XiaoMi-AI文件搜索系统
World File Search System人机界面
将其点亮：评估多功能自动驾驶汽车行为外部人机界面
随着自动驾驶汽车（AVS）加入我们的道路，与骑自行车的人交流的社会提示驾驶员交流将消失 - 导致安全问题。车辆上的外部人机界面（EHMI）可以替代驾驶员的社交信号，但是应将其设计以与骑自行车的人进行交流是未知的。我们分为两个阶段在多个TRAFC方案中评估了三个EHMI。首先，我们比较了VR循环模拟器中的EHMI多功能性，可接受性和US能力。骑自行车的人更喜欢颜色编码的信号，可以通过快速瞥了一眼即可传达意图。第二，我们根据我们的fndings进行了介绍，并将它们放在户外。参与者用真正的EHMIS骑自行车骑车。他们更喜欢使用大型表面上的EHMIS，并在车辆上使用大型表面，并增强了颜色变化的动画。我们以
通过可扩展软电极阵列实现 AR 持久人机界面
增强现实 (AR) 是一种计算机图形技术，可在现实世界和虚拟世界之间创建无缝界面。AR 的使用迅速扩展到医疗保健、教育和娱乐等不同领域。尽管 AR 潜力巨大，但其界面控制依赖于外部操纵杆、智能手机或易受光线影响的固定摄像头系统。本文介绍了一种集成 AR 的软性可穿戴电子系统，该系统可检测受试者的手势，从而更直观、准确、直接地控制外部系统。具体来说，这种软性一体式可穿戴设备包括可扩展电极阵列和集成无线系统，用于测量肌电图，从而实时连续识别手势。系统中嵌入的先进机器学习算法能够对十种不同的类别进行分类，准确率高达 96.08%。与传统的刚性可穿戴设备相比，由于皮肤贴合性，多通道软性可穿戴系统在多次使用时可提供更高的信噪比和一致性。用于无人机控制的 AR 集成软可穿戴系统的演示抓住了平台技术的潜力，为用户提供大量人机界面机会，实现与外部硬件和软件的远程交互。
基于 EOG 的人机界面：2000-2020 年回顾
摘要：基于眼电图 (EOG) 的脑机接口 (BCI) 是一项影响物理医学、日常生活、游戏甚至航空领域的相关技术。基于 EOG 的 BCI 系统记录与用户意图、感知和运动决策相关的活动。它将生物生理信号转换为外部硬件的命令，并通过输出设备执行用户期望的操作。EOG 信号用于通过主动或被动交互识别和分类眼球运动。这两种类型的交互都有可能通过执行用户与环境的通信来控制输出设备。在航空领域，人们正在探索对 EOG-BCI 系统的研究，将其作为替代手动命令的相关工具和致力于加速用户意图的交流工具。本文回顾了过去二十年基于 EOG 的 BCI 研究，并通过大量代表性论文提供了一个结构化的设计空间。我们的目的是介绍现有的基于 EOG 信号的 BCI 系统，并启发新系统的设计。首先，我们重点介绍基于 EOG 的 BCI 研究的基本组成部分，包括 EOG 信号采集、EOG 设备特性、提取的特征、翻译算法和交互命令。其次，我们概述了基于 EOG 的 BCI 在现实和虚拟环境中的应用以及航空应用。最后我们进行了总结
太空探索中的计算机人机界面挑战
• Artemis I Callisto 有效载荷包括一台 iPad（洛克希德马丁/琼斯） • 两代 HPE 星载计算机已在国际空间站低地球轨道上飞行（惠普） • 国际空间站遗产和商业软件依赖于现代网络服务和操作系统（Windows、Windows Server、Linux、iPad OS 等）
无人机系统指挥与控制的人机界面 (HMI) 可学习性研究
本演示文稿由 Scholarly Commons 的会议免费提供给您，供您开放访问。它已被 Scholarly Commons 的授权管理员接受纳入国家训练飞机研讨会 (NTAS)。欲了解更多信息，请联系 commons@erau.edu 。
人机界面与航空电子设备之间的交互...
