XiaoMi-AI文件搜索系统
World File Search SystemRobots
“你能成为我的妈妈吗？”：在大型语言模型时代操纵社交机器人
由大型语言模型提供支持的机器人的最新进步增强了他们的对话能力，使互动能够紧密相关。但是，这些模型在HRI中引入了安全和保障问题，因为它们容易受到操纵的影响，该操作可以绕过内置的安全措施。想象一个部署在房屋中的社交机器人，旨在了解日常用户如何试图利用语言模型来违反道德原则，例如促使机器人像生活伴侣一样行事。我们进行了一项试点研究，其中涉及21名与雾化机器人互动的大学生，试图根据特定的HRI伦理原则在三种情况下绕过其安全机制：依恋，自由和同情。我们的结果表明，参与者采用了五种技术，包括使用情感语言对可怜的侮辱和吸引力。我们希望这项工作能够构成未来的研究，以设计强大的保障措施，以确保道德和确保人类机器人的互动。
网上约会和爱情机器人：科技如何破坏浪漫爱情的宝贵特征
3 Amia Srinivasan 在《伦敦书评》上撰文，也讨论了约会应用程序上的种族和其他性偏好问题。在讨论男同性恋者使用的应用程序 Grindr 时，Srinivasan 写道：“Grindr 本质上鼓励其用户根据粗略的身份标记将世界划分为可行的性对象和不可行的性对象——以性‘破坏者’和‘要求’的角度来思考。通过这样做，Grindr 只是加深了我们性欲已经沿着的歧视性轨道前进”（Srinivasan 2018）。
操纵图像将用户说明传达给机器人
摘要 - 发现模型正在迅速改善机器人在自动执行日常任务（例如膳食准备）中的可容纳能力，但是由于模型性能，捕获用户偏好的难度以及对用户代理的需求，人类仍需要指示人类指导机器人。机器人可以使用各种方法指导 - 自然语言传达了即时的说明，但可以是抽象的或模棱两可的，而最终用户编程则支持更长的地平线任务，但接口面临捕获用户意图的困难。在这项工作中，我们建议将图像直接操纵作为替代范式来指导机器人，并介绍一个名为ImageInthat的特定实例化，该实例化允许用户在时间表式接口中对图像进行直接操纵，以生成机器人指令。通过用户研究，我们演示了ImageInthat在厨房操作任务中指导机器人的功效，并将其与基于文本的自然语言指令方法进行比较。结果表明，参与者使用ImageInthat的速度更快，并且更喜欢在基于文本的方法上使用它。补充材料，包括代码，请参见：https：//image-in-that.github.io/。索引术语 - 用户机器人编程，直接操纵，机器人指令
机器人、人工智能和移民：人才争夺战还是工人流离失所战
技术变革和创新并非近来才出现的现象：自石器时代以来，它们就一直是人类进化的一部分。虽然在人类发展的早期，技术变革主要局限于与狩猎、食物采集和准备以及生存有关的工具，但随着时间的推移，技术推动了许多变革。例如，电力、飞机、电话和电视的发明，以及核裂变等。更近的例子是第二次世界大战后开始的数字革命，包括互联网和个人电脑、社交媒体、智能手机和数字电视。技术变革可以产生总体积极的福利效应，但可能会对社会中的某些群体产生比其他群体更负面的影响。经济学家通常将技术变革定义为
建议引用：Santarelli, Enrico；Staccioli, Jacopo；Vivarelli, Marco (2021)：机器人、人工智能和相关技术：新知识库的映射，LEM 工作论文系列，第 2021/01 号，Scuola Superiore Sant'Anna，经济与管理实验室 (LEM)，比萨
3 套用 David 和 Wright (1999) 的话，这个问题也可以这样问：机器人技术与人工智能的关系是否相当于发电机与电气化的关系？事实上，对于 David 和 Wright (1999) 来说，发电机代表着 Bresnahan 和 Trajtenberg (1985, p. 84) 意义上的“使能技术”，即一种“开辟新机遇而不是提供完整、最终解决方案”的新设备。
