XiaoMi-AI文件搜索系统
World File Search System控制任务
单侧脑损伤患者的身体表征改变
目的：关于单侧脑损伤对不同身体表征（身体图式、身体结构表征和身体语义）影响的系统研究仍然很少。本研究的目的是评估相对较大的单侧脑损伤患者样本中的身体表征缺陷，并研究右脑或左脑损伤对身体表征 (BR) 的影响，独立于其他认知过程的缺陷。方法：64 名单侧中风患者（22 名患有左脑损伤，LBD；31 名患有无忽视的右脑损伤，RBD-N；11 名患有忽视的右脑损伤，RBD + N）和 41 名健康个体接受了包括 BR 和控制任务的特定测试。结果：在超过三分之一的样本中，出现选择性（37.5%）和纯粹（31%）的 BR 缺陷，并均匀分布在不同的 BR 中（每个表征约 10%），选择性（27.2%）和纯粹（22.7%）身体图式缺陷主要出现在左脑损伤后。作为一个群体，单侧脑损伤患者（无论损伤侧如何，LBD、RBD-N、RBD + N）在身体结构表征方面的表现明显差于健康个体，而 LBD 在身体图式方面的表现在数值上比健康个体和 RBD-N 更差。在身体语义方面，各组之间没有发现显著差异。结论：BR 缺陷并不是单侧脑损伤的罕见后果，并且与更普遍的认知功能障碍无关。因此，讨论了在临床环境中进行准确评估和特定神经心理学培训的必要性。
自发静息状态振荡的临界动力学与 Go/Nogo 任务中与注意相关的 P300 ERP 相关
持续注意力是指即使在有干扰的情况下也能持续集中注意力于与任务相关的信息的能力。了解这种能力背后的神经机制对于理解注意力过程以及以注意力缺陷为特征的神经精神疾病（如注意力缺陷多动障碍 (ADHD)）至关重要。在这项研究中，我们旨在调查静息期间特征样临界振荡与 P300 诱发电位（一种常用于评估注意力缺陷的生物标志物）之间的关系。我们测量了静息状态 EEG 振荡中的长距离时间相关性 (LRTC) 作为信号临界性的指标。此外，在遵循古怪范式的连续执行任务中，受试者的注意力表现被评估为反应时间变异性 (RTV)。在此任务期间从 EEG 记录中获得 P300 幅度和延迟。我们发现，在控制任务表现的个体差异后，LRTC 与 P300 幅度呈正相关，但与延迟无关。与先前的研究结果一致，持续注意力任务中的良好表现与更高的 P300 振幅和更早的峰值延迟有关。出乎意料的是，我们观察到静息期间持续振荡的 LRTC 与 RTV 之间存在正相关关系，这表明静息期间大脑振荡的临界性越高，任务表现越差。总之，我们的结果表明，在临界状态附近运作的静息状态神经元活动与更高 P300 振幅的产生有关。接近临界状态的大脑动态可能会促进计算优势状态，从而促进产生更高事件相关电位 (ERP) 振幅的能力。
大学水球运动员大脑功能连接与累积头部撞击暴露之间的剂量关系
越来越多的证据表明，长期运动相关的头部撞击会损害大脑功能整合以及大脑结构和功能。需要有证据表明反复头部撞击的频率和强度与大脑网络功能紊乱之间存在明显的反比关系，以加强因果关系的论据。为了寻找这种关系，我们使用了戴在帽子上的惯性传感器来测量十八名大学水球运动员在一个赛季的比赛中受到的头部撞击的频率和强度。在赛季前后，使用计算机化的抑制控制认知测试和静息脑电图对参与者进行评估。头部撞击暴露越大，慢波（delta、theta）振荡形成的功能网络中的相位同步性 [ r (16) > 0.626，p < 0.03 校正后]、全局效率 [ r (16) > 0.601，p < 0.04 校正后] 和平均聚类系数 [ r (16) > 0.625，p < 0.03 校正后] 就越高。头部撞击暴露与抑制控制任务中的表现变化无关。但是，撞击暴露最严重的人表现出静息态连接变化与赛季后任务表现分离之间的关联 [ r (16) = 0.481，p = 0.043]，这也可以归因于慢波同步性的提高 [ F (4, 135) = 113.546，p < 0.001]。总的来说，我们的结果表明，遭受最大头部撞击的运动员整个大脑功能连接会发生变化，这与信息处理和抑制控制的改变有关。
MIT开放访问文章学习模型预测...
