XiaoMi-AI文件搜索系统
World File Search System低保真
CheXplain：帮助医生探索和理解数据驱动、人工智能支持的医学影像分析
摘要 数据驱动型人工智能的最新发展有望实现医疗诊断的自动化；然而，对于计算知识有限的医生来说，大多数人工智能都像“黑匣子”一样。以医学成像为出发点，我们进行了三次设计活动，以制定 CheXplain——一个使医生能够探索和理解人工智能支持的胸部 X 光分析的系统：（i）转诊医生和放射科医生之间的配对调查揭示是否需要、何时需要以及需要何种解释；（ii）与三位医生共同设计的低保真原型制定了八个关键特征；（iii）由另外六位医生评估的高保真原型提供了关于每个特征如何实现对人工智能的探索和理解的详细总结性见解。我们总结并讨论了未来设计和实施可解释的医疗人工智能系统的建议，这些系统涵盖四个反复出现的主题：动机、约束、解释和理由。
3 - 科学艺术与工艺（SAM）
本文提出了一种基于全局-局部建模方法的轻型结构多尺度优化策略。该方法应用于民用飞机的实际机翼结构。机翼的初步设计可以表述为一个约束优化问题，涉及结构不同尺度的若干要求。所提出的策略有两个主要特点。首先，问题以最一般的意义来表述，包括每个问题尺度所涉及的所有设计变量。其次，考虑两个尺度：（i）结构宏观尺度，使用低保真度数值模型；（ii）结构中观尺度（或组件级），涉及增强模型。特别是，结构响应在全局和局部尺度上进行评估，避免使用近似分析方法。为此，完全参数化的全局和局部有限元模型与内部遗传算法交互。只为结构最关键的区域创建精炼模型，并通过专用的子建模方法链接到全局模型。
重新构想自闭症儿童的家长控制
患有自闭症谱系障碍 (ASD) 的儿童经常从设备（例如智能手机）中寻求安慰，以应对过度社交刺激。然而，这种依赖使他们接触到不适当的数字内容，并增加了模仿和社会脆弱性的敏感性。因此，有自闭症儿童的父母在调节他们的设备使用方面遇到了独特的挑战，而现有的关于父母调解的文献很少涉及这些挑战。当我们开始解决这一差距时，我们设计了以开放式沟通和自我调节为中心的低保真原型，并根据两个焦点小组的六位自闭症专家的反馈对其进行了改进。我们通过对 25 名患有自闭症的孩子（14 岁以下）是活跃互联网用户的父母进行半结构化访谈，评估了更新的设计（以故事板的形式呈现）。我们的研究加入了父母调解的研究主体；我们的研究结果为自闭症儿童的包容性父母控制工具提供了见解，并为未来这些方向的研究提供了指导。
PMSM 伺服执行器预测的简化监控模型
摘要。基于永磁同步电动机 (PMSM) 的机电执行器 (EMA) 目前用于各种飞机系统，并且在安全关键应用中越来越广泛。与其他电机相比，PMSM 具有高功率重量比和低齿槽效应：这使它们适合位置控制和致动任务。EMA 在模块化、机械简单性、整体重量和燃油效率方面比液压伺服执行器具有多项优势。同时，与液压执行器相比，它们的基本可靠性固有较低。然后，将 EMA 用于安全关键飞机系统需要采用风险缓解技术来解决这个问题。在此框架中，诊断和预测策略可用于系统健康管理，以监视其行为以寻找最常见或最危险故障模式的早期迹象。我们提出了一种基于 PMSM 的 EMA 低保真模型，用于基于模型的诊断和预测监测。该模型具有计算成本低的特点，允许近乎实时地执行，并且在模拟故障系统操作时具有适当的精度。通过将其行为与用作模拟测试台的更高保真度模型进行比较来验证此简化的模拟器。
使用3D高斯弹奏
摘要 - 可推广的感知是太空机器人技术中高级自治的支柱之一。估计动态环境中未知对象的结构和运动对于此类自主系统至关重要。传统上，解决方案依赖于目标对象的先验知识，多个不同的表示或不适合机器人操作的低保真输出。这项工作提出了一种新颖的方法，可以使用统一表示形式来逐步重建和跟踪动态未知对象 - 一组3D高斯斑点，描述了其几何形状和外观。可区分的3DGS框架适合以动态对象设置。管道的输入是一组顺序的RGB-D图像。3D重建和6-DOF姿势跟踪任务是使用基于一阶梯度的优化来解决的。该公式很简单，不需要预训练，不假定对对象或其运动的先验知识，并且适合在线应用程序。在任意相对运动下的10个未知航天器的数据集中验证了所提出的方法。实验表明，在短期到中持续时间内，目标对象的成功3D重建和准确的6-DOF跟踪。讨论了跟踪漂移的原因，并概述了潜在的解决方案。
通过拨款实现复原力：飞行员对复杂决策支持的看法
