XiaoMi-AI文件搜索系统
World File Search System控制输入
现实世界引擎控制的安全加固学习
这项工作介绍了用于应用强化学习（RL）的工具链，特别是在安全至关重要的现实世界环境中的深层确定性政策梯度（DDPG）算法。作为示例性应用，在均质电荷压缩点火（HCCI）模式下的单缸内燃机测试台上证明了瞬态载荷控制，这表明高热E FFI且发电率较低。但是，HCCI由于其非线性，自回归和随机性质而对传统控制方法构成了挑战。rl提供了可行的解决方案，但是，在应用于HCCI时，必须解决安全问题（例如压力上升率过高）。单个不合适的控制输入会严重损坏发动机或引起失火并关闭。此外，不知道工作限制，必须通过实验确定。为了减轻这些风险，实施了基于K-Neareb最邻居算法的实时安全监控，从而可以与Testbench进行安全互动。当RL代理通过与测试板互动来学习控制策略时，该方法的可行性被证明。均方根误差为0。1374 bar用于指定的平均e ff效力压力，可与文献中的基于神经网络的控制器相当。通过调整代理商的政策增加乙醇能源份额，在维持安全性的同时促进可再生燃料的使用，从而进一步证明了工具链的灵活性。这种RL方法解决了将RL应用于安全至关重要的现实环境的长期挑战。开发的工具链具有其适应性和安全机制，为RL在发动机测试板和其他关键性设置中的未来适用性铺平了道路。
六足机器人模拟器中的倾斜错觉导致航空公司飞行员对人工地平线做出错误反应
目标：我们测试六足模拟器中的某个程序是否会导致航空公司飞行员对倾斜角（即“倾斜”）做出错误的假设以及对姿态指示器 (AI) 做出错误的解释。背景：倾斜对解释错误的影响此前已在非飞行员中得到证实。飞行中，由于误导性的滚转提示（空间定向障碍）可能会出现错误的假设。方法：飞行员（n = 18）进行了 36 次试验，要求他们仅使用 AI 滚转至机翼水平。在显示 AI 之前，他们会收到滚转提示，在大多数试验中，提示与 AI 倾斜角方向相匹配，但在倾斜相反条件下（四次试验），提示方向相反。在基线条件下（四次试验），他们没有收到滚转提示。为了测试飞行员是否对 AI 做出反应，AI 有时会在倾斜水平条件下（四次试验）按照滚转提示显示机翼水平。结果：总体而言，飞行员在倾斜-相反条件下（19.4%）犯的错误明显多于基线条件（6.9%）或倾斜-水平条件（0.0%）。倾斜-相反条件下的学习效果明显，因为 38.9% 的飞行员在第一次接触这种条件时犯了错误。经验（即飞行小时数）没有显著影响。结论：倾斜程序可有效诱导飞行员的 AI 误解和控制输入错误。应用：该程序可用于空间定向障碍演示。结果强调了明确的显示的重要性，它应该能够快速纠正由于空间定向障碍而导致的错误假设。
脉冲神经网络的最优控制
控制理论提供了一种自然语言来描述多区域交互和灵活的认知任务，例如隐性注意力或脑机接口 (BMI) 实验，这些实验需要找到足够的局部电路输入，以便以上下文相关的方式控制其动态。在最佳控制中，目标动态应该最大化沿轨迹的长期价值概念，可能受控制成本的影响。由于这个问题通常难以处理，因此当前控制网络的方法大多考虑简化设置（例如，线性二次调节器的变体）。在这里，我们提出了一个数学框架，用于对具有低秩连接的随机脉冲神经元的循环网络进行最佳控制。一个基本要素是控制成本，它惩罚偏离网络默认动态（由其循环连接指定），从而促使控制器尽可能使用默认动态。我们推导出一个贝尔曼方程，该方程指定低维网络状态 (LDS) 的值函数和相应的最佳控制输入。最优控制律采用反馈控制器的形式，如果神经元的脉冲活动倾向于将 LDS 移向更高（更低）值的区域，则该控制器向循环网络中的神经元提供外部兴奋性（抑制性）突触输入。我们使用我们的理论来研究将网络状态引导到特定终端区域的问题，这些终端区域可以位于 LDS 中具有慢速动态的区域内或区域外，类似于标准 BMI 实验。我们的结果为一种具有广泛适用性的新方法奠定了基础，该方法统一了神经计算的自下而上和自上而下的视角。
