XiaoMi-AI文件搜索系统
World File Search SystemSwarms
智能作为信息处理：大脑、群体和计算机
还有其他几种比喻用来描述认知、思维和大脑，每种比喻都有其优点和缺点（Varela 等人，1991 年；Steels 和 Brooks，1995 年；Clark 和 Chalmers，1998 年；30 Beer，2000 年；G¨ardenfors，2000 年；Garnier 等人，2007 年；Froese 和 Ziemke，2009 年；Kiverstein 和 Clark，2009 年；31 Chemero，2009 年；Stewart 等人，2010 年；Froese 和 Stewart，2010 年；Downing，2015 年；Harvey，2019 年）。我的目的不是在这里讨论这些，而是要注意到，在研究认知时，存在着丰富多样的风格。尽管如此，所有这些隐喻都可以用信息处理来描述。由于计算可以理解为信息的转换（Gershenson，2012 年），因此“计算机”被广泛理解为处理信息的机器，可以成为包含和比较其他隐喻的有用隐喻。请注意，“机器”（以及计算机）的概念也可以更新（Bongard 和 Levin，2021 年）。
战斗管理系统中的 Swarm 态势感知
多架无人驾驶飞行器 (UAV) 的使用越来越重要。因此，人与机器人之间的交互及其交互设计变得越来越重要，尤其是在战场上的军事侦察中。然而，无人机群规模的不断扩大带来了许多需要解决的挑战，例如复杂的高动态情况增加了对用户的需求。在这项工作中，研究了符合人体工程学的人机交互显示的应用导向选项，重点关注战斗管理系统中的群体。在文献调查中，确定了单个操作员监控大型群体作为高度自动化系统时可能出现的潜在应用和挑战。此外，还确定了已经存在的设计指南。根据这些结果，我们设计了四种不同的群体可视化布局原型，目的是获得全面的态势感知。
为野火开发无人机群的数字孪生……
摘要 — 在现实场景中部署空中集群机器人系统可能具有挑战性。使用它们来监测野火需要集群操作员轻松使用该系统。为了以最低的相关成本实现这一点，必须开发先进的框架来实时监测、优化和控制集群。实现这一点的一种方法是创建一个数字孪生，其中物理对应物可以在虚拟世界中镜像。我们的目标是创建一个集群的数字孪生，以便模拟和优化控制算法以及实时监控和控制，以便将集群系统部署到现场。我们的框架由以下主要子系统组成：用于优化集群控制器、监控和控制实时集群部署的数字孪生；允许数据在我们的系统组件之间传递的云基础设施；和飞机。我们开发了一个 Swarm Operator 界面，允许集群操作员定义集群的任务以监测区域以寻找数字野火。我们使用三架实体无人机和三架数字无人机在实地试验中测试了我们的系统。在试验期间，无人机群操作员能够命令无人机在三种不同的搜索策略中执行自主搜索、在特定位置成堆盘旋，最后着陆。
针对可编程逻辑控制器的控制逻辑注射攻击的闪回
摘要 - 最近自主和半自治的无人机（UAV）群开始从各种民用应用领域获得大量的研究兴趣和需求。但是，为了成功执行任务，无人机群需要全球导航卫星系统（GNSS）信号，特别是全球定位系统（GPS）信号进行导航。不幸的是，民用GPS信号未经加密且未进行，这有助于执行GPS欺骗攻击。在这些攻击中，对手模仿了真实的GPS信号，并将其广播到目标无人机，以更改其路线，迫使其降落或崩溃。在这项研究中，我们提出了一种GPS欺骗检测机制，能够检测单发射器和多发送器GPS欺骗攻击，以防止上述结果。我们的检测机制是基于比较从GPS坐标计算出的每两个群体之间的距离与从相同群体之间的脉冲无线电超宽带获得的距离所获得的距离。如果距离的差异大于所选阈值，则检测到GPS欺骗攻击。
llm2swarm：机器人群体响应地推理，计划...
机器人群是由许多简单的机器人组成的，这些机器人可以交流和劳动以完成复杂的任务。机器人控制器通常需要由专家通过编程代码在情况下指定。此过程很耗时，容易出错，并且无法考虑部署期间可能遇到的所有情况。另一方面，最近的大型语言模式（LLMS）已展示了推理和计划功能，引入了与互动和编程机器进行交互的新方法，并纳入了特定领域和常识性知识。因此，我们建议通过将LLM与机器人群集成并展示概念证明的潜力（展示）来应对上述挑战。为此，我们探索了两种方法。第一种方法是“间接集成”，其中LLM用于合成和验证机器人控制器。这种方法可能会减少开发时间和部署前的人为错误。此外，在部署期间，它可以用于现实的新机器人行为。第二种方法是“直接集成”，每个机器人在部署机器人协作和人类处理交互期间本地执行单独的LLM实例。这些本地LLM实例使每个机器人都能使用自然语言进行推理，计划和协作，就像我们的展示案例中所阐述的那样，机器人能够检测到各种异常，而没有有关这些异常性质的事先信息。为了进一步研究我们的主要概念贡献，我们为LLM2SWARM系统发布了软件和视频：https：//github.com/pold87/llm2swarm。
无人机群搜索救援的用户界面设计
搜索和救援 (SAR) 行动是指一组训练有素的专业人员在特定区域搜寻并帮助失踪人员的任务。目前在丹麦，SAR 行动由丹麦国防部下属的政府机构丹麦紧急事务管理局 (DEMA) 1 负责。在传统的 SAR 行动中，紧急救援人员被派出去搜寻失踪人员，然而，近代 SAR 行动涉及使用无人机。救援队加入无人机后，他们能够更快地在区域搜寻，并降低因派遣无人机到高危区域搜寻而危及紧急救援人员的风险。这篇硕士论文名为《搜索和救援中的无人机群用户界面设计》，我们在其中探讨了如何设计无人机群的用户界面以及控制无人机群的各种方法。我们开发了一个 Web 应用程序形式的原型，无人机操作员可以同时控制多架无人机。增加了对控制实体无人机的支持，这增加了研究参与者使用原型时的真实感。它为无人机操作员提供了使用三种方法控制无人机的能力：
使用基于 RSSI 的位置信号对无人机群进行高级控制...
