XiaoMi-AI文件搜索系统
World File Search System凝视
ASHA：通过人机协同强化学习实现辅助远程操作
摘要 — 构建用于通过任意、高维、嘈杂的输入（例如，网络摄像头的眼部注视图像）控制机器人的辅助界面可能具有挑战性，尤其是在没有自然的“默认”界面的情况下推断用户期望的操作时。通过在线用户对系统性能的反馈进行强化学习为这个问题提供了一个自然的解决方案，并使界面能够适应个人用户。然而，这种方法往往需要大量的人在环训练数据，尤其是在反馈稀疏的情况下。我们提出了一种从稀疏用户反馈中有效学习的分层解决方案：我们使用离线预训练来获取有用的高级机器人行为的潜在嵌入空间，这反过来又使系统能够专注于使用在线用户反馈来学习从用户输入到期望的高级行为的映射。关键见解是，使用预训练策略可使系统从稀疏奖励中学到比单纯的强化学习算法更多的知识：使用预训练策略，系统可以利用成功的任务执行来重新标记用户在未成功执行期间实际想要做的事情。我们主要通过一项用户研究来评估我们的方法，该研究有 12 名参与者，他们使用网络摄像头和他们的目光在三个模拟机器人操作领域执行任务：拨动电灯开关、打开架子门以接触里面的物体以及旋转阀门。结果表明，我们的方法在不到 10 分钟的在线训练中成功地学会了从稀疏奖励中将 128 维凝视特征映射到 7 维关节扭矩，并无缝帮助采用不同凝视策略的用户，同时适应网络摄像头输入、任务和环境的分布变化。
![arxiv：2502.14892v1 [cs.cv] 2025年2月17日](/simg/g:\will\search\icon\source\b\b495d4ee9dd26d76c8dad02913bbd55ecbbe1439.webp)
arxiv：2502.14892v1 [cs.cv] 2025年2月17日
应开始基于以自我为中心的流媒体视频讲话。具体地，EgoSeak从摄像头佩戴者的第一人称角度进行了演讲启动，从而准确捕获了代理商实时看到的每一刻。与第三人称或固定的摄像机视图不同，以自我为中心的观点尤其与现实世界中的代理人（例如社交机器人）尤其相关，这些机器人必须决定是否说话或保持沉默。通过利用摄像头佩戴者的直接视野（例如，面对另一个人，注意到肢体语言或凝视方向），Egospeak可以更自然地检测出微妙的线索，这些线索可以发出适当的时刻开始讲话。这对于不仅必须实时处理输入，而且在动态，多演讲者的环境中自主响应以使其显然和引人入胜的现实剂量至关重要。
脂质体：新型药物输送系统中的高级药物载体
这项全面的评论深入研究了脂质体药物输送系统的动态景观，阐明了它们的结构复杂性，机制和多方面应用。从探索脂质体的基本原理开始，我们浏览了它们的各种类型，封装技术和不断发展的方法论。脂质体药物递送的优点，从增强的生物利用度到靶向干预措施和副作用减少，成为关键主题。实验和临床证据的合成提供了对挑战和潜在创新的细微理解，为详细探索脂质体在各种治疗领域的应用奠定了基础。当我们凝视未来时，评论揭示了脂质体药物递送对个性化医学，慢性疾病管理和癌症治疗剂进步的变革性含义。纳米技术的整合，智能脂质体的出现和监管考虑因素为叙述增添了层次，为脂质体药物输送系统如何塑造药房的未来提供了整体观点。
面部感知的人类单神经数据集
人类杏仁核和海马长期与面部感知有关。在这里，我们介绍了面部感知期间人类杏仁核和海马中单神经活性的数据集。我们记录了人类杏仁核和海马的2082个神经元，当时具有顽固性癫痫的神经外科手术患者使用自然的脸部刺激进行了一次性任务，这模仿了自然的面部感知。具体来说，我们的数据包括（1）来自杏仁核（996个神经元）和海马（1086个神经元）的单神经元活动，（2）眼睛运动（凝视位置和学生），（3）患者的心理学评估，以及（4）来自大型患者和一般参与者的社交特质判断等级，并从一般性的参与者中获得了一般性的参与者和参与者。一起，我们拥有大量神经元的全面数据集可以促进对面部感知的多方面调查，其空间和时间分辨率最高，目前可在人类中获得。
