XiaoMi-AI文件搜索系统
World File Search SystemFault
朝着错误的机器人，信任和时间persper
1 Ph.D.学生，印第安纳州西拉斐特市普渡大学土木工程学院。 电子邮件：chang803@purdue.edu 2印第安纳州西拉斐特市普渡大学建筑工程与管理本科研究助理。 电子邮件：aborowia@purdue.edu 3印第安纳州西拉斐特市普渡大学莱尔斯土木工程学院助理教授。 （通讯作者）电子邮件：sogandm@purdue.edu摘要将机器人介绍给未来的施工站点将施加额外的不确定性，并需要工人的情境意识（SA）。 虽然以前的文献表明，系统错误，信任变化和时间压力可能会影响SA，但这些因素与工人SA之间的联系在未来的建筑行业中进行了研究。 因此，这项研究旨在通过模拟未来的瓦工工人 - 机器人协作任务来填补研究空白，参与者在互动过程中经历了机器人错误和时间压力。 结果表明机器人错误会严重影响受试者对机器人的信任。 但是，在时间关键的施工任务下，工人倾向于恢复对错误的机器人（有时过度信任）的信任，并降低其情境意识。 这项研究的贡献在于为SA在未来的工作地点的重要性提供见解，以及为更好地准备未来工人做好准备的有效策略的需求。 简介机器人将是未来建筑行业不可或缺的一部分，而工人将与机器人互动。 因此，这个1 Ph.D.学生，印第安纳州西拉斐特市普渡大学土木工程学院。电子邮件：chang803@purdue.edu 2印第安纳州西拉斐特市普渡大学建筑工程与管理本科研究助理。电子邮件：aborowia@purdue.edu 3印第安纳州西拉斐特市普渡大学莱尔斯土木工程学院助理教授。（通讯作者）电子邮件：sogandm@purdue.edu摘要将机器人介绍给未来的施工站点将施加额外的不确定性，并需要工人的情境意识（SA）。虽然以前的文献表明，系统错误，信任变化和时间压力可能会影响SA，但这些因素与工人SA之间的联系在未来的建筑行业中进行了研究。因此，这项研究旨在通过模拟未来的瓦工工人 - 机器人协作任务来填补研究空白，参与者在互动过程中经历了机器人错误和时间压力。结果表明机器人错误会严重影响受试者对机器人的信任。但是，在时间关键的施工任务下，工人倾向于恢复对错误的机器人（有时过度信任）的信任，并降低其情境意识。这项研究的贡献在于为SA在未来的工作地点的重要性提供见解，以及为更好地准备未来工人做好准备的有效策略的需求。简介机器人将是未来建筑行业不可或缺的一部分，而工人将与机器人互动。因此，这个尽管机器人可以增强构建中的自动化，但这种合并可能会在工作场所施加额外的不确定性（例如，工人击中了一个机器人）（例如Jeelani和Gheisari 2022）。为了确保未来建筑工地的安全性，工人应在人类机器人相互作用期间对新引入的机器人进行情境意识（SA）。但是，本研究发现了对影响工人SA在未来建筑行业的因素的研究差距。文献提出了一些可能影响工人在未来建筑工地上的因素。例如，在研究人类无人机相互作用的研究中，LU和SARTER发现参与者将在知道无人机在检测任务中犯错误之后会减少对无人机的信任，并更多地关注他们（LU和SARTER 2020）。因此，机器人的错误和信任水平的变化可能会影响工人的注意力分配和机器人的SA。另一方面，在研究时间压力对工人冒险行为的影响的研究中，Pooladvand和Hasanzadeh确定了他们在压力下忽略潜在危害的趋势（Pooladvand and Hasanzadeh 2022）。也就是说，时间压力可能会迫使工人专注于任务，同时忽略处境了解机器人。但是，这些因素与SA之间的联系尚未在未来的建筑行业的背景下进行调查。
具有表面编码的容错量子网络
摘要 — 量子网络是在物理上分离的量子处理器之间传输以量子比特或量子位编码的信息的手段。鉴于量子位的不稳定性，这种网络的设计具有挑战性，需要在可靠性和效率之间取得谨慎的平衡。通常，量子网络分为两类：利用量子纠缠进行量子隐形传态的网络和直接传输量子信息的网络。在本文中，我们介绍了 SurfaceNet，这是第二类量子网络，它使用表面代码作为逻辑量子位来保存和传输信息。我们使用表面代码的方法可以容错地纠正网络内的操作和光子丢失错误。我们提出了一种新颖的单向量子通信程序，旨在更好地将表面代码集成到我们的网络架构中。我们还提出了一种高效的路由协议，可以优化通信过程的资源利用率。模拟结果表明，SurfaceNet 显著提高了整体通信保真度。
ERASER：面向容错量子计算的自适应泄漏抑制
