XiaoMi-AI文件搜索系统
World File Search SystemCooperative
基于深层学习的联合缓存和合作MEC
摘要 - 新应用程序的出现导致对移动边缘计算（MEC）的需求很高，这是一个有希望的范式，在网络边缘部署了类似云的架构，以向移动用户（MUS）提供计算和存储服务。由于MEC服务器与远程云相比的资源有限，因此在MEC系统中优化资源分配并平衡合作MEC服务器之间的负载至关重要。MEC服务器的不同类型计算服务（CSS）的缓存应用数据也可能是高度好处的。在本文中，我们调查了合作MEC系统中层次结构缓存和资源分配的问题，该系统被称为有限的Horizon成本成本最小化Markov决策过程（MDP）。为了处理大型状态和动作空间，我们将问题分解为两个耦合的子问题，并开发了基于分层的增强学习（HRL）基于基于的解决方案。下层使用深Q网络（DQN）来获取流量决策的服务缓存和工作量，而上层则利用DQN来获得合作MEC服务器之间的负载平衡决策。我们提出的方案的可行性和有效性通过我们的评估结果验证。
连接，合作和自动移动路线图
以下所有列出的用例需要以不同的方式提供基础设施支持，需要根据社会需求和市场采用机会进行评估，因此可以得出大规模演示的优先事项。此外，将提供有关技术成熟度的差异化，以区分靠近部署的创新，并且是大规模和开发用例的明确候选人，在部署之前仍需要几年的时间，并且在部署之前可能需要几年的候选人，因此在有限的研究用例中可能会提供小规模的研究用例。大规模演示项目后会留下什么？此类演示项目的目标是，应支持技术标准化以及类型的批准以及道路法规以及所有运营方面，包括需要解决物流部门的利益相关者之间的合作模型，应沿着演示开发，以为用户和基础设施提供可信赖的框架，并为用户以及流动性和物流公司提供价值。最后，演示站点在演示项目以良好的见解为用户和社会的价值流提供了良好的见解之后，将具有可持续的改善状况，因此在商业部署部分服务的部分服务后，为理想的直接做好了准备。
概率3D多对象合作跟踪，用于自动驾驶通过可区分的多传感器kalman filter
摘要 - 当前的最新自动驾驶车辆主要依靠每个传感器系统来执行感知任务。这样的框架的可靠性可能会受到阻塞或传感器故障的限制。为了解决这个问题，最新的研究建议使用车辆到车辆（V2V）通信与他人共享感知信息。但是，大多数相关的作品仅着眼于合作探测，并让合作社跟踪一个未充满刺激的研究领域。最近的一些数据集（例如V2V4Real）提供3D多对象合作跟踪基准。但是，他们提出的方法主要使用合作检测结果作为标准单传感器Kalman滤波器基于基于Kalman滤波器的跟踪算法的输入。在他们的方法中，可能无法正确估计来自不同连接的自动驾驶汽车（CAVS）的不同传感器的测量不确定性，以利用基于卡尔曼滤波器的基于卡尔曼滤波器的跟踪算法的理论优化属性。在本文中，我们提出了一种新颖的3D多对象合作跟踪算法，用于通过可区分的多传感器卡尔曼滤波器自动驾驶。我们的算法学会了每种检测的测量不确定性，以更好地利用基于卡尔曼滤波器基于卡尔曼滤波器的跟踪方法的理论属性。实验结果表明，与V2V4REAL中最新方法相比，我们的算法仅用0.037倍的通信成本提高了17％的跟踪精度。我们的代码和视频可在URL和URL上找到。
务实的指导以下和目标辅助通过合作语言引导的逆计划
人们经常提供指示，其含义在没有进一步上下文的情况下是模棱两可的，期望自己的行为或目标会脱离意图。我们如何以灵活的上下文敏感的方式建立以下说明的辅助代理？本文介绍了合作语言引导的逆计划搜索（剪辑），这是一种贝叶斯代理体系结构，用于实用教学和目标帮助。我们的经纪人通过将他们作为合作计划者建模，以协助他们将联合计划传达给助手，然后使用大型语言模型（LLMS）对人类的目标进行多模式的贝叶斯对人类的目标进行推断，以评估鉴于一个假设的计划，以评估指令的可能性。鉴于这一后部，我们的助手采取行动为小型的预期目标实现成本，使其能够务实地遵循模棱两可的指示，并在不确定目标的情况下提供有效的帮助。我们在两个合作计划域（门，钥匙，宝石和virtualhome）中评估了这些功能，发现剪辑的剪辑极大地超过了GPT-4V，基于LLM的文字教学，并在准确性和帮助方面都在同时及其辅助审判者和助手审判者提供了匹配的准确性和帮助，并在准确性和帮助方面都具有相反的作用。
使用策略图
摘要：在过去几年中，基于人工智能（AI）的算法迅速增加。但是，AI技术的某些方面受到了严格的审查。例如，在许多用例中，尚不清楚算法的决定是否得到充分了解并符合人类的理解。有解决这些问题的方法在许多领域至关重要，尤其是每当人类和聪明的（物理或虚拟）代理必须在共同的环境中合作时。在本文中，我们基于基于策略图（PG）基于离散谓词的创建（PG）的解释性方法，这些谓词表示并解释了在多机构合作环境中训练有素的代理商的行为。我们表明，从这些策略图中，可以自动生成替代解释剂的策略。这些策略可用于测量PGS通过原始不透明代理和替代物之间进行公平的行为比较来衡量解释的可靠性。The contributions of this paper represent the first use case of policy graphs in the context of explaining agent behaviour in cooperative multi- agent scenarios and present experimental results that sets this kind of scenario apart from previous implementations in single-agent scenarios: when requiring cooperative behaviour, predicates that allow representing observations about the other agents are crucial to replicate the opaque agent's behaviour and increase the reliability of explanations.
