XiaoMi-AI文件搜索系统
World File Search System主机
迈向自主机器人系统 - 研究探索
© 编辑（如适用）和作者，经 Springer Nature Switzerland AG 2022 独家许可，章节“通过全身控制远程操作腿式机械手”根据知识共享署名 4.0 国际许可条款获得许可（ http://creativecommons.org/licenses/by/4.0/ ）。有关更多详细信息，请参阅章节中的许可信息。本作品受版权保护。出版商保留所有权利，无论涉及全部或部分材料，特别是翻译、重印、插图重复使用、朗诵、广播、在微缩胶片上或以任何其他物理方式复制、传输或信息存储和检索、电子改编、计算机软件或通过现在已知或以后开发的类似或不同的方法。本出版物中使用的一般描述性名称、注册名称、商标、服务标记等并不意味着，即使没有具体声明，这些名称也不受相关保护法律和法规的约束，因此可以自由使用。出版商、作者和编辑可以放心地认为，本书中的建议和信息在出版之日是真实准确的。出版商、作者或编辑均不对此处包含的材料或可能出现的任何错误或遗漏提供明示或暗示的保证。
受昆虫启发的自主机器人 AI
自主机器人有望在复杂、未知的环境中执行各种复杂的任务。然而，可用的机载计算能力和算法对实现更高水平的自主性构成了相当大的障碍，尤其是随着机器人越来越小，摩尔定律即将终结。在这里，我们认为，从昆虫智能中获得的灵感是机器人传统方法的一个有前途的替代方案，可用于实现小型移动机器人自主所需的人工智能 (AI)。昆虫智能的优势源于其资源效率（或简约性），特别是在功率和质量方面。首先，我们讨论这种简约性背后的昆虫智能的主要方面：体现、感觉运动协调和群集。然后，我们评估昆虫启发的人工智能作为其他重要机器人任务（如导航）方法的替代方案的地位，并确定其更广泛采用的道路上面临的挑战。最后，我们反思适合实现受昆虫启发的人工智能的处理器类型，从更传统的处理器（如微控制器和现场可编程门阵列）到非常规的神经形态处理器。我们认为，即使对于神经形态处理器，也不应该简单地应用现有的人工智能算法，而应该利用自然昆虫智能的见解来获得最高效的机器人自主人工智能。
迈向自主机器智能之路 版本 0.9.2，2022-06-27
本文不是传统意义上的技术论文或学术论文，而是一份立场文件，表达了我对智能机器的愿景，这种机器的学习方式更像动物和人类，可以推理和计划，其行为由内在目标驱动，而不是由硬连线程序、外部监督或外部奖励驱动。本文中描述的许多想法（几乎所有想法）都已由许多作者在各种情况下以各种形式提出。本文并不主张其中任何一个想法的优先权，而是提出了如何将它们组合成一个一致整体的建议。特别是，本文指出了未来的挑战。它还列出了一些可能或不可能成功的途径。本文尽可能少用专业术语，尽可能少使用数学先验知识，以吸引具有各种背景的读者，包括神经科学、认知科学和哲学，以及机器学习、机器人技术和其他工程领域的读者。我希望这篇文章能够帮助理解人工智能领域的一些研究背景，因为有时这些研究的相关性很难看出。
电粘附技术在智能自主机器人应用中的进展
电粘附 (EA) 效应，也称为 Johnsen - Rahbek 效应 (JR 效应)，由两位丹麦工程师 Frederik Alfred Johnsen 和 Knud Rahbek 在 20 世纪 20 年代首次报告。[1,2] 他们观察到，当将多孔电解质材料夹在两块高电位金属板之间时，会对其中一块金属板产生粘附力。在背面电极上施加高电压后，两种绝缘材料之间就会发生 EA 效应，并且由于极化，板会相互粘附。永久极化是由内部分子偶极子引起的，而诱导极化则是由高电场引起的。[3] 在频率相关的诱导极化中，界面极化和取向极化是 EA 效应的原因。[4,5] 施加电压时，由于等势线的形成，相反的电极会感受到麦克斯韦张量力，如图 1 所示。 θ 分量（E θ）的等势场可以用麦克斯韦方程表示，如公式（1）所示。
AutonoML：迈向自主机器学习的集成框架
在过去十年中，在优化技术的进步及其对选择 ML 模型/算法的影响的刺激下，长期以来致力于自动化机器学习 (ML) 中的高级流程已成为主流。这一驱动力的核心是设计一个计算系统的吸引力，该系统既可以发现并部署高性能解决方案，以最少的人机交互解决任意 ML 问题。除此之外，一个更崇高的目标是追求自主性，它描述了系统在不断变化的环境中独立调整 ML 解决方案的能力。然而，如果没有各种机制和理论框架的更广泛综合，这些抱负就不可能以稳健的方式实现，而目前，这些机制和理论框架仍然分散在众多研究线索中。因此，本评论旨在激发对自动化/自主 ML 系统的构成进行更广泛的思考，同时考虑如何最好地整合这些要素。在此过程中，我们调查了以下研究领域的发展：超参数优化、多组件模型、神经架构搜索、自动特征工程、元学习、多级集成、动态适应、多目标评估、资源约束、灵活的用户参与和泛化原则。我们还在整个审查过程中开发了一个概念框架，并由每个主题进行增强，以说明
用于自主机器优化的智能数字三元组
