XiaoMi-AI文件搜索系统
World File Search System主系统
机器人技术和自主系统
最近，机器学习（ML）已成为支持自我适应的流行方法。ML已被用来处理自我适应的几个问题，例如保持最新的运行时模型不确定性和可扩展的决策。然而，利用ML带来了固有的挑战。在本文中，我们关注基于学习的自适应系统的特别重要挑战：在适应空间中漂移。使用适应空间，我们参考了自适应系统可以根据适应选项的估计质量属性进行选择以适应的适应选项集。适应空间的漂移源自不确定性，影响适应性访问的质量特性。这样的漂移可能意味着系统的质量可能会恶化，最终，没有适应选项可以满足初始适应目标集，或者可能出现适应选项，从而可以增强适应性目标。在ML中，这种转变对应于一种新型的班级外观，在目标数据中的一种概念漂移，常见的ML技术会遇到问题。为了解决这个问题，我们提出了一种新型的自我适应方法，可以增强具有终身ML层的基于学习的自适应系统。我们将这种方法称为终身自我适应。终生的ML层跟踪系统及其环境，将这些知识与当前的学习任务相关联，根据差异确定新任务，并相应地介绍了自适应系统的学习模型。人类利益相关者可能会参与支持学习过程并调整学习和目标模型。我们提出了终身自我适应的一般体系结构，并将其应用于影响自我适应决策的适应空间的漂移情况。我们使用Deltaiot示例来验证一系列场景的方法。
智能机器人技术和自主系统（IRA）
“通过利用自治，高级制造和人工智能的技术革命，海军可以创建许多具有新的风险的无人驾驶和微型人的平台，这些平台可用于独立的交战中，以造成战术困境，以使对手在攻击我们的盟友和强迫前进时会面对对手。”
“自主系统人工智能工程”项目
4. 列出以下工程和计算机科学领域中最重要的学科名称和学分：系统理论、信号处理、控制工程、数据传输、通信网络、建模和仿真、微计算机技术、机器学习和人工智能、计算机科学系统：
在部分可观察性下符合道德符合的自主系统
J7 N. Haghtalab，T。Roughgarden，A。Shetty。具有自适应对手的平滑分析。ACM期刊，即将出版。J6 N. Haghtalab，M.O。 Jackson，A.D。Procaccia。 在复杂世界中的信念两极分化：学习理论的观点。 proc。 国家科学院，118（19）E2010144118，2021。 J5 A. Torrico，M。Singh，S。Pokutta，S。Naor，N。Haghtalab，N。Anari。 结构化稳健的supdodular最大化：离线和在线。 通知杂志有关计算的期刊，33（4）：1590–1607，2021。 J4 M. Dud´ık，N。Haghtalab，H。Luo，R.E。 Schapire，V。Syrgkanis和J. Wortman Vaughan。 Oracle效率学习和拍卖设计。 ACM 67（5）：1-57，2020。 J3 M.F. Balcan，N。Haghtalab和C. White。 k-扰动弹性下的中心聚类。 算法上的ACM交易，16（2）：1–30，2020。 J2 A. Blum，J.P。Dickerson，N。Haghtalab，A.D。Procaccia，T。Sandholm和A. Sharma。 无知几乎是幸福：几乎最佳的随机匹配与几个查询。 操作研究，68（1）：16–34，2020。 J1 N. Haghtalab，A。Laszka，A.D。Procaccia，Y。Vorobeychik和Xenofon Koutsoukos。 监视隐形扩散。 知识和信息系统，52（3）：1-29，2017。J6 N. Haghtalab，M.O。Jackson，A.D。Procaccia。 在复杂世界中的信念两极分化：学习理论的观点。 proc。 国家科学院，118（19）E2010144118，2021。 J5 A. Torrico，M。Singh，S。Pokutta，S。Naor，N。Haghtalab，N。Anari。 结构化稳健的supdodular最大化：离线和在线。 通知杂志有关计算的期刊，33（4）：1590–1607，2021。 J4 M. Dud´ık，N。Haghtalab，H。Luo，R.E。 