XiaoMi-AI文件搜索系统
World File Search System操纵
最小的破坏性合作巷改变操纵
摘要 - 如果没有邻近的汽车的合作，在拥挤的高速公路上进行的换车行动可能会严重破坏甚至是不可行的。但是，与其他车辆的合作不能保证执行的操纵不会对交通流的负面影响，除非合作控制器设计中明确考虑它。在这封信中，我们为公路上任意数量的骑士的合作车道换行操作提供了一个符合社会符合的框架，旨在尽可能地中断交易。此外，我们通过使用Reachabil-Ity集理论明确地在优化公式中施加了可行性约束，从而导致了一项统一的设计，该设计消除了对先前工作中使用的迭代过程的需求。我们对框架的有效性进行了定量评估，并将其与先前提供的方法相比，就操纵时间和吞吐量破坏而言。
人工智能系统中的行为和偏好操纵问题
简介现代社会中数据收集可能性的增加意味着统计人工智能 (AI) 或机器学习 (ML) 通常用于了解用户的偏好，以便更好地（有时是为了用户，有时是为了系统所有者）为他们提供某些服务。偏好可以通过直接询问受试者（陈述偏好）来直接了解，也可以通过称为显示偏好理论 (RPT) (Varian 2006) 的过程推断出来。这两种方法都存在一系列局限性，这些局限性已被实验经济学家和心理学家随着时间的推移所证明。一组限制大致属于“非理性”行为或信念的范畴。例如，Gui、Shanahan 和 Tsay-Vogel (2021) 讨论了用户在平衡相互冲突的短期和长期偏好时行为不一致的现象。偏好在不同情境之间可能不是静态的；群体内人士的社会规范（Cialdini 和 Trost 1998）可能与他们通过数字行为显露的个人偏好相悖。不同情况下的多种偏好的存在提出了一个问题：决策者应该选择行为中“显露”的哪种偏好作为“真实”偏好或“规范”偏好（Beshears 等人 2008）。决策者也可能会犯错误（Nishimura 2018），容易受到各种环境影响，如框架（Tversky 和
数字感是操纵大脑的一种新兴特性
近年来，人工智能取得了长足进步，然而，大多数系统仍然难以推广。在这项工作中，我们探索了一个模型，该模型可以重现人类通过无监督的日常经验获得“数字感”的能力。理解和操纵数字和数量的能力在童年时期就出现了，但人类获得和发展这种能力的机制仍然知之甚少。特别是，我们不知道在没有老师监督的情况下是否有可能获得这种数字感。我们通过一个模型来探索这个问题，假设学习者能够拾取和放置小物体，并会自发地进行无方向的操作。我们进一步假设学习者的视觉系统将监控场景中物体的变化排列，并将学会通过将感知与运动系统的传出信号进行比较来预测每个动作的影响。我们使用标准深度网络对感知进行建模，以进行特征提取和分类，以及梯度下降学习。我们的主要发现是，从学习不相关的动作预测任务中，出现了一种意想不到的图像表征，其表现出预示着数字和数量的感知和表征的规律。这些包括零和前几个自然数的不同类别、数字的严格排序以及与数值相关的一维信号。因此，我们的模型获得了估计数量（即场景中物体的数量）的能力，以及速算能力，即一眼就能识别小场景中物体的确切数量的能力。值得注意的是，速算和数量估计可以推断到包含许多物体的场景，远远超出训练期间使用的三个物体。我们得出结论，数字和数量能力的重要方面可以在没有老师监督的情况下学习。我们的观察表明，跨模态学习（这里是操纵教学感知）是一种强大的学习机制，可以在人工智能中加以利用。
CISLUNAR轨迹维护的生命和操纵检测模式
对Cislunar操作的兴趣增加需要将太空域的意识能力扩展到地球的地球范围内。成功的太空领域意识需要对空间对象行为的知识和分类。此信息可以用作未来和当前任务计划的决策工具。通过发展描述性生活模式来获取空间对象行为的信息的方法。生活的描述模式从空间对象建立了一组预期的动作或运动。这项研究开发了生活的描述性电气化模式，用于在Earth-moon系统中L1和L2 Lagrange点附近重复自然轨迹。a L 2最佳模型预测控制和冲动控制器被实现，以在高层象征的模型中维护所需的轨迹。证明了基于最佳控制的估计器可检测电气维持操作，并实现了一级支持向量分类器，以确定空间对象相对于既定的固定存储模式的空间对象的异常行为。
TEV蛋白酶的工程进行生物系统操纵
