XiaoMi-AI文件搜索系统
World File Search System任务计划
使用大语言模型指导的最佳场景图
摘要 - 度量，语义和拓扑映射的最新进展使自主机器人配备了概念接地能力来解释自然语言任务。利用这些功能，这项工作开发了一种有效的任务计划算法，用于层次度量的语义模式。我们考虑环境的场景图模型，并利用大型语言模型（LLM）将自然语言任务转换为线性时间逻辑（LTL）自动机。我们的主要贡献是在场景图上使用LLM指导启用最佳层次LTL计划。为了达到效率，我们构建了一个层次规划域，该域捕获场景图和任务自动机的属性和连接性，并通过LLM启发式函数提供语义指导。为了确保最佳性，我们设计了一个LTL启发式功能，该功能可证明是一致的，并为多效率计划中的潜在不可接受的LLM指导提供了。我们在虚拟化真实环境的场景图中演示了复杂自然语言任务的有效计划。
Oceanplan：在大规模未开发的海洋环境中驾驶的自然语言的层次结构计划和重建
我们通过增强世界的增强表示，开发了一个分层的LLM任务计划和重建框架，以有效地将抽象的人类统一到有形的自主水下汽车（AUV）控制中。我们还挑战了一个整体的重建器，以向所有计划者提供现实世界中的反馈，以进行健壮的AUV操作。尽管已经进行了大量研究来弥合LLMS和机器人任务之间的差距，但他们无法保证在广阔而未知的海洋环境中AUV应用的成功。为了应对海洋机器人技术中的特定挑战，我们设计了一个层次结构计划来制定可执行的运动计划，该计划通过将长途任务分解为子任务，从而实现了计划效率和解决方案质量。同时，Replanner获得实时数据流以解决计划执行过程中的环境不确定。实验验证了我们所提出的框架是否通过自然语言试验为长期持续任务提供了成功的AUV表现。项目Web-网站https://sites.google.com/view/oceanplan。
JAIC 与 USSOCOM 合作提供 AI 支持的预测性维护功能 来自 JAIC 公共事务部
联合人工智能中心联合后勤任务计划与美国特种作战司令部第 160 特种作战航空团合作，开发并部署了一种名为“工作单位代码校正器”的机器学习工具，以提高 H-60 直升机维护记录的整体质量，从而改善机队健康报告。WUC 校正器使用自然语言处理来分析自由格式的维护记录文本，以修改单位代码和维护时间条目，这些是与执行给定维护任务所需的特定飞机组件类型和资源相关的字母数字代码。该模型不仅可以修改历史维护记录，还可以为维护人员提供有价值的建议，以实时更正单位代码。“WUC 校正器可实现主动和被动数据成熟，从而创建可用于 AI 的维护信息，”JAIC 联合后勤任务计划的 Chris Shumeyko 博士说道。“通过在数据输入时建议正确的代码，脏数据永远不会进入维护系统，这个问题多年来一直困扰着维护社区。故障和纠正措施信息将首次从一开始就可用于 AI，从而能够更快地部署高级分析功能以提高运营准备度。”这项 AI 功能现已全面投入使用，已纠正了 400,000 多个历史工作单元代码条目。这些更正后的维护记录为维护和供应提供了改进的数据分析和报告，并为未来的预测准备度功能提供了可用于 AI 的数据。此外，WUC 校正器提供了更准确的记录，记录了每个维护人员的经验和技能水平，可用于任务和部署规划、人员绩效和准备情况评估，以及 FAA 维护凭证所需的输入。除了 JAIC 资助的 H-60 工作外，第 160 SOAR 还独立资助了 WUC 校正器的改装，用于其 MH-47 和 MH-6 旋翼机队。“我们利用直接纳入第 160 SOAR 内部的快速敏捷开发流程来提供和扩展这种能力，”JAIC 联合后勤任务计划负责人、美国陆军上校 Kenneth Kliethermes 表示。“我们与第 160 SOAR 的合作是一个很好的例子，通过在主动操作环境中集成这些工具的开发、测试和验证来部署 AI/ML 功能。这种方法是 JAIC 通过直接与作战人员合作来为作战人员提供可扩展且与作战相关的 AI 能力的方式。”
