XiaoMi-AI文件搜索系统
World File Search System凝视
驾驶舱内的视觉扫描策略受飞行员专业知识的调节：飞行模拟器研究
在飞行过程中，飞行员必须严格监控他们的飞行仪表，因为这是更新他们情况意识的关键活动之一。监控对认知要求很高，但对于在参数出现偏差时及时干预是必要的。许多研究表明，很大一部分商业航空事故与机组人员对驾驶舱的监控不力有关。眼动追踪研究已经开发出许多指标来检查艺术观赏、体育、国际象棋、阅读、航空和太空等领域的视觉策略。在本文中，我们建议使用基本和高级眼部指标来研究新手和飞行员的视觉信息获取、凝视分散和凝视模式。该实验涉及一组 16 名经过认证的专业飞行员和一组 16 名新手，他们在飞行模拟器中执行手动着陆任务场景。两组以不同难度着陆三次（通过双任务范式进行操控）。与新手相比，专业飞行员的感知效率更高（停留次数更多且更短）、注意力分布更佳、视觉注意力处于环境模式、视觉扫描模式更复杂更精细。我们通过基于余弦 KNN（K 近邻）的机器学习使用转换矩阵对飞行员的资料（新手 - 专家）进行分类。几个眼部指标也对着陆难度敏感。我们的研究结果可以帮助评估机组人员的监控绩效、改进初始和复训并最终减少因人为错误导致的事故和意外，从而使航空领域受益。
摘要书 - DDI2022
摘要：驾驶员注意力通常通过扫视行为来评估，通常是通过测量远离前方道路的扫视或直接测量对非驾驶相关目标的扫视。这种方法可用于检测分散注意力的事件，但它不会检查是否对所有与情境相关的目标进行了采样。在这里，我们评估了 MiRA 理论作为注意力评估基础的实用性。对 23 名驾驶装有仪器的车辆在城市路线上行驶的参与者进行了实地研究。参与者佩戴头戴式眼动仪。数据缩减包括识别需要采样的目标区域、是否对其进行采样以及是否存在相关或不相关的其他交通。此外，逐个凝视分析确定了凝视方向、目的和目标。正如预测的那样，驾驶员对所有需要将视线从前方移开的目标区域进行了采样。大致在前方的目标区域（如斑马线）可能是通过周边视觉进行采样的，但这无法通过所使用的设备可靠地确认。 发现视线方向分布与先验定义的要求非常吻合。并行要求数量越多，用于检查交通情况的视线份额就越大。相关交通比不相关交通受到更多的监控。并行要求数量越多，备用视觉容量就越少。名义上的视线目标识别与要求的联系较少。因此，我们建议“传统的”基于视线的注意力评估应与基于目的的视线评估协议以及与情况相关的预定义要求相结合。
关于非常高分辨率星载 SAR 的处理...
摘要 — 本文讨论了处理分米级分辨率的星载 SAR 数据时需要考虑的几个重要方面。特别是，本文将展示卫星在发送/接收线性调频信号期间的运动以及对流层的影响如何在未适当考虑的情况下使脉冲响应函数恶化。已研究的其他方面包括弯曲轨道、电子控制天线的阵列模式以及处理本身中的几个考虑因素。针对每个方面都提出了解决方案，并使用 TerraSAR-X 以 16 厘米方位角分辨率和 300 MHz 范围带宽获取的模拟点目标和凝视聚光灯数据阐述和验证了完整的聚焦方法。
公报 01.12.2025
“沙漠中的声音”王国就在眼前，内在和外在！愿圣诞节的和平与欢乐伴随你度过新的一年。当我深情地凝视、沉思、沉思时，这个无法言喻的神秘天堂（光）通过一只神圣的和平鸽进入处女/母亲的子宫/坟墓中的黑暗——我希望每个人都像一个曾经遇到过黑暗的人一样，在内心/外在遭遇过黑暗。“寻找，追随你的光，即使是一根小小的蜡烛，婴儿/婴儿，也能发出不可思议的光芒！”这位艺术家为我捕捉到了这一点！如此雄辩！“那些有眼睛可以看的人，让他们看吧！”——“
Happé理论 - Incrion Animation Task
抽象的思想理论（汤姆）是指将精神状态归因于其他人的认知能力。这种功能甚至扩展到精神状态的归因于具有简单几何形状的动画，例如Frith-Happé动画，其中两个三角形无目的地移动（随机条件）（随机条件），表现出纯粹的身体运动（目标为导向的条件），或者像一个三角形在一个三角形对其他三角形的心理状态（tom tom的状态）一样移动。尽管已经完全确立了人类的这种能力，但对非人类灵长类动物的研究产生了不一致的结果。这项研究探讨了一种高度社交的灵长类动物Marmosets（Callithrix Jacchus）如何通过研究凝视模式和脑部激活Marmosets和人类观察到这些动画的方式来处理Frith-Happé动画。我们透露，与其他条件相比，在TOM动画中的三角形上，Marmosets和人类都表现出更长的固定性。但是，我们没有观察到与人类在Marmosets中的TOM动画上更长的整体固定持续时间相同的模式。此外，我们的发现表明，在观看汤姆与随机动画时，两种物种都激活了广泛和可比的大脑网络，这表明摩尔摩人在与人类类似的情况下区分了这些情况。虽然马尔莫斯人没有模仿人类的整体固定模式，但它们的凝视行为和神经激活表明汤姆和非TOM场景之间有区别。这项研究扩展了我们对非人类灵长类动物认知能力的理解，阐明了Marmoset和人类之间的TOM处理的潜在相似性和差异。
解决从海底到……的复杂问题
全面的高超音速战略意味着要从进攻和防守两方面着手，制定全链条解决方案来应对这些先进威胁。凝视高空持续红外 (OPIR) 监视传感器可实时超视距探测高超音速威胁，从而延长交战时间并提示跟踪系统以实施射击解决方案。我们的 OPIR 监视系统可为最先进的导弹威胁提供弹性的太空导弹预警和跟踪。用于传感器部署的 C4ISR 空间和导弹作战模拟 (COSMOS) 建模工具套件可实现主动情报收集和高效资源分配，帮助最终用户了解完成工作所需的条件。
具有移动双通道接收器的多静态雷达网络
我们提出了一种雷达网络解决方案，该解决方案由低成本、小尺寸的双通道接收器组成，可部署在无人机上，并在现有合作或非合作单基地凝视雷达的覆盖范围内运行。所提出的接收器利用双通道设计，因此使用参考通道和监视通道进行连贯操作，而无需网络节点之间共享同步参考信号，这是传统多基地雷达网络解决方案的主要限制之一。这降低了接收器与发射器保持时间和频率同步的要求，这不仅简化了系统设计考虑，而且还能够利用机会性和非合作性传输源。
lami：多模式人类机器人互动的大型语言模型
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
俄勒冈州驾驶战略计划
在俄勒冈州建立了两种不同的饮酒损害。首先，可以通过一系列经过科学验证的路边测试（称为标准化的现场清醒测试（SFST）来证明损伤。这些包括水平凝视黑眼形（HGN），步行和转弯以及一个腿支架测试。俄勒冈州法规是指“损害对明显或可感知的程度”，可以通过这些测试来识别。俄勒冈州法规还设定了对血液酒精含量（BAC）的限制，这意味着如果他们的BAC为0.08G/ml或更高，则可以证明一个人会受到损害。本质的本质限制为0.08和SFST都是数十年的科学，研究和验证研究的结果，以确定酒精损害水平。传统上，DUII的信念是由这些证据串联的结合而产生的。