XiaoMi-AI文件搜索系统
World File Search System人在环
基于模型的人机系统集成
人机系统集成 (HSI) 是系统工程 (SE) 的一个重要领域，它从最初的人因工程和人体工程学、人机交互、工程和领域经验等组成部分中产生、分离并涵盖了这些组成部分。虚拟原型和人在环仿真 (HITLS) 的当前能力和成熟度使虚拟以人为本的设计 (HCD) 能够与 SE 相结合以实现 HSI。HSI 几乎必然是基于模型的；它使用 HITLS 并需要同质化的人机系统表示。虚拟 HCD 使我们不仅能够在设计过程中而且在系统的整个生命周期中同时考虑人为因素和组织因素。这些新功能是通过数字工具实现的，这些工具支持虚拟环境，而虚拟环境又应该变得有形。数字孪生可以成为支持 HSI、运营绩效和体验集成的解决方案。因此，有形性是基于模型的 HSI (MBHSI) 中的一个关键概念，它应该既具有分析性又具有实验性，基于适当的场景和性能指标，本质上是由领域经验支持的。航空示例说明了 MBHSI 的一个实例。
到达路线的几何形状如何影响排序
本文报告了一项旨在为航站楼区域到达航班排序开发直观航线设计的研究。在引入航线结构以解决传统引导技术的缺点时，高密度环境中的主要挑战是保证在交通高峰期间有效使用这些航线，此时需要某种形式的路径延伸。该研究依赖于实验中心与巴黎戴高乐机场管制员进行的两组迭代小规模人在环模拟。它能够识别关键设计特征，包括与合并点的最小距离以及顺风和基准航线之间的角度。管制员反馈和初步分析表明，即使在高交通高峰下，最终的航线设计也可以促进排序，大大减少引导并使轨迹远离轴线区域。该研究还提供了基于距离演变的初步分析，可以重新用于评估新设计。下一步将是评估实际巴黎戴高乐机场环境中的适用性，这将需要对已确定的特征进行调整。
探索城市空中交通运营的人为因素问题
文献中将其视为空域的新进入者。虽然引入 UAM 可能带来重大好处，但也可能对当前的空中交通管理系统产生根本性改变。目前正在探索几种概念，以便为近期、中期和远期运营开发安全高效的 UAM 系统。近期运营的运营概念提出了几种假设。空中交通管制员等人类操作员的角色和职责概念提出了不同程度的参与。因此，识别和探索人为因素问题是概念发展的关键下一步。使用人在环空中交通管制模拟来研究 UAM 交通密度和当前空域路线和通信程序变化对主观管制员工作量和效率相关任务绩效的影响。研究结果表明，虽然主观工作量对于低密度运营来说是可控的，但中密度和高密度运营导致工作量难以管理，导致拒绝让更多车辆进入受控空域。通过实施协议书，口头沟通减少，这与工作量减少有关。优化路线还与减少工作量和提高性能效率有关。虽然这些调整可以积极支持管制员的表现，但工作量仍然
模糊控制
模糊控制是各种具有挑战性的控制应用的实用替代方案，因为它提供了一种通过使用启发式信息构建非线性控制器的便捷方法。此类启发式信息可能来自充当过程“人在环”控制器的操作员。在模糊控制设计方法中，我们要求该操作员写下一组有关如何控制过程的规则，然后将其纳入模拟人类决策过程的模糊控制器中。在其他情况下，启发式信息可能来自对特定过程进行过大量数学建模、分析和控制算法开发的控制工程师。同样，此类专业知识被加载到模糊控制器中，以自动化专家的推理过程和行动。无论启发式控制知识来自何处，模糊控制都提供了一种用户友好的形式化来表示和实施我们关于如何实现高性能控制的想法。在本书中，我们从控制工程的角度介绍了模糊控制。我们既关注构建非线性控制器以应对具有挑战性的实际应用，也关注对模糊控制系统动态的基本理解，以便我们在实施之前能够从数学上验证其属性（例如稳定性）。我们强调工程评估
模糊控制 - OSU ECE
模糊控制是各种具有挑战性的控制应用的实用替代方案，因为它提供了一种通过使用启发式信息构建非线性控制器的便捷方法。此类启发式信息可能来自充当过程“人在环”控制器的操作员。在模糊控制设计方法中，我们要求该操作员写下一组有关如何控制过程的规则，然后将其纳入模拟人类决策过程的模糊控制器中。在其他情况下，启发式信息可能来自对特定过程进行过大量数学建模、分析和控制算法开发的控制工程师。同样，此类专业知识被加载到模糊控制器中，以自动化专家的推理过程和行动。无论启发式控制知识来自何处，模糊控制都提供了一种用户友好的形式化来表示和实施我们关于如何实现高性能控制的想法。在本书中，我们从控制工程的角度介绍了模糊控制。我们既关注构建非线性控制器以应对具有挑战性的实际应用，也关注对模糊控制系统动态的基本理解，以便我们在实施之前能够从数学上验证其属性（例如稳定性）。我们强调工程评估
模糊控制