使用自主无人机协作群调查区域并收集有关失踪人员位置的信息，可以为搜索和救援行动带来巨大好处。本文研究了无人机群算法，该算法可防止代理对之间以及代理与静态障碍物之间的碰撞。该群由具有通信约束的低成本协作固定翼飞机组成。首先开发了一种分散式群体行为，假设系统能够提供所有飞机的准确位置。此外，代理通过使用 RSSI 测量来估计其位置。所有代理都配备了通信设备和广播无线电信号，并测量接收到的信号强度，以估计与其他群成员的距离。这些估计值进一步用于开发多点定位算法，其中每个代理使用来自至少三个附近代理的距离估计来估计自己的位置。通过添加飞机运动学的动态模型，可以提供更准确的估计，其中考虑了错误的位置估计。在 MATLAB 中，在 2-D 环境中模拟了自主群。代理实时做出决策，其运动由势场和信息素水平控制。排斥势用于防止碰撞，吸引势用于形成无人机集群，以便所有成员都保持在通信范围内。群体也被吸引到环境中未探索的区域。当提供真实的无人机位置时，开发的势场算法在控制群体方面确实显示出有希望的结果。代理对之间或代理与障碍物之间没有发生碰撞。代理没有越界，群体很强大，因为它能够处理单个成员的丢失。对于基于 RSSI 的位置估计方法，需要进一步开发群体行为。通信设备的接收器灵敏度限制了代理之间的最大距离及其滚动角度差异。当发生单个故障或障碍物阻碍群体路径时，并不总是有足够的 RSSI 测量值可用于执行
搜索和救援中无人机群的用户界面设计
搜索和救援 (SAR) 行动是指一组训练有素的专业人员搜寻区域以寻找和帮助失踪人员的任务。目前在丹麦，SAR 行动由丹麦国防部下属的政府机构丹麦紧急事务管理局 (DEMA) 1 执行。在传统的 SAR 行动中，紧急救援人员被派出去搜寻失踪人员，然而，在最近的 SAR 行动中，涉及使用无人机。救援队增加无人机可确保他们能够更快地搜寻区域，并通过派遣无人机搜寻高危区域来降低危及紧急救援人员的风险。硕士论文名为“搜索和救援中无人机群的用户界面设计”，我们在其中探讨了如何设计无人机群的用户界面以及控制群的各种方法。我们开发了一个原型，其形式为 Web 应用程序，无人机操作员可以同时控制多架无人机。增加了对控制物理无人机的支持，这增加了研究参与者使用原型时的真实感。它为无人机操作员提供了使用三种方法控制无人机的能力：
先锋中性粒细胞在体内群中释放染色质
抽象的中性粒细胞迅速招募到炎症部位，其协调的迁移形成了簇，这一过程称为中性粒细胞群。调节嗜中性粒细胞群早期阶段的因素尚未完全理解，需要开发新的体内模型。使用转基因斑马鱼幼虫研究组织损伤模型中的内源性中性粒细胞迁移，我们证明中性粒细胞群是斑马鱼免疫中的保守过程，与哺乳动物系统共享基本特征。我们表明，中性粒细胞最初围绕单个先驱中性粒细胞发展。我们观察到了先锋和早期蜂群中性粒细胞的细胞外细胞质和核碎片的猛烈释放。通过结合体外和体内方法来研究中性粒细胞外陷阱（NET）的基本组成部分（NET），我们提供了对这些释放事件的组成和形态的深入表征和高分辨率成像。采用光转化方法跟踪发展中嗜中性粒细胞的嗜中性粒细胞，我们确定蜂群发射先驱中性粒细胞的命运涉及细胞外染色质释放，并且需要关键的净成分加油，中性粒细胞弹性酶，和骨髓氧化酶的过程才能进行蜂窝化过程。一起，我们的发现表明，先锋中性粒细胞释放细胞成分是在组织损伤部位促中性粒细胞组成的第一步。
自动监视操作中无人机群的安全通信框架
无人机已成为各个领域中必不可少的工具，从监视和环境监测到灾难响应和通信继电器。然而，它们在关键任务中日益增长的使用需要强大的措施来防止潜在威胁并确保行动的完整性。本研究为部署在监视任务中的一群无人机提供了一种新颖的安全架构。利用通过Delaunay三角剖分建立的可靠基础进行无人机之间的通信，这项工作引入了高级安全协议，以增强网络的保护和完整性。该体系结构采用网状网络托架连接六台无人机，每个无人机都配置为特定的监视任务，包括外围监测，区域扫描，热成像，交通观察，通信继电器和事件响应。网格网络范围可确保扩展覆盖范围，冗余，负载平衡和自我配置，从而显着提高可靠性和弹性。使用GNS3和EtterCap进行了安全验证，模拟了各种漏洞。经典无人机网络与拟议的安全网络之间的比较性能分析表明，针对潜在攻击的出色交通管理和鲁棒性。结果强调了Architecture在关键监视环境中对安全可靠操作的适用性。