XiaoMi-AI文件搜索系统
World File Search System交互式
sicnav：使用模型预测性控制和二线优化的安全且交互式人群导航
摘要 - 机器人需要预测和对人类动作做出反应，以在没有冲突的情况下在人群中导航。许多现有的方法将预测与计划的预测无法解释机器人和人类动作之间的相互作用，并且可能导致机器人被卡住。我们提出了SICNAV，这是一种模型预测控制（MPC）方法，该方法共同解决了机器人运动并预测闭环中的人群运动。我们在人群中对每个人进行建模，以遵循最佳的倒数避免避免（ORCA）方案，并将该模型嵌入机器人的本地规划师中，从而导致了双重非线性MPC优化问题。我们使用KKT改制将双重问题作为单个级别施放，并使用非线性求解器进行优化。我们的MPC方法可以影响行人运动，同时明确满足单机器人多人类环境中的安全限制。我们在两个模拟环境中分析了SICNAV的性能，并使用真实机器人进行了室内实验，以证明可以影响周围人类的安全机器人运动。我们还验证了在人类轨迹数据集上孔口的轨迹预测性能。代码：github.com/sepsamavi/saf-interactive-crowdnav.git。
使用交互式进化计算的个性化音乐综合的用户引导的生成框架
生成人工智能（AI）的发展在音乐综合领域取得了显着的进步。然而，在生成的内容中缺乏创造力，引起了公众的重大关注。为了解决这个问题，本文介绍了一种新颖的方法，以进行个性化音乐的合成，并结合了人类的一代。此方法利用以捕获用户的喜好和生成的对抗网络而闻名的交互式进化计算的双重强度，以其自主产生高质量音乐的能力而闻名。这种整合的主要目标是增强音乐合成中生成AI的可信度和多样性，在人类中的计算艺术创造力。此外，一个用户友好的交互式音乐播放器旨在促进音乐合成过程中的用户。所提出的方法表明了一个范式，其中用户通过人机互动来操纵潜在空间，从而强调了人类在综合多样化和创意音乐中的关键作用。
交互式学习应用程序对EFL学生偏好和学术成就的影响
摘要 - 本研究旨在调查英语作为外语（EFL）学生对使用交互式学习应用的看法。研究方法是定量的，使用问卷收集有关学生对交互式学习应用程序及其在这方面的偏好的看法的数据。此外，还包括学术绩效数据。研究人群包括印度尼西亚北苏门答腊的教师培训和教育科学学院（Stkip）Al Maksum的所有学生。该样本由2021/2022学年的英语系学习计划中的20名学生组成。研究结果表明，学生对互动学习应用的看法会影响他们对学习应用的选择，最终影响他们的学习成果。根据学生对学习应用的看法的总分，学生更倾向于选择Kahoot供EFL使用。这是因为，在有效性，享受和感知到的学习方面，此应用程序在quizizz方面表现出色。
SMART Board 800 系列交互式白板用户指南
本设备已经过测试，符合 FCC 规则第 15 部分对 A 类数字设备的限制。这些限制旨在为设备在商业环境中运行时提供合理的保护，防止有害干扰。本设备会产生、使用并辐射射频能量，如果不按照制造商的说明进行安装和使用，可能会对无线电通信造成有害干扰。在住宅区操作本设备可能会造成有害干扰，在这种情况下，用户需要自行承担纠正干扰的费用。
CHAT3D：交互式理解3D场景级点云通过与城市生态结构的基础模型聊天
随着人工智能技术发展的繁荣，大型语言模型正在展示其在理解和创造力方面的潜力。大型语言模型（例如GPT-4和Gemini）能够有力地学习各种专业级考试。但是，作为语言模型本身，其强大的理解只能反映在文本序列中。当前，尽管可以通过3D点云与大型语言模型之间的连接生成视频，但目前尚无提示项目通过属性计算结果直接与一维相互作用。点云数据也丰富了可以支持城市建设的各种任务的信息。对于场景级别的点云数据，已经进行了许多有关语义细分，目标检测和其他任务的研究。但是，通常很难从感知结果中为场景构建提供直接帮助。本文通过结合3D点云语义细分的结果，介绍了一种将大语言模型应用于城市生态结构的方法。目的是将大语言模型（LLM）（LLM）的先验知识和创造能力集成到城市发展中，并将结果与点云语义分段结果得出。这种整合旨在建立一个互动点云智能分析系统，该系统是为了帮助城市生态文明建设中的决策过程而定制的，从而为智能城市发展的发展提供了创新的观点。
交互式海洋动力学对大西洋海面温度变化的影响
