无缝的人类机器人相互作用(HRI)需要机器人对人类的多模式输入的熟练处理,包括语音,凝视和面部表情,以准确评估人类的影响并相应地提供帮助。同时,机器人必须通过多模态输出渠道清楚地将自己的意图清楚地传达给人类,包括语音,手势和凝视。传统上,在机器人系统中实现此功能通常需要复杂的设计。在意图估计的领域中,以前的研究通常合并意图识别模块,以基于多模式输入[3,17]对人类意图进行分类。一些系统还具有用于检测人类情感状态的专用模块,对于建立社会细微差别的互动至关重要[10,16,18]。但是,这些方法的缺点在于它们耗时且昂贵的培训过程。在输出方面,许多先前的系统集成了情绪状态[8,11]模块,以控制人形输出提示,例如音调,凝视或面部表情,增强了向人类反馈的透明度和生动性。关于运动产生,提出了多种方法,包括预先建立的运动集的混合和图表[19,25],以及使用运动捕获数据[5,9,15]。值得注意的是,这涉及与特定状态相关的每种输出模式的动作手动设计。通过利用文本理解,推理和计划的能力,在短时间内提出了许多机器人应用[7,12,14,20,21,28]。例如,Zhang等人。大型语言模型(LLM)的最新进展,诸如聊天机器人,数据过程和代码生成之类的域中的表现令人印象深刻的功能正在揭示其在机器人技术领域的潜在应用。其中一个通常的例子是“ Saycan”机器人[1],它能够解释人的自然语言命令,分析环境并生成具体的可执行操作序列,以通过使用LLMS来满足人类的要求。但是,机器人和人之间的互动提示仅限于语音命令,即使没有语音输出。最近,一些研究人员还试图将这种技术应用于HRI领域。利用LLM来估计人类有多少信任机器人[30]; Yoshida等人,使用LLMS生成低级控制命令来推动人形机器人运动以进行社会表达[29],而不是用于实践援助。Baermann等人,部署了LLM不仅遵循人类的言语命令,而且还通过人类的自然语言反馈来纠正其错误[2]。然而,通信主要依赖语音相互作用,而较少关注多模式感应和表达能力。ye等。[27]驱动了一个LLM驱动的机器人系统,该系统能够与人类在VR环境中的组装任务中合作。,但是该系统仅限于处理人类语言输入并控制虚拟空间中的单臂。通常,与快速
总结本文探讨了专注于互动性的艺术和技术领域的实践,尤其是互动艺术。 div>我们研究了与互动艺术相关的关键概念,例如互动者的作用,互动美学,娱乐性特征和关系架构师以及其他要素。 div>为此,我们考虑了莫里斯·贝纳诺(Maurice Benayoun),Studio azzurro,Marcel-líAntunezRoca和Rafael Lozano-Hemmer等艺术家的互动作品。 div>此外,我们质疑具有暂时的计算机技术,尤其是涉及人造轻度的计算机技术的定义。 div>我们试图通过促进互动概念及其对当前技术进步的反应来促进当前辩论的贡献,其响应于当前的技术进步,这些技术涵盖了一系列旨在模仿人类认知功能的系统。 div>最终,我们提供了有关互动艺术的观点,目的是有助于对艺术和技术中的互动性进行更广泛的了解,作为一种系统性,视觉,技术和美学体验。 div>
本文介绍了在人机协作背景下代表,推理和交互式学习领域知识的综合体系结构。答案集Prolog是一种非单调逻辑推理范式,用于用不完整的comsense域知识来表示和理由,为任何给定目标计算计划并诊断出意外的观察。基于ASP的推理还用于指导以前未知的动作的互动学习以及编码负担能力,动作前提和效果的公理。此学习将主动探索,反应性动作执行和人类(口头)描述的输入观察以及学习的动作和公理用于后续推理。在模拟机器人上评估了架构,该机器人协助人类在室内域中。
Maureen Gwinn 环境保护署 与会者 gwinn.maureen@epa.gov Holly Hajare 总统执行办公室 科学技术政策办公室 与会者 Holly.S.Hajare@ostp.eop.gov Ha-Hoa Hamano 美国国家航空航天局 与会者 ha-hoa.n.hamano@nasa.gov Tracy Hancock 环境保护署 与会者 Hancock.Tracy@epa.gov Scott Harmon 总务管理局工作人员 scott.harmon@gsa.gov Katherine Harrington 国家科学基金会 与会者 kharring@nsf.gov Kristen Honey 卫生与公众服务部 与会者 kristen.honey@hhs.gov Ann Hunter-Pirtle 能源部 与会者 ann.hunter-pirtle@hq.doe.gov Viv Hutchison 内政部 美国地质调查局 与会者 vhutchison@usgs.gov Boyan Ignatov 核能监管委员会与会者 Boyan.Ignatov@nrc.gov