人为因素问题仍然是确保飞行安全以及机组人员执行飞机控制操作的优先事项，其负面影响通常与人的心理生理特征有关。对旨在减少人为因素对飞行安全影响的所提出方法、方法和技术工具的研究表明，现有的方法工具在消除航空人员“突然出现”的不可靠性方面效果不足。这种情况需要开发飞机控制系统，考虑到其所有组件的特性，并创建与航空电子系统交互的虚拟飞行员助手。本文讨论了飞行员与航空电子系统交互的各个方面。它提出了使用人机界面为飞行员在机上工作创建虚拟助手的概念，该界面提供了观察、通信和飞行控制的可能性。提出了认知飞行员-飞机界面的概念，该界面将基于知识的自适应功能引入系统，以帮助机组人员执行对飞行安全至关重要的重要任务。
一对多：人机界面可让单个操作员控制多架无人机
本文描述并回顾了解决人机界面挑战的研究和潜在解决方案，使单个操作员能够通过一个界面控制多架无人机 (UAV)。作为一个系统，这也被称为多机器人系统 (MRS)。MRS 应用于多个领域，如环境监测 [1]、搜索和救援 [2, 3]、安全 [4]、机器人配送的监督控制以及探索性医疗保健中的微型和纳米机器人群 [5]。单个操作员同时控制多个机器人的优势（称为一对多关系）是改善资源分配、时间成本、稳健性和现实世界任务的其他方面 [6]。然而，由于单个操作员的认知工作量增加，增加机器人数量并不一定会提高系统性能 [7]。早期模型描述了单个操作员使用基于忽视容忍度的扇出控制的机器人数量、当操作员忽视机器人时机器人的效率如何随时间下降，以及交互时间、任务切换、建立上下文、计划和将计划传达给机器人所需的时间 [8]。该模型已扩展到包括等待时间和性能指标，以模拟给定任务约束的扇出水平 [9]。
评论文章机器人控制的非侵入式人机界面方法和应用：过去、现在和未来
本研究旨在探索已广泛应用于各个领域，特别是在机器人控制领域的非侵入式人机交互方法。为了深入了解方法的发展，本文采用“知识图谱”（MKD）来寻找该领域的研究热点以展示未来的潜在发展。通过文献综述，本文发现自 2010 年初机器学习、深度学习和传感技术的快速发展以来，用于机器人控制的非侵入式 BCI 技术的研究发生了范式转变。这项研究进一步提供了趋势分析，即数据驱动方法与优化算法和人机感知驱动方法的结合将成为未来机器人控制非侵入式方法发展的关键领域。基于以上发现，本文为医疗保健、机器人系统和媒体等相关领域提供了非侵入式 HCI 方法的潜在发展途径。
在现实自动驾驶环境中利用预期环境光提示来评估人机界面缓解晕动症的效果
摘要：晕动症 (MS) 是一种与恶心、头晕和其他形式的身体不适等症状相关的综合症。自动驾驶汽车 (AV) 很容易诱发 MS，因为用户不适应这种新型的交通方式，获得的有关自身车辆轨迹的信息较少，并且可能从事与驾驶无关的任务。由于 MS 敏感性特别高的人在使用 AV 时可能会受到限制，因此对 MS 缓解策略的需求很高。事实证明，乘客的预期对症状有调节作用，从而减轻 MS。为了找到有效的缓解策略，对人机界面 (HMI) 的原型进行了评估，该界面向乘客呈现 AV 下一次转向的预期环境光提示。在一项对测试跑道上的 AV 中的参与者 (N = 16) 进行的真实驾驶研究中，根据试验期间 MS 的增加情况评估了 MS 缓解效果。通过呈现预期的环境光提示，在高度敏感的子样本中发现了 MS 缓解效果。事实证明，HMI 原型对于高度敏感的用户是有效的。未来的迭代可以缓解现场环境中的 MS 并提高 AV 的接受度。
运输系统中的人机界面 - MDPI
摘要：本文概述了各种运输方式的商业或实验运行中的人机界面 (HMI) 设计和命令系统。它从车辆自动化设备和不同应用领域的模拟器的角度介绍和评论了不同的 HMI。考虑到认知和自动化领域，本研究根据工业和文献综述，重点介绍了人为因素和不同行业的经验。此外，为了更好地聚焦目标并扩展所研究的工业全景，分析涵盖了各种运输方式中最有效的模拟器，用于培训操作员以及安全和人机工程学领域的研究。特别关注可能适用于未来列车车厢的新技术，例如视觉显示和触觉共享控制。最后，提出了人为因素的综合及其在监控或驾驶辅助方面的局限性。