Abbreviations: Alzheimer's Disease (AD), amnestic Mild Cognitive Impairment (aMCI), Healthy Controls (HCs), Healthy Volunteers (HVs), fatty acids (FAs), polyunsaturated fatty acids (PUFAs), monounsaturated fatty acids (MUFAs), saturated fatty acids (SFAs), High- Affinity Binders (HABs), Mixed-Affinity Binders (MABs), Low-Affinity Binders (LABs), central nervous system (CNS), 18-kDa Translocator Protein (TSPO), region(s) of interest (ROIs), N-acetyl-N-(2-[18F]fluoroethoxybenzyl)-2-phenoxy-5-pyridinamine ([18F]-FEPPA), positron排放断层扫描（PET），白介素（IL），细胞因子（CK），eicosapentaenoic酸（EPA），Docosahexaenoic（DHA），亚油酸（LA），亚麻酸（LNA），thumor Necrosis Necrosis-necrosis-α（TNF-α）（TNF-α），Interlecin inner interlies Interlies intre inur-inter-inter-inur-1b（beinter-neur-1b（IL-1B）， - 1B（IL-1B），1B（iil-1B），1B（iil-1b），1B（iil-1b），1B（iil-1B） （BDNF）和肿瘤生长因子-B（TGF-B）。
机器人：一个大规模的野外机器人操纵数据集
Alexander Khazatsky ∗, 1, Karl Pertsch ∗, 1, 2, Suraj Nair 1, 3, Ashwin Balakrishna 3, Sudeep Dasari 1, Siddharth Karamcheti 1, Sorous Nasiranya 5, Mohan Kumar Srirama 4, LawprenCe Yunliang Chen 2, Kirsty Ellis 6, Peter David Fagan 7, Joey Hejna 1, Masha Itkina 3, Marion Lepert 1, Jason Ma 14, Patrick TREE Miller 3, Jimmy Wu 8, Suneel Belkhale 1, Shivin Dass 5, Huy Ha 1, Abraham Lee 2, Youngwoon Lee 2, 16, Arhan Jain 9, Marius Memmel 9, Sungjae Park 10, Ilija Radosavovic 2, Kaiyuan Wang 11，Albert Zhan 6，Kevin Black 2，Cheng Chi 1，Kyle Hatch 3，San Lin 11，Jingpei Lu 11，Abdul Rehman 7，Pannag r Sanketi 12，Archide Sharma 1，Cody Simpson 3，Cody Simpson 3，Quan Vuong 12，Quan Vuong 12，Quan Vuong 12，Homer Walke 2，Blake Wulfe 3，Blake Wulfe 3，Te Xiao 12 Z. Charlotte Le 2, Yunshuang Li 14, Kevin Lin 1, Roy Lin 2, Zehan Ma 2, Abhiram Maddukuri 5, Suvir Mirchandani 1, Daniel Morton 1, Tony Nguyen 3, Abby O'Neill 2, Rosario Scalise 9, Derick