附录................................................................................................................................................................................ 145
海上风电场中安全且有弹性的自主机器人的共生系统设计
摘要 为了减少海上风电场的运营和维护 (O&M) 支出（其中 80% 的成本与部署人员有关），海上风电行业希望通过机器人和人工智能 (RAI) 的进步来寻求解决方案。由于在动态环境中处理已知和未知风险的复杂性，住宅超视距 (BVLOS) 自主服务的障碍包括运行时安全合规性、可靠性和弹性方面的运营挑战。在本文中，我们采用了一种共生系统方法 (SSOSA)，该方法使用共生数字架构 (SDA) 来提供支持技术的网络物理编排。实施 SSOSA 可以实现合作、协作和确证 (C3)，以解决自主任务期间的安全性、可靠性和弹性的运行时验证。我们的 SDA 提供了一种同步机器人、环境和基础设施的分布式数字模型的方法。通过 SDA 的协调双向通信网络，远程操作员可以提高任务概况的可见性和理解力。我们在受限操作环境中的资产检查任务中评估了我们的 SSOSA。展示了我们的 SSOSA 克服安全性、可靠性和弹性挑战的能力。SDA 支持生命周期学习和共同演进，并在互连系统之间共享知识。我们的结果评估了突发事件和
已发布版本的引用：Mitchell, D, Blanche, J, Zaki, O, Roe, J, Kong, L, Harper, S, Robu, V, Lim, T & Flynn, D 2021, “海上风电场中安全且有弹性的自主机器人的共生系统设计”，IEEE Access，第 9 卷，第 141421-141452 页。 https://doi.org/10.1109/ACCESS.2021.3117727
摘要 为了减少海上风电场的运营和维护 (O&M) 支出（其中 80% 的成本与部署人员有关），海上风电行业希望通过机器人和人工智能 (RAI) 的进步来寻求解决方案。由于在动态环境中处理已知和未知风险的复杂性，住宅超视距 (BVLOS) 自主服务的障碍包括运行时安全合规性、可靠性和弹性方面的运营挑战。在本文中，我们采用了共生系统方法 (SSOSA)，该方法使用共生数字架构 (SDA) 来提供支持技术的网络物理编排。实施 SSOSA 可以实现合作、协作和确证 (C 3 )，以解决自主任务期间的安全性、可靠性和弹性的运行时验证。我们的 SDA 提供了一种同步机器人、环境和基础设施的分布式数字模型的方法。通过 SDA 的协调双向通信网络，远程操作员可以提高对任务概况的可见性和理解。我们在受限操作环境中的资产检查任务中评估了我们的 SSOSA。展示了我们的 SSOSA 克服安全性、可靠性和弹性挑战的能力。SDA 支持生命周期学习和共同进化，并在互连系统之间共享知识。我们的结果评估了可能危及自主任务的突发和渐进故障以及未知事件。使用分布式和协调决策，SSOSA 增强了对任务状态的分析，其中包括对驻留机器人内关键子系统的诊断。此次评估表明，SSOSA 为 BVLOS 自主任务提供了增强的运行时操作弹性和安全合规性。SSOSA 有可能成为一种高度可转移到其他任务场景和技术的方法，为实现可扩展的自主服务提供了途径。
自主机载风能系统 - Lorenzo Fagiano
机载风能 (AWE) 是一种令人着迷的技术，它利用自主系留飞机将风能转化为电能。AWE 被视为一种可能改变游戏规则的解决方案，它有望在全球范围内生产大量具有成本竞争力的电力，并具有广泛的适用性，因此吸引了政策制定者和利益相关者的关注。经过 2000-2010 年的开创性实验努力，自 2010 年代初以来，该领域出现了明显的技术融合趋势和稳步发展。如今，AWE 系统可以在所有运行阶段以最低限度的监督自动运行。第一款产品也正在商业化。然而，全方位的完全自主运行仍然面临着重要的基本挑战，在概念上类似于有望改变我们生活的其他系统，例如完全自主的乘用车或服务无人机。同时，自主运行对于实现大规模 AWE 是必要的，因此将具有挑战性的基本问题与对社会和经济的巨大潜在影响结合在一起。本文从系统角度和对一些基本方面的批判性观点描述了该技术的最新进展，介绍了著名工业参与者的最新自动控制结果，并最后指出了完全自主机载风能系统道路上最重要的挑战。
当人类相信自己的队友是人工智能时会发生什么？对人类与自主机器人合作的调查
随着人工智能 (AI) 的熟练程度不断提高，AI 用作团队成员而不是工具的潜力正在接近实现。这一进步正在推动对人类团队的适用性或人类自主知识的应用进行新的研究。在当前的研究中，我们通过质量方法来阐述团队的人员组成（团队中的人员数量和人员数量）如何影响团队的情绪、团队流程、团队成员本质状态，以及它们作为团队认知系统的出现。共有 4 6 个团队完成了团队或 K 模拟，在了解他们的团队经验或经验后，我们将进行查看。所有团队均由人类组成；然而，有两个条件是，他们的团队成员都是非同伙代理人。访谈是使用扎根的方法进行分析的，其中揭示了团队组成之间的主题差异。根据我们的研究结果，我们提供了一个新模型来描述早期行动团队如何实现有效的团队过程以及新兴的认知状态。