什么是癫痫发作？是癫痫吗？简介
癫痫发作是一种突然的大脑紊乱，会影响一个人的外表或行为。你的大脑就像一台非常强大的计算机。它控制着你所做的一切。当你的大脑开始发送过多的信息时，这会导致你的身体发生不同的情况。每个人的癫痫发作以及发作后的恢复情况可能不同。有时，人们称癫痫发作为“痉挛”、“抽搐”、“发作”或“发作”。它们的范围从对某些人来说非常明显的事件到对另一些人来说“茫然和凝视”不等。一种类型的癫痫发作是癫痫发作。癫痫发作有很多种类型。有时人们可能会出现与癫痫发作非常相似的事件，但事实并非如此。这些包括昏厥、抽搐、白日梦、睡眠障碍和屏气发作。有些癫痫发作是抽搐性的，通常涉及全身。这是最严重的癫痫发作类型，会出现僵硬或颤抖。
手势引导的户外视觉和语言导航
视觉和语言导航（VLN）任务涉及使用语言命令导航移动性，并在开发自动移动性的接口中应用。在这种情况下，自然的人类交流还构成了手势和凝视等非语言提示。这些手势引导的指示已在人类机器人的互动系统中进行了探索，以有效相互作用，特别是在对象引用表达式中。ever，在户外VLN任务中应对基于手势的表达式的著名差距。为了解决这个问题，我们介绍了一个新颖的数据集，用于带有示范表达式的手势引导的户外VLN指令，并重点介绍了复杂的指令，以重新引导命令输入方式之间进行多跳的推理。此外，我们的工作还包括对收集数据的全面分析以及针对现有数据集的比较评估。
舞者个性
语音融合 - 即，将自己的语音适应对话者的讲话 - 已显示出在人类人类的对话以及人机相互作用中发生的。在这里，我们调查了以下假设：人类对机器人的融合受人类对机器人的看法和对话主题的影响。我们进行了一个受试者内的实验，其中33名参与者与两个机器人相互作用，他们的眼睛凝视行为不同 - 一个不断地关注参与者。另一个产生了目光的厌恶，与人类的行为类似。此外，机器人提出的问题提高了亲密关系水平。我们观察到说话者倾向于在F0上汇聚到机器人。但是，这种与机器人的融合并不是说话者如何看待他们或主题的亲密关系。有趣的是，在谈论更亲密的话题时，扬声器产生了较低的F0。我们根据当前的对话融合理论讨论了这些发现。
八个月大的婴儿通过减肥...
婴儿学会以出色的速度浏览物理和社会世界的复杂性，但是他们如何完成这项学习仍然是未知的。人类和人工智能研究的最新进展提出，实现快速有效学习的关键特征是元学习，即利用先前的经验来学习如何在将来更好地学习的能力。在这里我们表明，在接触新的学习环境后，在很短的时间内成功地从事荟萃学习。我们开发了一个贝叶斯模型，该模型捕获了婴儿如何将信息归因于传入事件，以及如何通过其层次模型在任务结构上优化该过程。我们在学习任务期间将模型与婴儿的凝视行为拟合在一起。我们的结果揭示了婴儿如何积极利用过去的经验来产生新的归纳偏见，从而使未来的学习速度更快。
自动化对空中交通管制员行为的影响
摘要：空中交通管制员必须快速做出决策以确保空中交通安全。他们的行为对空中交通管理 (ATM) 系统的运行有重大影响。自动化工具通过减少管制员的任务负荷增强了 ATM 系统的能力。在过去十年中，人们非常关注开发先进的自动化。然而，人们对自动化对空中交通管制员行为的影响知之甚少。在这里，我们通过实证测试了三种自动化水平（包括手动、注意力引导和自动）以及不同交通水平对眼球运动、态势感知和心理工作量的影响。结果表明，注意力引导组和自动化组的凝视和扫视行为存在显著差异。交通影响手动模式或注意力引导模式下的眼球运动，但不影响自动模式下的眼球运动。结果还支持使用自动化来增强态势感知同时减少心理工作量。我们的工作对于自动化和操作程序的设计具有潜在的意义。