摘要：模型预测控制（MPC）中的调整参数提出了重大挑战，尤其是当控制器的预测与闭环工厂的实际行为之间存在明显差异时。这种不匹配可能源于诸如实质性模型植物差异，不涵盖整个关注时间的预测范围有限或无法预见的系统干扰等因素。这种不匹配会危害性能和安全性，包括限制满意度。传统方法通过修改有限的地平线成本函数来解决此问题，以更好地反映总体运营成本，从数据中学习预测模型的部分或实施强大的MPC策略，这些策略可能是计算密集型或过于谨慎的。作为替代方案，已经提出了直接优化或学习控制器参数以增强闭环性能。我们将贝叶斯优化应用于有效学习未知模型参数和参数化约束词语项，旨在提高电池快速充电的闭环性能。这种方法建立了一个层次控制框架，其中贝叶斯优化直接对全球和长期目标进行微调闭环行为，而MPC则处理较低级别的短期控制任务。对于锂离子电池快速充电，我们表明学习方法不仅可以确保安全操作，而且还可以最大程度地提高闭环性能。这包括将电池的操作保持在其最大端子电压下方，并减少充电时间，所有这些都使用标准的标称MPC模型以短层和显着的初始模型植物不匹配而实现。
![arxiv：2205.12381v2 [cs.lg] 15 Sep 2022](/simg/2\2dd2e441059ed058266b4ee30c4b0f3f9f7e002d.webp)
arxiv：2205.12381v2 [cs.lg] 15 Sep 2022
我们如何训练辅助人机接口（例如，基于肌电图的肢体假体）将用户的原始命令信号转换为机器人或计算机的动作，如果没有事先映射，我们不能以用户的方式要求用户以行动标签或奖励反馈的形式进行监督，并且我们没有对用户的先验知识来实现这一任务？本文的关键想法是，无论任务如何，当接口更直观时，用户的命令就会噪音较小。我们将这个想法形式化为一个完全无监督的目标，以优化接口：用户的命令信号与环境中诱导状态过渡之间的相互信息。为了评估此相互信息得分是否可以区分有效和无效界面，我们对操作各种键盘和眼睛凝视接口的用户进行了大规模的观察性研究，用于打字，控制模拟机器人和玩视频游戏。结果表明，我们的共同信息得分可预测各种域中的基础任务完成指标，而Spearman的平均等级相关为ρ= 0。43。除了对现有接口的频道评估外，我们还使用无监督的目标从头开始学习界面：我们随机初始化界面，让用户尝试使用接口执行其所需的任务，测量共同信息分数，并通过强化学习更新界面以最大程度地提高界面。我们通过小型用户研究评估了我们的方法，他们使用扰动鼠标执行2D光标控制任务的参与者，以及与一个专家用户使用网络摄像头捕获的手势的专家用户进行的实验。结果表明，我们可以在不到30分钟的人类训练的情况下从头开始学习界面，而无需任何用户监督或事先了解任务。
内森·达尔林普尔博士
美国太空部队 E 内森·达尔林普尔博士 内森·达尔林普尔博士是新墨西哥州柯特兰空军基地太空快速能力办公室 (Space RCO) 的技术总监。在担任该职位期间，达尔林普尔博士领导太空 RCO 工程企业在快速周转时间内为美国太空部队设计“首创”太空能力。达尔林普尔博士还带头与工业界、国防实验室和学术界合作，将适当准备水平的技术纳入下一代太空能力的快速采购计划。达尔林普尔博士曾在俄亥俄州赖特帕特森空军基地的空军研究实验室 (AFRL) 的系统技术办公室 (STO) 担任过多个职务，包括一个重大科学技术开发项目的技术总监和一个多领域作战技术开发项目的项目经理。在 STO，达尔林普尔博士领导了新任务领域的开发和爆炸式增长，并多次成功进行了飞行实验和硬件交付。 Dalrymple 博士在 AFRL 太空飞行器理事会担任过多个职务，经验丰富。其中包括防御性太空控制任务负责人、飞行实验部高级首席研究员、EAGLE 任务首席研究员、太阳扰动预测项目项目经理以及先进技术太阳望远镜（ATST，现名为 Daniel K. Inouye 太阳望远镜）首席热工程师。 教育背景 1993 年，休斯顿大学，机械工程理学学士学位，德克萨斯州休斯顿 1995 年，休斯顿大学，机械工程理学硕士学位，德克萨斯州休斯顿 2001 年，麻省理工学院，核工程理学博士学位，马萨诸塞州剑桥 职业生涯年表
初次接触：通过相互信息最大化实现无监督的人机协同适应
在没有事先映射、无法要求用户以动作标签或奖励反馈的形式进行监督、也不事先了解用户试图完成的任务的情况下，我们如何训练辅助人机界面（例如基于肌电图的肢体假肢）将用户的原始命令信号转化为机器人或计算机的动作？本文的关键思想是，无论任务是什么，当界面更直观时，用户的命令噪音更小。我们将这个想法形式化为优化界面的完全无监督目标：用户命令信号与环境中诱导状态转换之间的相互信息。为了评估这个相互信息分数是否可以区分有效和无效界面，我们对 540K 个用户操作各种键盘和眼神注视界面（用于打字、控制模拟机器人和玩视频游戏）的示例进行了大规模观察性研究。结果表明，我们的相互信息分数可以预测各种领域的实际任务完成情况指标，平均 Spearman 等级相关系数为 ρ = 0.43。除了对现有界面进行离线评估之外，我们还使用无监督目标从头开始学习界面：我们随机初始化界面，让用户尝试使用界面执行他们想要的任务，测量相互信息分数，然后更新界面以通过强化学习最大化相互信息。我们通过一项小规模用户研究来评估我们的方法，该研究有 12 名参与者，他们使用受扰鼠标执行 2D 光标控制任务，并且让一名专家用户使用网络摄像头捕捉到的手势玩月球着陆器游戏。结果表明，我们可以从头开始学习界面，无需任何用户监督或任务的先验知识，只需不到 30 分钟的人机协同训练。
基于约束的抬头显示器的设计和评估...
