XiaoMi-AI文件搜索系统
World File Search System控制任务
利用大脑数据构建神经网络模型揭示与适应性行为相关的表征转换
人们认为，人类自适应地执行各种任务的能力源于认知信息的动态转换。我们假设这些转换是通过“连接中枢”的连接激活实现的。连接中枢是选择性整合感觉、认知和运动激活的大脑区域。我们利用最新进展，利用功能连接映射大脑区域之间的活动流，从认知控制任务期间的 fMRI 数据构建任务执行神经网络模型。我们通过模拟这个经验估计的功能连接模型上的神经活动流，验证了连接中枢在认知计算中的重要性。这些经验指定的模拟通过在连接中枢整合感觉和任务规则激活产生了高于偶然的任务表现（运动反应）。这些发现揭示了连接中心在支持灵活的认知计算中的作用，同时证明了使用经验估计的神经网络模型深入了解人类大脑认知计算的可行性。
Robot Trajectron：基于轨迹预测的机器人操作共享控制
摘要 — 我们解决了以下问题：(a) 根据动作开始的几秒钟预测手臂伸展运动的轨迹；(b) 利用该预测器帮助操作员预测运动方向，从而减少操作员的认知负荷，从而促进共享控制操作任务。我们新颖的意图估计器称为 Robot Trajectron (RT)，它根据机器人的近期位置、速度和加速度历史，生成机器人预期轨迹的概率表示。通过考虑手臂动力学，RT 可以比其他仅使用手臂位置的 SOTA 模型更好地捕捉操作员的意图，使其特别适合协助操作员意图易受变化的任务。我们推导出一种新颖的共享控制解决方案，将 RT 的预测能力与潜在到达目标位置的表示相结合。我们的实验证明了 RT 在意图估计和共享控制任务中的有效性。我们将在 https://gitlab.kuleuven.be/detry-lab/public/robot-trajectron 上公开提供支持我们实验的代码和数据
使用令牌级的加固学习，用于可控文本生成
为了满足现实世界应用的要求，控制几代大语言模型（LLMS）至关重要。先前的研究试图将强化学习（RL）引入可控制的文本生成中，而大多数现有的方法都遭受了过度拟合问题（基于芬太尼的方法）或半崩溃（后处理方法）。但是，当前的RL方法通常由粗粒（句子/段落级）的反馈引导，这可能导致由于语义曲折或句子中的序言而导致次优的表现。为了解决这个问题，我们提供了一种新颖的增强学习算法，名为Tole，该算法为Kenle Vel Rewards制定了可控的文本生成，并采用了“首次量化 - 涉及的”范式来增强RL算法的鲁棒性。此外，TOLE可以灵活地扩展到多个约束，而计算费用很少。实验结果表明，我们的算法可以在单属性和多属性控制任务上实现出色的性能。我们已在https://github.com/windylee0822/ctg上发布了代码。
引用本文：Cyrus K. Foroughi、Ciara Sibley、Noelle L. Brown、Ericka Rovira、Richard Pak 和 Joseph T. Coyne (2019)：在模拟监督控制环境中检测自动化故障，人体工程学，DOI：10.1080/00140139.2019.1629639
摘要 本研究的目的是确定个人在监控多个自动化可靠性不同的自动显示器时的表现和视觉注意力分配情况。96 名参与者完成了一项模拟监督控制任务，其中每个自动显示器的可靠性水平不同（即 70%、85% 和 95%）。此外，参与者还完成了高和低工作量条件。性能数据显示：(1) 参与者未能检测到自动化失误的概率大约是自动化误报的 2.5 倍，(2) 参与者在高工作量条件下的自动化故障检测更差，(3) 参与者的自动化故障检测在可靠性方面基本保持不变。眼动追踪数据显示，在整个实验期间，参与者将注意力相对均匀地分布在所有三个自动显示器上。这些数据共同支持将系统范围的信任方法作为个人监控多个自动显示器的默认立场。
在模拟监控中检测自动化故障...
