XiaoMi-AI文件搜索系统
World File Search SystemSwarm
在对抗环境中远程操作无人机引导一群无人地面车辆时的脑电图工作量指标
心理负荷是指由于任务对个体施加心理需求而导致的心理资源耗竭。当任务难度增加时，由于可用的认知资源减少，心理负荷也会增加。研究表明，当个体承受高认知负荷且认知负荷接近个体的认知能力时，容易做出次优决策和出现人为错误。在任务需求没有增加的情况下，长时间的心理活动也会导致认知资源耗竭（Kamzanova 等，2014）。低负荷也会导致错误，这是由于无聊以及环境影响因素导致人类分心于主要任务的可能性。人类的资源是有限的（包括体力和脑力），因此，将这些资源优化用于特定的任务集可能会产生更好的结果。然而，由于人口统计因素（性别、年龄、种族）、内在动机、情绪状态（快乐、悲伤、焦虑等）、以往经验以及因心理能力、教育和技能不同的问题解决策略等诸多因素，很难在工作环境中理解这些人类局限性。例如，两个操作员对完成一项任务的难度可能会有不同的看法；操作员 A 可能一开始认为任务很难，但后来找到了解决任务的好策略，而操作员 B 可能会发现任务极其困难，从而灰心丧气，最终无法完成任务。由于人力资源有限，当一项任务需要更多资源时，就会出现问题（ Maior 等人，2014 年）。在许多领域，处理信息、对不同环境做出反应以及做出准确决策的能力至关重要。例如，空中交通管制员 (ATC) 通常在对认知要求极高的环境中工作，长时间工作，并且承受压力 (Dasari et al., 2017)。这种情况可能导致认知资源耗尽，从而导致绩效下降。另一个明显的例子是重症监护室的医生和护士，他们面临大量工作，需要迅速采取行动，并在长时间紧张工作后保持警惕。在这种情况下，错误和标准下降意味着患者护理的质量和安全可能受到危害 (MacPhee et al., 2017)。因此，显然有必要测量心理工作量以确定个人在完成任务时认知需求的变化，这可能有助于减少错误、任务失败和事故，从而提高和保持更长时间的绩效。已经提出了许多用于测量心理工作量的指标。在文献中，这些指标可以分为两大类：主观指标和客观指标。主观指标基于操作员的意见、问卷答案和访谈。一种常用的主观评估操作员心理负荷的技术是 NASA 任务负荷指数 (NASA-TLX)（Hart 和 Staveland，1988）。该方法使用六个维度：心理需求、身体需求、时间需求、绩效、挫折程度和努力程度，每个维度都有 10 分或 20 分的量表。然后计算出总体评分，即所有六个评分的加权平均值。其中一种
航天器群探索任务：关键支持技术与差距研究
利用分布式孔径的空间干涉测量法是天文学和天体物理学任务中一项重要的技术。在该技术中，来自不同孔径的电磁波（波长从 100 米（无线电）到 100 纳米（光学））观测同一目标时会叠加在一起，以产生干涉并提取信息。干涉仪的分辨率会随着卫星间距离（基线）的增加而提高。地面光学干涉测量法在凯克天文台（美国夏威夷）、欧洲南方天文台（智利）、大型双筒望远镜天文台（美国亚利桑那州）、威尔逊山天文台（美国加利福尼亚州）、洛厄尔天文台（美国亚利桑那州）等地进行。44 已经提出了许多基于空间的光学干涉测量任务，但迄今为止尚未实现：
面向无人机群控制的脑机接口
摘要 — 非侵入式脑机接口 (BCI) 解码脑信号以了解用户意图。随着对无人机控制的需求增加，基于 BCI 的无人机控制系统取得了最新进展。特别是，基于脑信号的无人机群控制可以为军事服务或工业灾难等各种行业提供服务。本文介绍了一种使用视觉图像范式的适用于各种场景的脑群接口系统原型。我们设计了可以在无人机群控制模拟器环境下获取脑信号的实验环境。通过该系统，我们收集了四种不同场景的脑电图 (EEG) 信号。七名受试者参加了我们的实验，并使用基本机器学习算法评估了分类性能。总平均分类准确率高于机会水平准确率。因此，我们可以确认基于 EEG 信号的无人机群控制系统执行高级任务的可行性。关键词-脑机接口；脑电图；无人机群控制；视觉图像
模块化异构集群自主在轨卫星组装