服务中的人工智能和机器人
我们认为，我们的经济正面临历史的转折点，类似于始于 18 世纪的制造业工业革命。快速改进的技术变得更智能、更强大、更小、更轻便和更便宜。这些技术包括传感器、摄像头、语音处理、图像处理、生物识别、分析、移动和云技术、地理标记等，并且越来越多地由人工智能 (AI) 驱动。我们坚信，这些技术将共同改变几乎所有服务业。特别是服务机器人（虚拟和物理服务机器人）的出现与这些技术相结合将带来快速创新，有可能同时显着改善客户体验、服务质量和生产力（Wirtz 和 Zeithaml 2018）。自动化的服务交互使个性化、更高效和更有效的服务成为可能。此外，它们还可以让员工有更多时间从事更多人际、创造性和复杂的服务活动（Huang and Rust 2018）。这些技术几乎可以以零增量成本提供可扩展的服务产品（Wirtz et al 2019）。
人形机器人中的运动控制
温带管理和空间的平衡导致平衡功率阶段与每个尺寸的瓦特相关，这会影响电源阶段的体系结构。可能出现的一个问题是，如果功率阶段需要以较高的频率工作。此问题通常存在于MOSFET中，但是与基于MOSFET的系统相比，GAN FET等新技术也可以提高开关性能。对于温度敏感的系统，GAN FET具有较高的理论效率，因为与MOSFET技术相比，切换损耗很小。频率增加会导致需要在MCU中进行其他功能，以支持在高度分辨率下实现更高频率切换所需的所需信号。
一种用于动态目标跟踪的新型MPC公式，搜索和救援机器人的面积覆盖率增加
抽象机器人越来越多地部署用于搜索和救援（SAR），以加快灾难后救出受害者的救助。这些机器人需要有效的任务计划方法，以确定时间和空间良好的轨迹，在处理不确定性的同时，将它们更快地转移到了（移动）受害者的同时。模型预测控制（MPC）是一种有效的基于优化的控制方法，用于沿着由高级控制器确定的参考轨迹引导机器人。直接通过MPC直接确定机器人的轨迹具有优化多个SAR标准的优势，同时处理约束。因此，当没有提供参考轨迹时，我们为室内SAR机器人提供了一种基于MPC的路径计划方法，该方法允许机器人系统地追逐移动的受害者。所提出的方法结合了面向目标的和面向覆盖的搜索，并通过部署基于强大的管子的MPC公式，可以系统地处理环境不确定性。此外，我们通过采用现有的疏散模型来对受害者的MPC运动进行建模。我们使用凉亭，MATLAB和ROS提出了一个案例研究，其中评估了所提出的MPC控制器的性能与四种最新方法（两种基于MPC和A*的目标方法和两种针对面积覆盖的启发式算法的方法）。结果表明，尽管对不确定性进行了强大的努力，但我们的总体方法在受害者发现，区域覆盖范围和任务时间方面总体上优于其他方法。
llm个性化：通过加强管家机器人的加强自我训练将LLM计划者与人类的偏好保持一致
大型语言模型（LLMS）通过利用其语言理解和文本生成功能来显示机器人应用，尤其是任务计划的重要潜力。然而，在诸如家用机器人技术之类的应用中，这些模型的个性化仍然存在着重要的差距。例如，LLM计划可能会发现执行需要个性化的任务，例如决定基于特定的家庭喜好将杯子放在厨房中的位置。我们介绍了LLM-Persyalize，这是一个新颖的框架，旨在个性化家庭机器人的LLM计划。llm-persyalize使用llm计划在多房间，部分观察的家庭环境中执行迭代计划，并利用从本地观察结果动态构建的场景图。要将LLM计划者个性化对用户偏好，我们的优化管道整合了模仿学习和加强自我训练。我们评估了LLM-个性化家政人员，这是一个具有挑战性的现实世界3D基准，用于家庭重排，表明，成功率比现有的LLM计划者增长了30％以上，这表明与人类偏好相符。