遗传因素在确定人身高方面起着至关重要的作用。矮小的身材通常会影响多个家庭成员,因此,家族性矮小的身材(FSS)代表了生长障碍的显着比例。传统上,FSS被认为是代表特发性短身材的子类别(ISS)的良性多基因条件。然而,遗传研究的进步表明,FSS也可以是单基因的,以常染色体显性方式遗传,并且可能是由不同的机制引起的,包括原发性板障碍,生长激素的发音/不敏感性或通过基本内细胞内途径的破坏。这些发现强调了较远的矮个地位形式的更广泛的表型光谱,这可能与ISS表现出轻度的表现。鉴于重叠的特征和在没有基因检测的情况下与单基因FSS区分多基因的难度,一些研究人员将其重新定义为描述性术语,该术语涵盖了任何家族性地位,无论其基本原因如何。这种转变强调了诊断和管理家庭内部矮小的身材的复杂性,反映了影响人类成长的各种遗传景观。
NAVFAC 开放环境修复资源 (OER2):确定 MEC/MPPEH 水下埋藏深度的方法军用弹药被发现在某些水下位置,这是历史处置活动以及实弹训练、测试和其他操作的结果。在水下环境中仍能发挥作用的射弹和其他弹药构成爆炸危险,可能会迁移,使人员接触到这些弹药。这种爆炸危险的管理很复杂,取决于特定地点的考虑因素,例如弹药类型、海洋环境、移动潜力以及人员如何接触和与弹药互动。本次网络研讨会的目的是总结为了解水下环境中弹药的移动性和埋藏而开发的科学。将介绍环境观测、弹药观测技术、移动性和埋藏现场观测、移动与埋藏的物理学以及埋藏的物理过程建模。演示将以将这些知识在现有场地的实际应用结束。 演讲者:Bryan Harre,NAVFAC EXWC 和 Joe Calantoni,美国 NRL 博士 日期:2022 年 11 月 9 日,星期三 时间:太平洋时间上午 11 点 | 美国东部时间下午 2 点 通过以下链接注册参加网络研讨会:https://einvitations.afit.edu/inv/anim.cfm?i=697664&k=0468450F7D53 如果您无法点击链接,请将地址复制并粘贴到您的网络浏览器中。 州际技术与监管委员会 (ITRC) 关于可持续弹性修复 (SRR) 的网络研讨会 极端天气事件会对修复措施保护人类健康和环境的能力产生不利影响。可持续弹性修复 (SRR) 被定义为“清理和再利用危险废物场地的优化解决方案,可限制负面影响、最大化社会和经济效益并增强对日益增加的威胁的抵御能力”。该网络研讨会介绍了一些工具,可帮助将可持续和有弹性的实践融入修复项目中。主题:可持续的弹性修复演讲者:ITRC 日期:2022 年 11 月 17 日时间:太平洋时间上午 10 点 | 美国东部时间下午 1 点通过以下链接注册参加 ITRC 网络研讨会:https://clu-in.org/conf/itrc/SRR/有关更多信息,请查看 ITRC 关于此主题的报告:https://srr-1.itrcweb.org/ RPM 培训活动主题的最后一次征集 RPM 培训主题的最后一次征集:现在到 2022 年 11 月 16 日链接:https://einvitations.afit.edu/inv/anim.cfm?i=699708&k=04684B0E7B5F RPM 培训日期更新:2023 年 3 月 14 日至 16 日*这与原始/预计日期不同* 正在评估场地,活动举办批准将决定最终日期和地点。
摘要这项研究的主要目的是通过开发包括脑部计算机界面(BCI)和客户端Vidinexus的互动屏幕在内的原型来探索以改善博物馆访问者的体验和参与的选项。这是通过遵循重点关注研究的三个不同方面的方法来完成的;博物馆和艺术,BCI和原型。前两个方面是背景文献研究的重点。这些发现用于指导原型开发的创作过程。系统的原型,包括交互式测验,它根据由EEG设备测量的选择和参与水平与访问者相匹配。该原型是在研究的构想,规范和实现阶段创建的;并在评估阶段进行了测试。
手势在人类和人类机器人相互作用中起着关键作用。在基于任务的上下文中,诸如指向之类的神性手势对于指导关注与任务相关的实体至关重要。虽然大多数基于任务的人类和人类手机Di-Alogue专注于封闭世界领域的工作,但重新研究已开始考虑开放世界任务,在这种任务中,与任务相关的对象可能不知道与先验者相互作用。在开放世界任务中,我们认为必须对手势进行更细微的考虑,因为交互者可以使用桥接传统手势类别的手势,以便浏览其任务环境的开放世界维度。在这项工作中,我们探讨了在开放世界任务上下文中使用的手势类型及其使用频率。我们的结果表明需要重新考虑在人类和人类机器人相互作用的研究中进行手势分析的方式。
自动驾驶汽车的未来在于以人为中心的设计和先进的AI Capabilies。未来的自动驾驶汽车不仅会跨乘客,而且还将互动并适应他们的欲望,从而使旅程变得舒适,有效且令人愉悦。在本文中,我们提出了一个新颖的框架,该框架利用大型语言模型(LLMS)来增强自动驾驶汽车的决策过程。通过整合LLMS的自然语言能力和上下文理解,专业工具使用,协同推理,并与自动驾驶汽车的各种模块进行作用,该框架旨在将LLMS的先进语言和推理能力无缝整合到自动驾驶中。拟议的框架具有革新自动驾驶汽车运行方式,提供个性化援助,持续学习和透明决策的潜力,最终为更安全,更有效的自动驾驶技术做出了贡献。