本文提出了一种分散式、分布式制导与控制方案，将异构卫星组件群组合成大型卫星结构。异构卫星群的组件卫星的选择以提高最终形状的灵活性，其灵感来自晶体结构和伊斯兰瓷砖艺术。在选择理想的基本构建模块后，进行基本的纳米卫星级卫星设计，以协助涉及姿态控制的模拟。群体轨道建造算法 (SOCA) 是一种制导和控制算法，用于实现在轨组装所需的有限类型异构性和对接能力。该算法由两部分组成：分布式拍卖使用障碍函数来确保为每个目标选择合适的代理；轨迹生成部分利用模型预测控制和顺序凸规划来实现到达所需目标点的最佳无碰撞轨迹，即使在非线性系统动力学的情况下也是如此。优化约束使用边界层来确定是否应应用防撞约束或对接约束。该算法在模拟扰动 6 自由度航天器动态环境中针对平面和非平面最终结构以及两个机器人平台（包括一群无摩擦航天器模拟机器人）进行了测试。
XPRIZE 利用 Swarm AI 技术优化 Visioneers 峰会创意
对于 XPRIZE 分组讨论会的导师们来说，Swarming 让来自世界各地的不同领导者能够在短时间内就大量提案的优点进行协商。与之前使用传统投票方法的会议相比，Swarm AI 技术不仅确保了会议上的每个人的声音都能被听到，而且这一过程还优化了这一特殊思想聚会的集体智慧。
人工智能、机器人和群体 - CNA.org。
军队正处于一场重大技术革命的风口浪尖，战争将由无人驾驶和日益自主的武器系统进行。然而，与冷战期间的上一次“巨变”不同，当时先进技术主要由国防部 (DoD) 开发，而今天的关键技术推动因素主要在商业领域开发。本研究着眼于人工智能、机器学习和机器人技术的最新进展，以及它们对自主（和半自主）武器系统的潜在未来军事影响。虽然没有人能够预测人工智能将如何发展或预测其对军事自主系统发展的影响，但可以预见国防部在越来越多地转向基于人工智能的技术时将面临的许多概念、技术和操作挑战。本研究探讨了关键问题，确定了分析差距，并提供了机遇和挑战的路线图。最后列出了建议的未来研究。
战场上的机器人技术第二部分群
我要感谢CNA和其他地方的众多同事，他们协助开发了本报告。liz fontaine领导了该报告的生产和设计。亚当·埃尔库斯（Adam Elkus）为了解动物和机器人群提供了宝贵的帮助。CNAS研究实习生James Marshall和Matthew Seeley协助了背景研究。此外，许多外部专家就一系列问题提供了宝贵的见解。我要感谢国防部长办公室的迈克尔·苏尔默（Michael Sulmeyer），劳伦斯·利弗莫尔国家实验室的迪恩·威尔克宁（Dean Wilken），约翰·霍普金斯大学（Johns Hopkins University）的戴维·舍德（David Scheidt）应用物理学实验室的戴维·谢德（David Scheidt）见解。我还要感谢CNA和其他机构的众多同事，他们提供了有关本报告草案的反馈。
无人机和地面系统集群... - SoarTech
全球安全与稳定面临的各种风险促使人们开发可部署在无人驾驶飞行器 (UxV) 上的遥感和监控系统。这需要开发强大的自主控制技术，以可靠地协调大量联网的异构系统，共同完成任务目标。本文介绍了一种有前途的应对这一挑战的方法，即使用群体智能协调实际应用中的多个异构飞行器和远程传感器。我们描述了一类基于数字信息素的协同算法，用于控制和协调异构无人空中和地面系统在两个应用中的行动：广域监视和基地保护。开发了一个操作员系统界面，以评估使单个操作员能够监控和管理不同类型的多辆无人驾驶飞行器和无人值守传感器的技术。本文报告了最近使用空中和地面平台演示该技术的结果。
值得信赖的无人机关系：将模式动作世界分类法应用于无人机和无人机群操作
摘要 人为因素在航空电子系统的开发和集成中发挥着重要作用，以确保它们值得信赖并能有效使用。随着无人驾驶飞行器 (UAV) 技术对航空领域变得越来越重要，这一点是正确的。本研究旨在通过利用流行的航空访谈方法（图式世界行动研究方法）结合从文献中确定的关于信任的关键问题，了解无人机操作员在驾驶无人机时的信任要求。采访了六名拥有不同经验的无人机操作员。这确定了过去的经验对信任的重要性以及操作员的期望。除了可以帮助开发值得信赖的系统的设备、程序和组织标准之外，还提出了针对培训以积累经验的建议。所开发的方法有望在人机交互中赢得信任。