本文旨在揭示不同显示设计原则在直升机领域的影响。在低空前向直升机飞行期间评估了两种不同的避障支持显示：基线平视显示器 (HUD) 由传统的咨询显示器或受生态界面设计启发的基于约束的显示器补充。后者在直升机领域应用很少。假设咨询显示减少了工作量，提高了态势感知能力，并在正常避障情况下改善了性能指标，而基于约束的显示提高了飞行员-车辆系统对意外、非正常情况的适应能力。12 名具有不同飞行经验的直升机飞行员参加了代尔夫特理工大学 SIMONA 研究模拟器的一项实验。与预期相反，实验表明显示器对任何相关测量均无显著影响。但是，与基线 HUD 相比，使用任何支持显示器时，飞行员的工作量都有减少，情况意识也有所提高。飞行员更喜欢在正常情况下使用咨询显示器，而在非正常情况下使用基于约束的显示器，这与固定翼领域的研究结果相似。控制任务的时间框架相对较短且单调，已经提示丰富的基线 HUD 条件以及显示器之间的相似性可能阻碍了揭示条件之间更大的差异。未来的研究将分析该实验的避障轨迹，可能揭示显示器引起的控制策略变化，即使集中性能指标相似。后续实验将重点关注更长的任务时间范围、更多变的情况和真正的生态展示，以研究在直升机领域应用生态界面设计和不同自动化系统的效果。
预赛：世界模型预培训具有可学习的动作表示
摘要。基于模型的强化学习学习以学习决策的最新技术是通过建立有关环境染色体的世界模型来做出决策的。世界模型学习需要与真实环境进行广泛的互动。因此，从大规模视频中提出的几种创新方法，例如APV提出了无监督的预先培训模型，从而使更少的交互作用可以很好地调整世界模型。但是，这些方法仅将世界模型作为一个没有动作条件的视频预测模型预先训练，而最终世界模型则是动作条件。此差距限制了无监督的预训练的有效性，以增强世界模型的能力。为了进一步释放无监督的预训练的潜力，我们引入了一种方法，该方法可以预先培训世界模型，但可以从无动作视频中使用，但具有可学习的动作表示（PRELAR）。特定的是，两个相邻时间步骤的观察结果被编码为一种不断的动作表示，世界模型被预先训练为行动条件。为了使隐式动作表示更接近真实的行动，动作状态的一致性损失旨在自我监督其优化。在微调过程中，实际动作被编码为训练整个世界模型的下游任务的动作表示形式。从元世界仿真环境中对各种视觉控制任务进行了评估。代码可以在https://github.com/zhanglixuan0720/prelar结果表明，拟议的预赛显着提高了世界模型学习中的样本效率，证明了在世界模型预训练中进行不合转行动的必要性。
动态模拟平台进行训练和...
abtract该项目通过使用Unity ML代理来训练AI模型[1]，解决了在不同行星环境中模拟火箭着陆的挑战。对空间探索至关重要的火箭的可重复性需要精确控制和适应性的重力条件。我们提出了一种解决方案，将AI驱动控件与交互式用户输入相结合，以创建灵活且逼真的火箭着陆模拟器。使用的机器学习方法来开发能够处理复杂控制任务的模型，并使用强化学习来适应地球，火星和月球的不同环境。实验以评估模型在每个环境中进行调整和执行的能力，分析关键的火箭参数（例如质量和推力）如何影响各种引力和大气条件的性能。这种方法提供了对模型的适应性和优化潜力的见解。[2]。最重要的发现是，由于更快的下降速度，AI在地球和月球上表现良好，但需要在火星上进行进一步调整[3]。我们的方法为研究可重复使用的火箭技术提供了一个引人入胜的教育平台，使其成为学术和实际应用的宝贵工具。k eywords机器学习，火箭，着陆，加固学习1。在太空探索中的介绍性可重复使用性已成为一个重点，尤其是当SpaceX等公司证明了与重复使用火箭相关的巨大成本和时间[4]。实现这一目标涉及复杂的控制系统，这些系统必须准确地说明许多变量，例如燃料水平，大气条件和推力幅度，以确保成功着陆。当前的模拟虽然高级，但通常缺乏在多个天体上复制这些条件的灵活性和可伸缩性。我们的项目通过利用AI和先进的物理模拟来解决这一差距，以模仿不同环境（例如地球，火星和月球）的火箭登陆，这些火箭登陆由于其不同的引力力而引起的明显挑战[5]。这个问题很重要，因为可重复使用的火箭技术的进步可以大大降低任务成本，从而使长期探索更容易访问（Reddy，2018）。此外，对空间和人工智学感兴趣的学生和研究人员需要