摘要 本研究的目的是确定个人在监控多个自动化可靠性不同的自动显示器时的表现和视觉注意力分配情况。96 名参与者完成了一项模拟监督控制任务，其中每个自动显示器的可靠性水平不同（即 70%、85% 和 95%）。此外，参与者还完成了高和低工作量条件。性能数据显示：(1) 参与者未能检测到自动化失误的概率大约是自动化误报的 2.5 倍，(2) 参与者在高工作量条件下的自动化故障检测更差，(3) 参与者的自动化故障检测在可靠性方面基本保持不变。眼动追踪数据显示，在整个实验期间，参与者将注意力相对均匀地分布在所有三个自动显示器上。这些数据共同支持将系统范围的信任方法作为个人监控多个自动显示器的默认立场。
部分端到端强化学习，以抗鲁棒性，以防止建模自动赛车
摘要 - 在本文中，我们解决了在存在实用车辆建模错误（通常称为模型不匹配）的条件下导航时自动赛车的强化学习（RL）解决方案的性能（RL）解决方案的问题。为了应对这一挑战，我们提出了一种部分端到端算法，该算法可以解除计划和控制任务。在此框架内，RL代理会生成一个轨迹，该轨迹包括路径和速度，随后使用纯粹的追击转向控制器和优势速度控制器对其进行跟踪。相比之下，许多当前基于学习的基于学习的（即增强和模仿学习）算法使用了一种端到端方法，从而深层神经网络将传感器数据直接映射到控制命令。通过利用经典控制器的鲁棒性，我们的部分端到端驾驶算法比标准的端到端算法表现出更好的模型不匹配的鲁棒性。
迈向多模式BCI：外围控制对运动皮层活动和代理意识的影响
摘要 - 近年来，使用运动图像的大脑计算机界面（BCI）显示出一些局限性在控制质量方面。为了改善这项有前途的技术，一些研究旨在与其他技术（例如眼睛跟踪）开发混合BCI，这些技术显示出更可靠的可靠性。但是，在机器人控制中使用眼动仪可能会自身影响机构感（SOA）（SOA）和用于运动图像（MI）区域的大脑活动。在这里，我们探讨了代理意识与运动皮层活动之间的联系。为此，我们使用了投影在表面上的虚拟臂，该虚拟手臂由运动捕获控制或使用眼迹器凝视控制。我们发现，在凝视控制任务期间，电动机皮层有一项活动，并且对预计的机器人臂的控制会带来显着差异，这与观察机器人移动的情况有很大的差异。
即插即用监控，利用肌肉和脑信号进行实时手势和错误检测
摘要 在各种潜在的安全关键场景中，对机器人进行有效的人工监督是确保机器人正确运行的关键。本文通过结合两种人体生物信号流（分别通过 EMG 和 EEG 获得的肌肉和大脑活动），朝着快速可靠的人工干预监督控制任务迈出了一步。它展示了使用肌肉信号对左手和右手手势进行连续分类、使用脑信号（在观察到错误时无意识产生）对错误相关电位进行时间锁定分类，以及结合这些管道在多项选择任务中检测和纠正机器人错误的框架。以“即插即用”的方式评估由此产生的混合系统，其中 7 名未经训练的受试者监督执行目标选择任务的自主机器人。离线分析进一步探索了 EMG 分类性能，并研究了选择可能促进可推广的即插即用分类器的训练数据子集的方法。
ACM 参考格式：Abolfazl Lavaei、Bingzhuo Zhong、Marco Caccamo 和 Majid Zamani。2021 年。迈向值得信赖的人工智能：随机网络物理系统中未经认证控制器的安全管理架构。在网络物理系统的计算感知算法设计 (CAADCPS'21) 中，2021 年 5 月 19-21 日，美国田纳西州纳什维尔。ACM，美国纽约州纽约，2 页。https://doi.org/10.1145/3457335。3461705
1 摘要 基于人工智能（又称 AI）的控制器在信息物理系统（CPS）中被广泛应用以完成复杂的控制任务，因而在过去几年中受到了广泛关注。然而，保证配备此类（未经认证的）控制器的 CPS 的安全性和可靠性目前非常具有挑战性，这在实际许多安全关键应用中至关重要。为了解决这一困难，我们提出了一种 Safe-visor 架构，用于在随机 CPS 中对基于 AI 的控制器进行沙盒处理。所提出的框架包含（i）一个基于历史的监控器，它检查来自基于 AI 的控制器的输入并在系统的功能性和安全性之间做出妥协，以及（ii）一个安全顾问，当基于 AI 的控制器危及系统的安全时提供后备。通过采用这种架构，我们为可以用确定性有限自动机（DFA）的接受语言表示的那些类别的安全规范的满足提供了正式的概率保证，而基于人工智能的控制器虽然不可靠，但仍可以在控制回路中使用。
AIAA SciTech 论文
双人直升机副驾驶的拦截器。此外，还可以编程一种新型的拦截器脱钩，以便在拦截器受阻或飞行员之间发生力争时优先考虑一名飞行员控制站。通过实时测量力，如果两名飞行员在相反方向上施加的力超过指定的力阈值，则拦截器会自动脱钩。本文旨在研究在可控性方面仍然可以接受的自动拦截器脱钩的最大力阈值。为此，四名试飞员参加了双人直升机座舱内配备主动拦截器的地面模拟器的实验测试。通过低空飞行中的接管控制任务开发和验证了安全严重性范围。发现自动拦截器脱钩的最大力阈值在俯仰轴上为 30 N，即控制振动的最大力阈值至少与 2 级操纵品质相关。此外，实施了主动力衰减逻辑，并证明可有效减少自动拦截器脱钩期间的控制活动和直升机姿态变化。