储能系统和电动汽车监管框架报告
EA 或 Act 2003 年《电力法》 ESS 储能系统 ESSA 储能服务协议 EU 欧盟 EV 电动汽车 FAME 加快电动汽车的采用和制造 FC 固定充电 FCEV 燃料电池电动汽车 FOR 监管机构论坛 FY 财政年度 GHG 温室气体 GNA 通用网络接入 GW 千兆瓦 HEV 混合动力电动汽车 HT 高压 IC 内燃机 IEGC 印度电网规范 InSTS 州内输电系统 IESS 独立储能系统 ISTS 州际输电系统 LB 下限 LDC 负荷调度中心 LT 低压 MNRE 新再生能源部 MoP 电力部 MTOE 百万吨油当量 MW 兆瓦 MWh 兆瓦时 MYT 多年期电价 NEMMP 国家电动汽车任务计划 OA 开放式 PHEV 插电式混合动力电动汽车 PPA 购电协议 PPSP Purulia 抽水蓄能项目 PSH 抽水蓄能水电 PSP抽水蓄能电站 QCA 合格协调机构 RE 可再生能源 Rs 卢比 RWA 居民福利协会 SAREP 南亚区域能源伙伴关系
vilabot：连接有助于人类在家的机器人的视觉和语言
摘要 - 尽管在视觉，语言和机器人技术领域取得了重大进步，但整合创建自主机器人助手的能力仍然是一个挑战。本文介绍了Vilabot（视觉和语言机器人），该系统旨在帮助人类在家中进行日常活动。Vilabot将语言模型与基本视觉运动技能库相结合，以了解人类需求，创建行动计划并执行它们。该系统仅依赖于车载视觉和本体感受感测，消除了对预构建的地图或精确对象位置的需求，并在各种环境中促进现实世界的部署。在11个现实的家庭环境中进行的实验验证，使用栖息地模拟器模拟人类试剂，表明Vilabot在使用地面真实图像分割时可以实现有希望的结果，但在涉及不完美视觉感知的场景中表现出劣质的性能。结果支持拟议管道的有效性，并突出了系统的关键组成部分，应改进该系统以提高其总体成功率和可靠性。索引条款 - 人类机器人交互，辅助任务，任务计划，导航和操纵。
RWP-0639如何工作：Microsoft 365使用Rubrik
自动化保护并管理敏感的数据风险Microsoft 365是一个不断变化的流动环境，新员工被登上组织，这导致每天创建和删除邮箱和OneDrive帐户。我们看到新的SharePoint站点不断被实例化，并且每天包含越来越多的团队，消息，密钥附件和文件。随着M365的大量采用，我们还看到敏感的数据和知识产权在平台内占据巨大的增长，构成了持续的渗透风险，造成了声誉损害和业务损失。旧方法涉及创建包含特定用户和对象的备份作业，这根本无法跟上M365的不断变化。组织需要能够在其M365备份解决方案中自动化数据的保护，管理和退休。rubrik通过将SLA域的自动分配到对象以及智能且完全策划的任务计划为大型M365环境的自动分配中最小化为M356提供数据保护。最重要的是，Rubrik强大的集中管理和报告功能可帮助组织确保其数据符合他们必须遵守的任何法规。Rubrik的自动数据保护使组织能够避免其IT策略中的严重安全差距。
CUBESAT任务的安全分层增强学习...