Schapire，V。Syrgkanis和J. Wortman Vaughan。 Oracle效率学习和拍卖设计。 ACM 67（5）：1-57，2020。 J3 M.F. Balcan，N。Haghtalab和C. White。 k-扰动弹性下的中心聚类。 算法上的ACM交易，16（2）：1–30，2020。 J2 A. Blum，J.P。Dickerson，N。Haghtalab，A.D。Procaccia，T。Sandholm和A. Sharma。 无知几乎是幸福：几乎最佳的随机匹配与几个查询。 操作研究，68（1）：16–34，2020。 J1 N. Haghtalab，A。Laszka，A.D。Procaccia，Y。Vorobeychik和Xenofon Koutsoukos。 监视隐形扩散。 知识和信息系统，52（3）：1-29，2017。Jackson，A.D。Procaccia。在复杂世界中的信念两极分化：学习理论的观点。proc。国家科学院，118（19）E2010144118，2021。 J5 A. Torrico，M。Singh，S。Pokutta，S。Naor，N。Haghtalab，N。Anari。 结构化稳健的supdodular最大化：离线和在线。 通知杂志有关计算的期刊，33（4）：1590–1607，2021。 J4 M. Dud´ık，N。Haghtalab，H。Luo，R.E。 Schapire，V。Syrgkanis和J. Wortman Vaughan。 Oracle效率学习和拍卖设计。 ACM 67（5）：1-57，2020。 J3 M.F. Balcan，N。Haghtalab和C. White。 k-扰动弹性下的中心聚类。 算法上的ACM交易，16（2）：1–30，2020。 J2 A. Blum，J.P。Dickerson，N。Haghtalab，A.D。Procaccia，T。Sandholm和A. Sharma。 无知几乎是幸福：几乎最佳的随机匹配与几个查询。 操作研究，68（1）：16–34，2020。 J1 N. Haghtalab，A。Laszka，A.D。Procaccia，Y。Vorobeychik和Xenofon Koutsoukos。 监视隐形扩散。 知识和信息系统，52（3）：1-29，2017。国家科学院，118（19）E2010144118，2021。J5 A. Torrico，M。Singh，S。Pokutta，S。Naor，N。Haghtalab，N。Anari。结构化稳健的supdodular最大化：离线和在线。通知杂志有关计算的期刊，33（4）：1590–1607，2021。J4 M. Dud´ık，N。Haghtalab，H。Luo，R.E。 Schapire，V。Syrgkanis和J. Wortman Vaughan。 Oracle效率学习和拍卖设计。 ACM 67（5）：1-57，2020。 J3 M.F. Balcan，N。Haghtalab和C. White。 k-扰动弹性下的中心聚类。 算法上的ACM交易，16（2）：1–30，2020。 J2 A. Blum，J.P。Dickerson，N。Haghtalab，A.D。Procaccia，T。Sandholm和A. Sharma。 无知几乎是幸福：几乎最佳的随机匹配与几个查询。 操作研究，68（1）：16–34，2020。 J1 N. Haghtalab，A。Laszka，A.D。Procaccia，Y。Vorobeychik和Xenofon Koutsoukos。 监视隐形扩散。 知识和信息系统，52（3）：1-29，2017。J4 M. Dud´ık，N。Haghtalab，H。Luo，R.E。Schapire，V。Syrgkanis和J. Wortman Vaughan。Oracle效率学习和拍卖设计。 ACM 67（5）：1-57，2020。 J3 M.F. Balcan，N。Haghtalab和C. White。 k-扰动弹性下的中心聚类。 算法上的ACM交易，16（2）：1–30，2020。 J2 A. Blum，J.P。Dickerson，N。Haghtalab，A.D。