安装在航天器上的冗余空间操纵器的双臂协调
摘要本文解决了轨道机器人机器人的服务和组装中的重要挑战，这是为了克服机器人关节上的力量/扭矩的饱和挫折，并在捕获后阶段中，同时与未控制的大型Angular和线性动力进行了目标飞船，同时控制目标航天器。作者提出了一种基于两个鲁棒和效果控制算法的新颖解决方案：最佳控制分配（OCA）和非线性模型预测性控制（NMPC）。这两种算法都旨在最大程度地减少关节扭矩，航天器执行器矩，接触力和复合冗余系统的矩，其中包括通过双n-数度空间机器人机器人操纵器抓住的常见有效载荷（目标航天器）安装在Chaser spacececraft上。OCA算法仅使用当前状态和系统动力学小型量化二次成本函数，但NMPC还考虑了未来状态估计值和对指定预测范围的控制输入。它在计算上更多地参与，但在减少关节扭矩方面提供了优异的结果。迄今为止，将MPC应用于机器人技术的文献主要集中在线性模型上，但双臂配位是高度非线性的，并且在双臂协调中没有MPC应用。提出的离散技术（非线性模型）具有优雅和简单性的确切实现（非线性模型），但仍考虑了双臂协调系统的完整非线性模型。它在计算上非常有效。计算机仿真结果表明，所提出的算法有效地工作，最小扭矩，接触力和矩实现。开发的算法在跟踪问题方面也非常有效。
使用非侵入式技术的脑机接口调查...
为神经肌肉残疾患者提供替代的控制方式。这导致了几种辅助设备的设计，这些设备有助于恢复身体残疾者失去的运动能力 [2]。移动机器人 [3,4] 和基于 BCI 的假肢也称为神经假肢设备 [5,6] 被用于帮助人们恢复正常功能。已经进行了研究以开发帮助人们从中风中恢复的方法，并提出了各种康复方法。基于 BCI 的虚拟现实设置已用于收集中风患者的数据，这些数据后来用于控制机器人假肢 [7]。BCI 还被用于使用不同的技术为完全或部分瘫痪的人恢复交流，从是/否二进制功能 [8] 到虚拟键盘和拼写器 [9]。BCI 还被用于评估受试者的心理状态以监测表现能力 [10]。其他应用包括工作量监控、浏览和其他媒体应用 [11]，甚至作为游戏的唯一或附加控制输入。所有这些应用的关键在于从大脑活动中提取可靠且有意义的信息，并设计方法和算法来从中提取特征。随着时间的推移，已经开发出多种方法和设备来“读取”大脑的活动。神经元通过物理连接使用电信号或交换称为神经递质的化学物质相互通信。在通信过程中，神经元表现出氧气和葡萄糖消耗的增加，从而导致流向大脑活跃区域的血流量增加。使用各种大脑成像技术，可以观察到大脑处理信息或响应各种刺激时电、化学或血流的变化。然后使用仪器的多通道测量结果创建大脑活动模式图，从中我们可以推断出大脑在任何给定时间发生的具体认知过程。用于实现此目的的不同技术将在下一节中讨论。
自动驾驶汽车导航系统的数学技术
摘要：高级数学方法在自动驾驶指导系统中经常使用，以确保它们正常，可靠和有效地工作。这个摘要谈论用于创建和改进这些系统的一些最重要的数学方法。一种重要的方法是概率机器人，它使用贝叶斯过滤器，例如Kalman滤波器及其非线性版本（扩展的Kalman滤波器和无味的Kalman滤波器）来估计车辆的状态并了解不总是清晰或响亮的传感器数据。路径规划算法（如A和Dijkstra的算法）需要找到最佳路线。基于抽样的方法，例如快速探索随机树（RRT），可以帮助解决高维空间中的问题。控制理论是保持汽车稳定并遵循您想要采取的方向的非常重要的部分。模型预测控制（MPC）经常使用，因为它可以在考虑系统行为时处理具有多个变量的控制作业。用于建模车辆如何移动，使用微分方程和动力学系统理论来显示控制输入如何影响车辆随着时间的推移的作用。