摘要：通过比较完全耦合的大气 - 海洋 - 冰模型与同一大气模型与海洋替换为无动感的平板层（因此Fornless Slab Slab Ocean模型），研究了交互式海洋动力学对大西洋海面温度（SST）内部变化的影响。两种模型之间的SST变异性差异是通过优化技术诊断出的，该优化技术发现了差异尽可能不同的组件。这项技术表明，大西洋SST的可变性在两个模型之间显着不同。平板海洋模型中具有最大SST方差的两个组件类似于与北大西洋振荡（NAO）和大西洋多年代变化（AMV）模式相关的Tripole SST模式。该结果支持以前的主张，即AMV不需要海洋动力学，尽管海洋动力学导致AMV和NAO Tripole的记忆略有增加。完全耦合模型中SST方差最极端增强的组件类似于大西洋尼诺尼诺模式，并确定了我们技术隔离已知需要海洋动力学的物理模式的能力。在完全耦合模型中具有更大差异的第二个组件是一种亚置SST变异性的模式。SST异常的重新出现和海洋热传输的变化都会导致SST差异和记忆力增加。尽管SST的平均值和变异性差异很大，但两种模型之间的大气变异性非常相似，并确定大气变异性是由内部大气动力学产生的。
学习交互式现实世界模拟器
在Internet数据中训练的生成模型已彻底改变了如何创建文本，图像和视频内容。也许生成模式的下一个里程碑是对人类，机器人和其他互动剂采取的行动进行模拟现实经验。现实世界模拟器的应用程序范围从游戏和电影中的可控内容创建到纯粹在现实世界中直接部署的模拟中的体现代理。我们探索通过生成建模学习现实世界相互作用的通用模拟器（UNISIM）的可能性。我们首先要进行一个重要的观察，即可用于学习的天然数据集通常沿不同的维度富含（例如，图像数据中的丰富对象，机器人数据中的密集采样动作以及导航数据中的各种运动）。仔细编排了各种数据集的编排，每个数据集都提供了各个方面的各个方面，我们可以模拟两个高级指令的视觉结果，例如“打开抽屉”和低级控制，例如从其他静态场景和对象中使用“Δx，∆ y”。我们使用模拟器来训练高级视觉语言政策和低级强化学习政策，每种政策都可以在现实世界中部署在现实世界中，纯粹是在纯粹的训练中纯化的。我们还表明，其他类型的智能（例如视频字幕）可以通过模拟体验培训受益，开放更广泛的应用程序。可以在https://universal-simulator.github.io上找到视频演示。
RoboExp：通过机器人操纵的交互式探索行动条件的场景图
图2。我们的RoboExp系统的概述。我们介绍了由四个模块组成的RoboExp系统的全面概述。（a）我们的感知模块将RGBD图像作为输入，并产生相应的2D边界框，掩码，对象标签和关联的语义特征作为输出。（b）内存模块无缝将2D信息集成到3D空间中，从而实现了更一致的3D实例分割。此外，它通过合并实例构建了我们ACSG的高级图。（c）我们的决策模块是提议者和验证者的双重角色。提案者建议各种行动，例如开门和抽屉，而验证者评估每个动作的可行性，考虑到阻塞等因素。（d）动作模块执行提出的操作，使机器人组能够与环境有效相互作用。
RoboExp：通过机器人操纵的交互式探索行动条件的场景图
想象一个未来的家庭机器人，旨在快速准备突破。该机器人必须有效执行各种任务，例如在橱柜中进行库存检查，从冰箱中获取食物，从抽屉里收集餐具，以及在食物覆盖物下剩下的剩菜。取得成功的关键是与环境互动和探索环境的问题，尤其是找到不立即可见的项目。将其配备这种功能对于机器人有效完成其日常任务至关重要。机器人探索和积极的感知长期以来一直在挑战机器人技术[1-16]。已经提出了各种技术，包括信息理论，好奇心驱动的探索，基于边境的甲基动物和模仿学习[1，13 - 13 - 15，17 - 25]。然而，以前的研究主要集中在探索静态环境上，仅通过更改导航设置中的观点，或仅限于与一小部分对象类别（例如抽屉）或一组封闭的简单操作（例如推动）的相互作用[26]。在这项工作中，我们研究了交互式场景的利用任务，目标是有效地识别所有对象，包括直接可观察到的对象，以及只能通过机器人和环境之间的相互作用发现的对象（见图1）。朝向这个目标，我们提出了一个新颖的场景表示，称为“动作条件” 3D场景图（ACSG）。然后，我们证明可以将交互式场景探索作为动作条件的3D场景图形结构和遍历的问题。与这些与专注于编码静态关系的常规3D场景图不同，ACSG同时编码空间关系和逻辑关联指示动作效应（例如，打开冰箱内部揭示了一个苹果）。解决互动场景探索带来了挑战：我们如何推理需要探索哪些对象，选择与它们互动的正确动作，以及对我们的探索发现的知识？