模糊控制是各种具有挑战性的控制应用的实用替代方案，因为它提供了一种通过使用启发式信息构建非线性控制器的便捷方法。此类启发式信息可能来自充当过程“人在环”控制器的操作员。在模糊控制设计方法中，我们要求该操作员写下一组有关如何控制过程的规则，然后将其纳入模拟人类决策过程的模糊控制器中。在其他情况下，启发式信息可能来自对特定过程进行过大量数学建模、分析和控制算法开发的控制工程师。同样，此类专业知识被加载到模糊控制器中，以自动化专家的推理过程和行动。无论启发式控制知识来自何处，模糊控制都提供了一种用户友好的形式化来表示和实施我们关于如何实现高性能控制的想法。在本书中，我们从控制工程的角度介绍了模糊控制。我们既关注构建非线性控制器以应对具有挑战性的实际应用，也关注对模糊控制系统动态的基本理解，以便我们在实施之前能够从数学上验证其属性（例如稳定性）。我们强调工程评估
FlexTech：从刚性到柔性的人机系统集成 - HAL
人机系统集成 (HSI) 是系统工程 (SE) 的必要组成部分，还是相反（即 SE 是 HSI 的必要组成部分）？这完全取决于视角！如果您是一位以技术为中心的工程师，SE 将为您提供开发技术系统的方法和工具，并且您将需要人为因素专家来开发用户界面并测试最终产品的可用性。从这个角度来看，HSI 是 SE 的必要组成部分。但是，如果您是一位以人为本的设计师，您将需要方法和工具来设计和开发系统，从设计之初到系统退役，将人机需求整合在一起。这提出了我们所说的“系统”是什么意思的问题。系统只是一种表示，有助于弄清楚人和机器的物理和认知功能和结构。本章涵盖了与 HSI 相关的几个领域，包括任务和活动分析、认知工程、组织设计和管理、功能分配、复杂性分析、建模和人在环仿真 (HITLS)。当代 HSI 设计方法由虚拟 HITLS 支持，这涉及有形性问题。开始讨论应收集的各种数据和有形性指标以开发适当的 HSI。提供了一个航空示例来说明在系统设计和开发中应如何开发 HSI
FlexTech：从刚性到灵活的人机系统集成 - HAL
人机系统集成 (HSI) 是系统工程 (SE) 的必要组成部分，还是相反（即 SE 是 HSI 的必要组成部分）？这完全取决于视角！如果您是一位以技术为中心的工程师，SE 将为您提供开发技术系统的方法和工具，并且您将需要人为因素专家来开发用户界面并测试最终产品的可用性。从这个角度来看，HSI 是 SE 的必要组成部分。但是，如果您是一位以人为本的设计师，您将需要方法和工具来设计和开发系统，从设计之初到系统退役，将人机需求整合在一起。这提出了我们所说的“系统”是什么意思的问题。系统只是一种表示，有助于弄清楚人和机器的物理和认知功能和结构。本章涵盖了与 HSI 相关的几个领域，包括任务和活动分析、认知工程、组织设计和管理、功能分配、复杂性分析、建模和人在环仿真 (HITLS)。当代 HSI 设计方法由虚拟 HITLS 支持，这涉及有形性问题。开始讨论应收集的各种数据和有形性指标以开发适当的 HSI。提供了一个航空示例来说明在系统设计和开发中应如何开发 HSI
带有 EEG 可穿戴耳机的人机交互
内在人在环强化学习 (HITL-RL) 是一种通过使用可穿戴脑电图 (EEG) 耳机捕捉脑电波来隐式获取人类反馈的方法。它可以显著加速 RL 算法的训练收敛，同时减轻参与训练循环的人类的负担。虽然人类自然会观察 RL 代理的表现，但代理的任何错误行为都可以通过 EEG 信号中的误差电位 1 (ErrP) 识别。然后可以将此信息合并到 RL 算法的奖励函数中以加速其学习。因此，误差电位的检测精度会显著影响 RL 算法的收敛时间。这项工作的重点是使用仅使用现成的 EEG 可穿戴设备检测到的用户脑电波来可靠地检测误差电位。我们首先提出一种新的误差电位解码算法，该算法利用 EEG 信号的空间、时间和频域特性。我们开发了三个类似 Atari 的游戏环境，并招募了 25 名志愿者进行评估。所提出的算法实现了 73.71% 的准确率（比目前最先进的算法提高了 8.11%）。然后我们展示了一种智能丢弃低置信度估计的改进算法能够将准确率提高到 79.51%（提高了 16.63%）。
人类监督是利用相机陷阱图像实现准确人工智能辅助野生动物识别的关键
利用公众支持从大量数据集中提取信息已成为准确标记相机陷阱 (CT) 图像中野生动物数据的一种流行方法。然而，对志愿者工作不断增长的需求延长了数据收集与我们得出生态推断或执行数据驱动的保护行动的能力之间的时间间隔。人工智能 (AI) 方法目前在物种检测（即图像中是否包含动物）和标记常见物种方面非常有效；然而，它对图像中很少捕捉到的物种和视觉上彼此高度相似的物种表现不佳。为了充分利用人类和人工智能分类方法的最佳优势，我们开发了一个集成的 CT 数据管道，其中人工智能提供标记图像的初始传递，但由人类监督和验证（即“人在环”方法）。为了评估分类准确度的提高，我们将人工智能和 HITL 协议生成的物种标签的精度与野生动物专家注释的“黄金标准”（GS）数据集进行比较。人工智能方法的准确性取决于物种，并与训练图像的数量呈正相关。 HITL 的共同努力使 73% 的数据集的错误率低于 10%，并降低了另外 23% 的错误率。对于两个外观相似的物种，人类输入的错误率高于人工智能。虽然与仅使用人工智能相比，将人类纳入循环会增加分类时间，但准确率的提高表明这种方法对于大批量 CT 调查非常有价值。