量子纠错 (QEC) 代码可以通过使用冗余物理量子位编码容错逻辑量子位并使用奇偶校验检测错误来容忍硬件错误。当量子位离开其计算基础并进入更高能量状态时，量子系统中会发生泄漏错误。这些错误严重限制了 QEC 的性能，原因有两个。首先，它们会导致错误的奇偶校验，从而混淆对错误的准确检测。其次，泄漏会扩散到其他量子位，并随着时间的推移为更多错误创造途径。先前的研究通过使用修改 QEC 代码奇偶校验电路的泄漏减少电路 (LRC) 来容忍泄漏错误。不幸的是，在整个程序中始终天真地使用 LRC 并不是最优的，因为 LRC 会产生额外的两量子位操作，这些操作 (1) 促进泄漏传输，并且 (2) 成为新的错误源。理想情况下，只有在发生泄漏时才应使用 LRC，以便同时最小化泄漏和额外 LRC 操作产生的错误。然而，实时识别泄漏错误具有挑战性。为了能够稳健而高效地使用 LRC，我们提出了 ERASER，它推测可能已泄漏的量子比特子集，并且仅对这些量子比特使用 LRC。我们的研究表明，大多数泄漏错误通常会影响奇偶校验。我们利用这一见解，通过分析失败的奇偶校验中的模式来识别泄漏的量子比特。我们提出了 ERASER+M，它通过使用可以将量子比特分类为 | 0 ⟩ 、 | 1 ⟩ 和 | 𝐿 ⟩ 状态的量子比特测量协议更准确地检测泄漏来增强 ERASER。与始终使用 LRC 相比，ERASER 和 ERASER+M 分别将逻辑错误率提高了多达 4.3 × 和 23 ×。
无源耐受性的增强神经Lyapunov控制法律的系统综合非线性系统
摘要 - 执行器故障可能会危害控制系统的性能和闭环稳定性。执行器与适当控制定律结合使用可以提高系统对效率丧失或障碍的弹性。被动故障控制（FTC）系统旨在设计独特的控制定律，并在名义和故障场景中保证稳定性。在这项工作中，一种新型基于机器学习的方法是为由执行器故障影响的系统系统合成控制法的，同时正式认证闭环稳定性的。学习体系结构训练两个人工神经网络，一个代表控制定律，另一个类似于控制Lyapunov功能（CLF）。同时，使用满意度模型理论求解器来证明所获得的CLF正式保证Lyapunov条件。该方法用于两种情况，一种涵盖了具有冗余执行器的倒摆的稳定，而另一种则涵盖了自主水下车辆的控制。该框架显示能够通过最小的高参数调整以及有限的计算资源来合成线性和非线性控制定律。
印度电动汽车可靠性故障树分析
近几十年来，电动汽车创新发展迅速。这些汽车的大规模商业使用仍然受到可靠性相关问题的制约。通过利用故障树 (FT) 和蒙特卡罗模拟，创建了一个数学原型，其中包括车辆系统所有主要电气部件的可靠性特性，包括电池、电机、驱动器、控制器。研究表明，通过提高部件恢复率，可以提高车辆的生存能力。对这个范例进行了彻底的讨论，并基于电动汽车对可靠性估计进行了介绍和分析。本文概述的思想可以支持这项关于电动汽车可靠性设计和维护的研究。此外，本研究的结果可能对电动汽车制造者有所帮助，特别是在升级部件效率和规划提高可靠性时。
基于规范的测试的故障类别和错误检测能力
对于软件来说，情况类似，但是可能出现的故障类别要多得多。由于实现与其规范之间的差异是人为错误的结果，因此某些类型的故障几乎无法提前预测。尽管如此，还是可以假设某些故障类别，并构建测试集来检测它们。Weyuker 等人 [1994] 和 Richardson 和 Thompson [1988; 1993] 定义的故障类别如下：变量引用故障——布尔变量 x 被另一个变量 y 替换，x → y；变量否定故障——布尔变量 x 被 x → 替换；表达式否定故障——布尔表达式 p 被 p → 替换；关联移位错误——一个布尔表达式被一个变量之间关联的表达式所替换，例如，将 x ∧ � y ∨ z � 替换为 x ∧ y ∨ z ；运算符引用错误——一个布尔运算符被另一个运算符替换，例如，将 x ∧ y 替换为 x ∨ y 。Vouk et al. [1994] 定义了其他类型的错误：不正确的关系运算符、不正确的括号、不正确的算术表达式、多余的二元运算符、缺少二元运算符。实验结果已用于评估各种测试生成方法的有效性[Ammann et al. 1998; Foster 1984; Offutt and Liu 1997; Vouk et al.1994; Weyuker et al. 1994]，尽管考虑的故障类别都是从规范中得出的，并且一些实现故障可能并不完全适合
MAKO 无人机飞行模拟用于数据驱动的故障诊断
过去十年，各种用途的无人机数量迅速增加。这促使监管机构急于制定安全的整合战略，以适当共享空域的利用率。处理故障和失效是关键问题之一，因为它们在可用的事件报告中占了更大的比重。这些小型飞行器的硬件限制表明，需要使用分析冗余，而不是常规飞行中通常的硬件冗余做法。在本研究过程中，回顾了飞机的故障检测和诊断。然后模拟了 MAKO 飞机的非线性模型，以生成故障和正常飞行数据。该平台能够为各种飞行条件生成数据，并设计用于故障检测和诊断的机器学习实现。