此外，将来自LiDAR，相机和GP等不同来源的数据组合在一起的方法对于制作世界的准确而完整的图片非常重要。优化方法通过调整汽车的路径，减少能源利用并缩短行程时间来改善跟踪。通过使用老式的数学方法和新的，尖端的机器学习方法，自动驾驶汽车跟踪系统变得越来越聪明，更有能力和更可靠。除了这些方法外，还越来越多地将机器学习和深度学习添加到指导系统中，以帮助他们做出更好的决策，并在快速变化且非常复杂的设置中更加灵活。这些模型可以通过查找趋势并进行预测来从非常大的数据集中学习，这些预测对于找到对象，理解场景和自行做出决策等任务很重要。这使得他们可以在现实生活中广泛使用。
AC 07-002 飞行记录器 [A}2011.fm
警告 主飞行控制面和主飞行控制飞行员输入：俯仰轴、滚转轴、偏航轴 标记信标通道 每个导航接收器频率选择 手动无线电传输键控和 CVR/FDR 同步参考 自动驾驶仪/自动油门/AFCS 模式和接合状态* 选定的气压设置*：飞行员、副驾驶 选定的高度（所有飞行员可选择的操作模式）* 选定的速度（所有飞行员可选择的操作模式）* 选定的马赫（所有飞行员可选择的操作模式）* 选定的垂直速度（所有飞行员可选择的操作模式）* 选定的航向（所有飞行员可选择的操作模式）* 选定的飞行路径（所有飞行员可选择的操作模式）*：航向/DSTRK、路径角 选定的决断高* EFIS 显示格式*：飞行员、副驾驶 多功能/发动机/警报显示格式* GPWS/TAWS/GCAS 状态*：选择地形显示模式，包括弹出显示状态、地形警报、注意和警告以及建议、开/关开关位置 低压警告*：液压压力、气压 — 计算机故障* 客舱失压* TCAS/ACAS（交通警报和防撞系统/机载防撞系统）* 结冰探测* 发动机警告每台发动机振动* 发动机警告每台发动机超温* — 发动机警告每台发动机油压低* 发动机警告每台发动机超速* 风切变警告* 操作失速保护、摇杆器和推杆启动* 所有驾驶舱飞行控制输入力*：驾驶盘、驾驶杆、方向舵踏板驾驶舱输入力 垂直偏差*：ILS 下滑道、MLS 仰角、GNSS 进近航道 水平偏差*：ILS 航向道、MLS 方位角、GNSS 进近航道 DME 1 和 2 距离* 主导航系统参考*：GNSS、INS、VOR/DME、MLS、Loran C、 ILS 制动器*：左右制动压力、左右制动踏板位置 日期* 事件标记* 平视显示器正在使用* 辅助视觉显示开启*
自主假肢
上肢假肢的半自主 (SA) 控制可提高性能并减轻用户的认知负担。在这种方法中，假肢配备了额外的传感器（例如计算机视觉），可提供上下文信息并使系统能够自动完成某些任务。自主控制与用户的意志输入相融合，以计算发送到假肢的命令。尽管已经提出了几种展示这种方法潜力的有希望的原型，但是尚未系统地研究整合两种控制流（即自主和意志）的方法。在本研究中，我们实现了三种共享控制模式（即顺序、同时和连续），并比较了它们的性能以及对用户施加的认知和身体负担。在顺序方法中，意志输入会禁用自主控制。在同步方法中，对特定自由度 (DoF) 的意志输入激活了其他 DoF 的自主控制，而在连续方法中，除用户控制的 DoF 外，自主控制始终处于活动状态。实验在十名身体健全的受试者中进行，这些受试者使用 SA 假肢执行伸手抓握任务，同时对音频提示做出反应（双重任务）。结果表明，与手动基线（仅意志控制）相比，所有三种 SA 模式都在更短的时间内完成了任务，并且导致意志控制输入更少。同步 SA 模式的表现比顺序和连续 SA 方法更差。当在自主控制器中引入系统错误以产生用户和控制器目标之间的不匹配时，SA 模式的性能会大幅下降，甚至低于手动基线。顺序 SA 方案在错误方面受影响最小。本研究表明，整合意志和自主控制的特定方法确实是显著影响性能和身体和认知负荷的重要因素，因此在设计 SA 假肢时应考虑到这些因素。
演示：自动驾驶中的交通信号识别的无形对抗条纹