Procaccia，T。Sandholm和A. Sharma。 无知几乎是幸福：几乎最佳的随机匹配与几个查询。 操作研究，68（1）：16–34，2020。 J1 N. Haghtalab，A。Laszka，A.D。Procaccia，Y。Vorobeychik和Xenofon Koutsoukos。 监视隐形扩散。 知识和信息系统，52（3）：1-29，2017。Oracle效率学习和拍卖设计。ACM 67（5）：1-57，2020。J3 M.F. Balcan，N。Haghtalab和C. White。 k-扰动弹性下的中心聚类。 算法上的ACM交易，16（2）：1–30，2020。 J2 A. Blum，J.P。Dickerson，N。Haghtalab，A.D。Procaccia，T。Sandholm和A. Sharma。 无知几乎是幸福：几乎最佳的随机匹配与几个查询。 操作研究，68（1）：16–34，2020。 J1 N. Haghtalab，A。Laszka，A.D。Procaccia，Y。Vorobeychik和Xenofon Koutsoukos。 监视隐形扩散。 知识和信息系统，52（3）：1-29，2017。J3 M.F.Balcan，N。Haghtalab和C. White。k-扰动弹性下的中心聚类。算法上的ACM交易，16（2）：1–30，2020。J2 A. Blum，J.P。Dickerson，N。Haghtalab，A.D。Procaccia，T。Sandholm和A. Sharma。无知几乎是幸福：几乎最佳的随机匹配与几个查询。操作研究，68（1）：16–34，2020。J1 N. Haghtalab，A。Laszka，A.D。Procaccia，Y。Vorobeychik和Xenofon Koutsoukos。监视隐形扩散。知识和信息系统，52（3）：1-29，2017。
使用正式方法反馈的微调语言模型：自主系统中的用例
虽然预先训练的语言模型对计划和控制的一般知识有益，但它们可能无法为领域特定的任务生成适当的控制策略。现有的调整方法使用人类反馈来解决这一限制，但是，采购人类反馈是劳动密集型且昂贵的。我们提出了一种完全自动化的方法，用于为自主系统中的应用程序进行预先训练的语言模型，从而弥合了通用知识和特定领域要求之间的差距，同时降低了成本。该方法从由自然语言任务描述的指导的预训练模型中综合了基于自动机的控制器。这些控制器可以与世界模型中独立提供的规格进行验证，该模型可以抽象或从高档模拟器中获得。控制器高度符合所需的规范会获得更高的等级，从而指导迭代性调整过程。我们提供的定量证据主要是在自主驾驶中，以证明该方法在多个任务中的有效性。结果表明，控制器所满足的规格百分比从60％增加到90％。
tas是澳大利亚受信任，未经自主和自主系统的领导者
“没有信任，新技术就没有用户接受的社会许可，而没有用户，该技术就会过时。”“由于自治系统行业的技术开发速度，TA的挑战是缺乏确定的和适合的保证和认证要求，以确保在早期采用者中的监管合规性和运营可靠性
斯坦福大学AA 289/CS 529：机器人和自主系统研讨会
有记录的残疾学生：根据残疾影响可能需要学术住宿的学生必须在可访问教育办公室（OAE）启动请求。专业人员将使用所需的文件评估请求，推荐合理的住宿，并为提出请求的本季度的教师准备住宿信。学生应尽快与OAE联系，因为需要及时通知来协调住宿。OAE位于563 Salvatierra Walk（电话：723-1066，URL：http：//studentaffairs.stanford.edu/oae）。
增强自主系统的地形分类-IJRPR
地形分类在各个领域之间都是关键的，尤其是机器人技术，自动驾驶汽车和军事行动，在这种情况下，有效的导航依赖于了解各种景观。利用传感器数据，相机数据和声学信息，地形分类使机器能够辨别地形特征对于知情决策至关重要。本研究的重点是利用深度学习技术来准确地对地形进行分类，并在军事应用和决策中的潜在应用。本文深入研究地形分类方法，利用传输学习模型和视觉变压器通过预处理技术增强。通过利用深度学习算法和传感器数据分析，这些模型区分了地形特征，例如斜坡，植被和障碍，增强了自主系统的导航和情境意识。