ordinary Least Squares (OLS) to determine the factors affecting the Crop-livestock farmers’ disposable income. The study aggregated the livestock of 3 species including cattle, pig and chicken in cattle unit standard known as Livestock Unit (LU). The result of the empirical analysis shows that many household demography factors as well as the socioeconomic factors influences the disposable income. The findings in the study provide an insight to the government and extension offices on effective development of economic sustainability of rice farming and livestock production system in the regions; investing more in public animal healthcare; ensure stable market prices for both rice and livestock, paying more attention on the factors limiting income in particular to poorer provinces and districts. Provide irrigation facilities accompanied with high technological varieties to encourage the double or even triple rice seasons. In addition, government (especially the ministry of agriculture) should embark on technological transfer among provinces and countries with successful agricultural system, orient farmers on the potential benefits of crop-livestock farming, provide training ground and scheme to local farmers.

Consistent product quality and efficient operations in high-pressure grinding roll (HPGR) rely heavily on real-time anomaly detection. Complexities arise from fluctuations in raw materials, feeding processes, and unforeseen disruptions, along with the inherent spatio-temporal dynamics of sensor data. This article addresses these challenges by proposing a collaborative anomaly monitoring architecture that leverages the cloud, edge devices, and a powerful algorithm: The spatio-temporal attention-based (STA) minimal gated unit (MGU) adversarial autoencoder (AAE). The proposed algorithm, trained in the cloud, analyzes sensor data encompassing information, material, and energy flows within the HPGR. Its core strength lies in capturing the intricate interplay between spatial and temporal data patterns through a novel spatio-temporal attention mechanism. In addition, adversarial training enhances the model's ability to distinguish normal operations from anomalies. Edge devices perform real-time monitoring and transmit preprocessed data to the cloud for STA–MGU–AAE analysis. The extracted features not only enable accurate anomaly detection in process variables, but also facilitate root cause analysis, leading to significant improvements in process stability and reliability. The effectiveness of the proposed architecture is validated through practical beneficiation experiments, demonstrating its potential to revolutionize HPGR anomaly monitoring in production processes.

Sinarella Bryk, 1949 (Erebidae, Herminiinae) is a medium-sized, frail-bodied genus of moths that externally resembles other genera in the Zanclognatha generic complex. All known larvae of this genus feed on fresh leaves of moss. This genus is widely distributed from the Himalayas to Southeast Asia, Japan, Borneo, Sulawesi and New Guinea. A new species of the genus Sinarella Bryk, 1949, S.jinggangshana sp. nov., is described from Jinggangshan National Nature Reserve, Jiangxi Province, China. This species is morphologically similar to S.takasago Wu, Fu & Owada, 2013, S.cristulalis (Staudinger, 1892), S.formosensis Wu, Fu & Owada, 2013 and S.japonica (Butler, 1881), but differs in both external and male genitalia characters. Images of the male adults and their genitalia are provided.