稀疏奖励的合作多代理增强学习
∙第一作者：Minkyoung Kim，通讯作者：Minkyoung Kim *Minkyoung Kim（kmk0224@hanwha.com），Infra Technology R＆D Systems，Hanwha Systems∙收到：2023。11。23，修订：2023。12。28，接受：2023。12。28。
合作多个机器人操纵器的线性/非线性PID控制：强大的方法A.
摘要：在本文中提出了协作机器人系统的职位/力量控制有效载荷的问题。所提出的方法必须能够在参考轨迹上维护有效载荷的方向/位置，同时通过机器人的末端效应器将有限的力量应用于对象。考虑到这一点，已经提出了线性/非线性PID控制方案，以实现准确稳健的跟踪性能。Lyapunov的稳定性分析用于确认受控系统的稳定性。证明受控系统是稳定的，而对象的方向/位置跟踪误差最终在任何有限的状态空间区域中最终限制为边界（UUB）。它还提供了一些条件，以正确选择以两个定理的形式选择线性/非线性PID控制器的增益。建议的控制器适用于两个配备有效载荷的协调3DOF机器人臂。模拟结果测试了两种类型的轨迹，包括简单和复杂的路径。还将结果与最先进的近似值（Chebyshev神经网络（CNN））的结果进行了比较。
合理优化微生物加工以实现高产 CO2 至异丙醇转化：合作研究与开发最终报告，CRADA 编号 CRD-20-17114
本作品是作为美国政府机构赞助工作的记录而编写的。美国政府及其任何机构、其任何雇员、其任何承包商、分包商或其雇员均不对所披露的任何信息、设备、产品或流程的准确性、完整性或任何第三方的使用或此类使用的结果做任何明示或暗示的保证，也不承担任何法律责任或义务，也不表示其使用不会侵犯私有权利。本文以商品名、商标、制造商或其他方式提及任何特定商业产品、流程或服务，并不一定构成或暗示美国政府或其任何机构、其承包商或分包商对其的认可、推荐或支持。本文表达的作者的观点和意见不一定代表或反映美国政府或其任何机构、其承包商或分包商的观点和意见。
航空的实时合作轨迹计划 -
空中系统系统的抽象合作轨迹计划是一个基本且具有挑战性的问题，旨在利用航空信息来协助地面任务。现有方法通常遭受次优轨迹或计算负担。在本文中，我们讨论了空中系统的合作轨迹计划，在该系统中，无人接地车辆（UGV）在无人驾驶汽车（UAV）的协助下实时计划其当地轨迹。首先，UAV使用非线性模型预测控制（NMPC）生成指导轨迹，该模型将障碍物分布密度视为反映多个障碍对UGV的耦合效果的因素，从而避免了局部最小值问题并改善了计划轨迹的可行性。其次，采用基于空空间的行为控制（NSBC）框架将指导轨迹合并到UGV自己计划的任务中。最后，为UGV开发了一个事件触发任务主管，以决定所有任务的优先级，这降低了传统基于规则的任务主管带来的任务优先级的切换频率。模拟和实验结果都表明，就轨迹误差，在线计算时间和任务执行的成功率而言，所提出的方法具有出色的轨迹计划性能。