Seale 3, Victor Son 1, Stephen Tian 1, Andrew Wang 2, Yilin Wu 4, Annie XIIE 1，Jingyun Yang 1，Patrick Yin 9，Yunchu Zhang 9，Osbert Bastani 14，Glen Berseth 6，Jeannette Bohg 1，Ken Goldberg 2，Abhinav Gupta 4，Abhishek Gupta 9，Abhishek Gupta 9，Dinesh Jayaraman 14 Rammamoorthy 7，Dorsa Sadigh 1，Shuran Song 1，15，Jiajun Wu 1，Yuke Zhu 5，Thomas Kollar 3，Sergey Levine 2，Chelsea Finn 1
操纵人体工程学和机器人手术 - 叙事评论
屏幕靠近手（4）。其他可视化符合人体工程学的考虑因素包括立体声音，感觉齐射，视觉空间能力和视觉疲劳。外科医生的物理分离是Rs期间流动中断（FDS）的主要贡献者，这可能会导致错误率提高（5）。可能会反对FD的干预措施包括团队培训，更好的手术室空间配置，带读书的标准化沟通分类，技术实施，支持弹性和使用清单。机器人援助对认知工作量的影响很复杂（6）。更好相关的姿势，可视化和操纵人体工程学可能会促进将认知资源委派给身体任务的需求，但是这可能会被降低与身体分离，沟通困难，控制更多工具，有限的视野和缺乏具有相认为的反馈相关的情境意识所抵消。机器人系统通过具有七个自由度（DOF），支点消除，震颤过滤和运动缩放的铰接仪器提供了更好的操纵人体工程学（7）。与LS相比，这些机器人操纵益处的存在已被证明可使右手的灵巧性增加55％，而左手的灵巧性增加了45％（8）。在模拟设置中，具有二维视觉的机器人缝合任务中的基于技能的中值错误从腹腔镜缝合任务中的23个下降到8.5。这些因素可能会影响研究中研究的有效性。目标关于机器人系统操纵益处的研究主要是在模拟设置中进行的，并使用运动学数据和不同经验水平的外科医生的工作时间进行了评估。
探索双人机器人操纵中的主动视力
摘要 - 模仿学习在使用相机的视觉反馈执行高精度操纵任务方面具有巨大的潜力。但是，在模仿学习的常见实践中，将摄像机固定在适当的位置，从而导致遮挡和有限的视野等问题。此外，摄像机通常被放置在宽阔的一般位置，而没有特定于机器人任务的有效观点。在这项工作中，我们研究了主动视力（AV）对模仿学习和操纵的效用，在该工作中，除了操纵政策外，机器人还从人类的演示中学习了AV政策，以动态地改变机器人的相机观点，以获取有关其环境和给定任务的更好信息。我们介绍了AV-Aloha，这是一种带有AV的新型双层远程处理机器人系统，AV的扩展是Aloha 2机器人系统的扩展，并结合了一个仅携带立体声摄像机的额外的7多型机器人臂，仅负责找到最佳视图点。此相机将立体视频流向戴着虚拟现实（VR）耳机的操作员，使操作员可以使用头部和身体运动来控制相机的姿势。该系统提供了具有双层第一人称控制的身临其境的远程操作体验，从而使操作员能够动态探索和搜索场景并同时与环境进行交互。我们在现实世界和模拟中对系统进行模仿学习实验，这些任务强调观点计划。项目网站：https：//soltanilara.github.io/av-aloha/我们的结果证明了人类引导的AV在模仿学习中的有效性，显示了可见性有限的任务中固定相机的显着改善。
基于知识蒸馏的机器人 - 对象操纵失效预期
摘要 - 自主服务机器人应能够安全地与环境进行交互。但是，由于几个因素，包括感知错误，操纵失败或意外的外部事件，执行结果并不总是预期的。虽然大多数目前的研究强调检测和分类机器人失败，但我们的研究将其重点转移到了这些失败发生之前的重点。潜在的想法是，通过预测早期的潜在失败，可以采取预防措施。为了解决这个问题，我们提出了一个基于知识蒸馏的新型失败预期框架。该系统利用视频变压器，并结合了一种传感器融合网络，旨在处理RGB，深度和光流数据。我们评估方法对失败的有效性，现实世界机器人操纵数据集。实验结果表明，我们提出的框架的F1得分为82.12％，突出了其预测机器人执行失败的能力，最高可提前一秒钟。