立方体改变了空间行业，提供了一种经济高效，有效的方式来进行各种空间任务，从科学观察到高级通信[1，2]。上升的重点是为航天器配备具有先进的自主决策能力[3，4]。实现这一目标取决于使用自动化计划工具来减少人类参与并有效地处理复杂和不确定的环境。在航天器任务中实施车载计划机制带来了可观的好处，包括提高航天器的可用性，提高可靠性和降低地面部门的运营成本。尽管有潜力，但由于处理限制，Cubesats在分布式系统中面临着重大的任务计划挑战[5]。有效的能源管理是主要问题，因为它们依赖有限的太阳能电池板衍生的能源。 确保它们在这些约束中运行，同时保持空间的高可靠性强调了卫星操作中容错的重要性[6]。有效的能源管理是主要问题，因为它们依赖有限的太阳能电池板衍生的能源。确保它们在这些约束中运行，同时保持空间的高可靠性强调了卫星操作中容错的重要性[6]。
复杂地下作业中的决策支持
成功完成地下操作需要高度专业的功能和最新工具的准确计划。奥地利军事学院的研究小组旨在支持这些非常特殊的运营环境的决策，计划和培训。快速数据集成和可视化3D模型，计划，地图或激光扫描以及从地下结构内部的传感器和摄像机收集的操作员的信息提供了实际上通常无法进入安装的可能性。专业工具作为Boris（太空中的基于浏览器的方向）初始HTML模型，地下操作任务工具（SOMT）或快速隧道建模工具（FTMT），通过创建一个地下任务区域的虚拟双胞胎来改善快速可视化。在扩展现实（XR）应用程序中的改善空间逮捕大大改善了决策，并支持同步的任务计划和执行。由于地下服务结构和行动力的运营商之间的密切合作和信息交流是成功的先决条件，因此所有相关因素和参与者的整合将大大增加全面的合作。该项目通过在真正全面的共同操作图片中显示相关信息来增强共同的观点，从而实现更准确，更精确的动作，减少自身的损失和附带损害。
![arxiv：2407.00460v1 [cs.ai] 2024年6月29日](/simg/4\4f43cce67d295b5b9c973772f056066aa0df40c7.webp)
arxiv：2407.00460v1 [cs.ai] 2024年6月29日
自动驾驶汽车中的运动计划问题是计算上的[7]，通常分解为三个子问题[15]：（i）任务计划； （ii）行为计划； （iii）本地计划。图。1。在我们的自动驾驶汽车中，任务计划者接收起始位置，并确定自动驾驶汽车必须驾驶的车道顺序。此序列被转换为intents（例如在下一个十字路口右转），并将其发送给行为计划者以及环境表示。行为计划者然后生成一系列高级参数化驱动器操作，以导航环境朝着指定目标。当地规划师发现了一个平稳的轨迹，可满足所需的行为和舒适感。最后，车辆控制器使用轨迹来确定转向，油门和制动命令。行为计划的早期方法使用有限的状态机[13,18]。由于驾驶问题的固有复合物，这种系统通常很难维护。状态机器的组合将问题分解为子问题，可以减轻这种缺乏可维护性[17]。国家机器的产生层次结构通常引入了优先表的需求[14]，这是一个基于规则的系统也很熟悉的概念[5]。
WP-08设计基于认知案例的家庭服务机器人的计划框架
摘要 - 预计家庭服务机器人将执行在家庭环境中通常遇到的广泛任务。对于自主操作，应能够计划其行为以提前执行这些任务，并且至少应该能够计划在操作过程中进行其他任务。是由于环境中的可变性和不确定性，最好将机器人赋予基于学习的任务计划能力，该功能取决于人类机器人的影响（HRI）。我们采用一种基于案例的推理（CBR）方法来进行家庭服务 - 机器人学习，并对认知HRI范式进行评估，其中包括四个Cog-Nitive模型（需求，任务，交互和用户模型），以适应给定情况。给出了用户的新命令，机器人从已经存在的任务中找到了最接近的任务案例，以从计划开始并修改它（即动作序列）根据认知模型适应给定情况。为了促进我们CBR方法中使用的任务案例的可重复性和灵活性，机器人任务说明语言（RTDL）旨在使用原子行动分类法表示任务[1]。所提出的方法应用于“带我的可乐”场景，并在我们的机器人系统IDRO中实现。