隐身光学对抗性示例攻击，利用了凸轮的滚动快门效果，以欺骗自动驾驶汽车中的交通标志识别。互补的金属氧化物半导体（CMOS）传感器在汽车摄像机中广泛采用[1，2]。他们通常从上到下透露并读出像素值。但是，CMOS摄像机表现出滚动快门效果（RSE）[4]。具体来说，当CMOS传感器的每一行暴露在略有不同的时间时，输入光的快速变化会通过扫描线的各种颜色阴影引起图像失真。重新研究[6-8]已经显示了RSE的安全性含义，即攻击者可以控制输入光，以在捕获的图像上创建彩色条纹，以误导计算机视觉解释。然而，尽管以前的研究已经在受控环境中实现了单帧的基本rse，但它们无法通过一系列框架实现稳定的攻击结果[5]。GhostStripe旨在实现稳定的攻击结果，从而在自主驾驶环境中更清晰的安全含义。首先，它在交通标志附近部署LED，将受控的闪烁光投射到标志上。由于闪烁的频率超过了人眼的感知极限，因此它仍然是看不见的，使LED显得良性。同时，由摄像机误导了交通标志识别的RSE引起的彩色条纹。没有这种稳定性，异常检测器可能会触发故障机制，从而确定攻击的有效性。1。第二，为了误导自主驾驶计划以在不知不觉中进行错误的决定，交通符号识别结果应该是错误的，并且在足够的连续框架之间相同。随着车辆的移动，摄像机视野中包含标志（FOV）变化的签名的位置和大小变化，需要攻击才能适应摄像机操作和车辆运动，以稳定地覆盖条纹，如图所示。为了实现这一目标，GhostStripe根据受害者的实时感知结果来控制LED闪烁
电气工程中的博士学位论文以人为中心的控制型和连接的车辆
道路运输网络是世界上受伤和死亡的主要原因之一。与航空或铁路相比，道路运输的危险性更高，因为它持续依赖人类驾驶员以及经常发生不安全，复杂的情况场景。在过去的十年中，有一个重要的努力将车辆自动化引入道路运输以应对这些挑战。通过更换人类驾驶员，车辆自动化有可能彻底改变道路运输网络的安全性和效率。但是，在近年来，我们看到这种转变的进步速度较慢。我们将这种速度归因于车辆自动化的持续斗争，以处理出意外的处理问题的长尾巴，通常是由于遮挡，传感器不确定性甚至系统故障而引起的。解决意外的问题问题的一种方法是集成远程人类操作员，他们监视，协助以及在需要时控制车辆。尽管车辆自动化的关键目标是将人类带出 - 在循环中，但这些偏远的人类操作员构成了弹性层，有助于填补自动化差距，并减轻整个车辆操作中的故障。但是，通过集成远程人类运营商，我们冒着将新的人类错误引入道路运输网络的风险。在本文中，我们试图通过设计一个新的控制框架来应对这一挑战，该框架将远程人类操作员明确，安全地集成到了连接的车辆的工程和自动化中。我们的核心方式是密切检查远程人类操作员在监督连接车辆并将传统控制权调整为这些角色时扮演的角色。为此，我们详细介绍了一种结合形式方法和可及性分析以实现在线验证的新方法。我们表明，我们可以使用基于混合的逻辑树或基于汉密尔顿 - 雅各布（Hamilton-Jacobi）的可及性分析来协调一个称为时间逻辑树的计算结构，来验证操作员设计的规格。通过它们的模块化，时间逻辑树可确保当更改连接的车辆的规范时，可以实时更新验证结果。此外，我们表明，当使用汉密尔顿 - 雅各比（Hamilton-Jacobi）可达性分析构建时间逻辑树时，我们能够有效地合成符合特定符合特定的控制组的控制集，该控制集包含控制输入的控制输入，以确保其满足其要求。使用合成的控制集，我们设计了一个共享的自主系统，该系统允许远程操作可以在自动化不足的情况下安全地控制连接的车辆。通过利用这种方法，我们开发了一个框架，该框架允许远程人类操作员更改连接的车辆的驾驶规范，使车辆自动化以完成更新的规范，甚至在车辆的操作中进行干预，所有这些都可以保证车辆符合特定的特定方式。我们验证了使用5G蜂窝网络启用的小型连接的车辆测试台上开发框架的技术可行性和收益。