智能决策支持工具 (DST) 有望提高人类在航空备降等具有挑战性的情况下的决策质量。为了实现这些改进，DST 设计的一个共同目标是校准决策者对系统的信任。然而，这种观点主要来自受控研究，可能无法完全反映现实世界中备降的复杂性。为了了解 DST 在最了解备降复杂性的人眼中如何有益，我们采访了专业飞行员。为了促进讨论，我们构建了两个低保真原型，每个原型代表 DST 可以承担的不同角色：(a) 根据飞行员指定的标准主动建议和排名机场，以及 (b) 不引人注目地暗示飞行员应该注意的数据点。我们发现，虽然飞行员不会盲目信任 DST，但他们同时拒绝在决策时刻进行深思熟虑的信任校准。我们重新审视拨款，将其作为一个视角来理解这种看似矛盾的矛盾以及实现拨款的一系列手段。除了通常认为的透明度需求外，这些还包括整个决策过程中的可指导性和持续支持。根据我们的设计探索，我们鼓励将 DST 设计的视角扩展到实际决策点的信任校准之外。
使用基于物理的模型对频率调节市场的电池系统进行多尺度模型预测控制
我们为固定电池系统提出了一种多尺度模型预测控制 (MPC) 框架，该框架利用高保真模型来权衡能源和频率调节 (FR) 市场提供的短期经济激励与长期退化效应。我们发现 MPC 框架可以大幅减少长期退化，同时正确响应 FR 和能源市场信号（与使用低保真模型的 MPC 公式相比）。我们的结果还证明，可以使用现代非线性规划求解器将复杂的电池模型嵌入闭环 MPC 模拟中（我们在 Julia 中提供了一个高效且易于使用的实现）。我们利用从模拟中获得的见解来设计一个低复杂度的 MPC 公式，该公式与使用高保真模型获得的行为相匹配。这是通过设计一个合适的终端惩罚项来实现的，该惩罚项隐式地捕获长期退化。结果表明，通过正确设计成本函数，可以在低复杂度 MPC 公式中解释复杂的退化行为。我们相信，我们的概念验证结果具有工业意义，因为电池供应商正在寻求参与快速变化的电力市场，同时保持资产完整性。
使用深度强化学习生成航天器操作程序
太空任务操作的高成本促使多个航天机构优先开发自主航天器指挥和控制技术。深度强化学习 (DRL) 技术为创建复杂、多方面的操作问题的自主代理提供了一个有前途的领域。这项工作研究了将 DRL 驱动的策略生成算法应用于航天器决策问题的可行性，包括构建航天器决策问题的策略，例如马尔可夫决策过程、降维途径、使用专家领域知识进行简化、对超参数的敏感性以及面对错误建模的环境动态时的鲁棒性。此外，在屏蔽深度强化学习的新颖改编中，考虑通过将这些方法与构造正确的控制技术相结合来确保这些方法的安全性。这些策略针对原型低保真驻留场景和高保真姿态模式管理场景进行了演示，涉及飞行遗产姿态控制和动量管理算法。研究发现，DRL 技术与这些问题的其他黑盒优化工具或启发式解决方案相比具有优势，并且需要与深度学习社区中广泛使用的测试数据集类似的网络规模和训练持续时间。
使用彩色编码的平视飞行符号系统进行飞行员表现
在显示符号设计中，色彩处理一直被认为是一种改善操作员体验和性能的方法。彩色平视显示器 (HUD) 和头盔显示器 (HMD) 技术的最新发展强调了了解符号颜色编码与传统单色符号格式的人为因素考虑的必要性。在这个低保真桌面人机在环实验中，叠加符号集上的飞行符号颜色被编码为冗余提示，以指示专业和非专业飞行员在一系列模拟飞行操作中的飞行剖面的准确性。这项研究的主要发现是彩色编码飞行符号支持专业和非专业飞行员的手动飞行性能。值得注意的是，倾斜指示器和空速带的颜色编码分别最大限度地减少了转弯和高度变化操作期间的性能误差。彩色编码符号的可用性也高于单色符号。我们得出结论，用户更喜欢彩色编码的 HUD/HMD 符号系统，并且可能在低工作量手动飞行任务中提高性能。要更全面地了解性能和工作量的影响，需要未来的研究采用更高工作量的飞行任务，并检查颜色编码在更高保真度环境中的实用性。
计算需要时间 - 加州大学伯克利分校 EECS
“它好像有一台计算机；我还需要多说吗？”1 我们都听过这样的抱怨。不管计算机是不是罪魁祸首，它们都反映出人们对这项技术的不信任。这种不信任有道理吗？即使是通用计算机也越来越多地被要求与物理过程进行此类交互。它们集成了视频和音频等媒体，并通过迁移到手持平台和普适计算系统，感知物理动态并控制物理设备。遗憾的是，它们做得并不好。今天，建立质量很差的电话连接以致于声音无法理解是很常见的。20 世纪 60 年代部署的第一个数字电话系统要好一些。我们在互联网上日常接受的视频质量可能比 20 世纪 50 年代的电视广播质量低得多。我们已经进入了“低保真”时代。 2 我们为通用计算和网络选择的技术基础与这些应用并不匹配。改变这一基础可以改善这些应用并实现许多其他应用。计算的基础植根于图灵、丘奇和冯·诺依曼，是关于数据转换，而不是物理动力学。本文认为，如果我们真的想将计算与物理过程结合起来，就需要重新思考核心抽象。特别是，我关注的是物理过程的一个关键方面，而这在计算中几乎完全不存在，即段落