XiaoMi-AI文件搜索系统
World File Search System搜索任务
海上搜索任务的持续时间表评估和自适应重新计划
自适应自动驾驶汽车进行的抽象搜索操作多年来一直是引起人们极大兴趣的话题。此类操作需要精心安排的多个车辆的安排协调，这些车辆在感兴趣的地区执行搜索任务。由于海事环境的固有不确定性，如果车辆具有重要的能力以适应其任务以实时匹配其检测到的环境，则可能无法保持最初计划的搜索时间表。我们提出了一种多车自适应算法，用于动态评估和弹性重新规划在海上环境中常见的可变长度任务。在自适应评估和重新规划问题中，最初计划通过自适应，自主搜索工具执行一组任务。任务根据先验知识和预期的结果在预定的时间表下分配给搜索车辆。由于车辆对环境或目标姿势等原位条件的自主性和反应性，因此每个任务所需的精确持续时间和行动尚不清楚。我们开发了一个隐藏的马尔可夫模型（HMM），用于传播任务估计，并加上基于二次编程的弹性重新安排机。结果是一种集成的估计和安排适应方案，该方案迅速，有效地基于原位观察结果重新计划了车辆的时间表。数值模拟结果表明，与现有方法相比，这种新颖的HMM方法可避免的时间表变化超过两倍。
反潜巡逻机利用圆形声呐浮标阵执行呼叫搜索任务的建模与仿真研究
利用提出的潜艇位置分布模型对圆形声呐浮标阵进行搜索，评估模型计算结果与计算机仿真方法对搜索概率计算结果相一致，证明了模型的正确性，同时也表明潜艇的评估结果与潜艇位置分布密切相关，应根据情况合理选取。实际使用中，可在模型中加入修正项，使模型计算结果与仿真结果更加接近。
视觉知觉学习在虚幻的远距离空间中有效，但在近距离空间中无效
摘要 在近体空间 (PPS) 中，与远离身体的物体相比，靠近身体的物体的视觉形状辨别速度更快。当感知深度基于 2D 图像提示时，PPS 中的视觉处理也会增强。从相对低级（检测、大小、方向）到高级视觉特征（面部处理），都观察到了这种优势。虽然多感官联想也显示出近端优势，但 PPS 是否影响视觉感知学习仍不清楚。在这里，我们研究了感知学习效果是否会根据视觉刺激与观察者的距离（近或远）而变化，这是通过利用庞佐错觉幻觉诱导的。参与者执行了视觉搜索任务，他们报告了干扰项中是否存在特定目标物体方向（例如，指向下方的三角形）。在近距离（近组）或远距离（远组）练习视觉搜索任务（每天 30 分钟，持续 5 天）之前和之后评估表现。结果表明，在近距离空间进行训练的参与者没有进步。相比之下，在远空间进行训练的参与者在远空间和近空间的视觉搜索任务中都表现出了进步。我们认为，远空间训练后的这种进步是由于在远空间中更多地部署了注意力，这可以使学习更有效，并可以跨空间推广。
改进单次试验分类中的意图检测......
摘要 — 意图解码是免提人机交互 (HCI) 中不可或缺的过程。传统的眼动追踪系统使用单一模型注视持续时间可能会发出忽略用户真实期望的命令。在本研究中，引入了一种眼脑混合脑机接口 (BCI) 交互系统，通过融合多模态眼动追踪和 ERP（源自 EEG 的测量）特征来检测意图。当 64 名健康参与者在 25 个图标中执行 40 分钟的定制自由搜索任务时，记录了他们的眼动追踪和 EEG 数据。提取了相应的眼动追踪和 ERP 注视持续时间。采用五个已验证的基于LDA的分类器（包括RLDA，SWLDA，BLDA，SKLDA和STDA）和广泛使用的CNN方法从离线和伪在线分析中验证特征融合的有效性，并通过调节训练集和系统响应持续时间来评估最佳方法。我们的研究表明，多模态眼动和ERP特征的输入在主动搜索任务的单次试验分类中实现了意图检测的优异性能。并且与单模型ERP特征相比，该新策略也在不同的分类器之间获得了一致的准确率。此外，与其他分类方法相比，我们发现SKLDA在离线测试（ACC=0.8783，AUC=0.9004）和不同样本量和持续时间长度的在线模拟中融合特征时表现出更优异的性能。总之，本研究揭示了一种利用眼脑混合BCI进行意图分类的新颖有效的方法，并进一步以更精确、更稳定的方式支持了免提HCI的实际应用。
自动化信任度的测量水平
摘要 心理测量越来越多地用于评估对系统自动化的信任，其中许多系统对安全至关重要。对于信任的最高测量水平，目前尚无共识。这很重要，因为测量水平决定了哪些数学和统计数据可以有意义地应用于评级。在这项工作中，我们介绍了一种新方法来确定心理测量评估现象的最高测量水平。我们利用这种方法，使用人类对执行搜索任务的无人机系统行为的评分来确定对自动化的信任的测量水平。结果表明，信任最好在序数级别上表示，并且在大多数情况下可以将其视为区间。对自动化的信任不太可能被视为比率。我们讨论了这些结果、它们的含义以及未来的研究。
Nicholas Negroponte-架构机
沃伦·布罗迪（Warren Brodey）博士，西摩·佩特（Seymour Papert）教授和史蒂文·库恩斯（Steven Coons）教授为本书中包含的许多概念提供了理论基础。此外，Oliver Selfridge博士，Avery Johnson博士，William Porter教授，Stuart Silverstone先生，Timothy Johnson先生和Craig Johnson先生都曾参与。教授唐琳·林登（Donlyn Lyndon），亚伦·弗莱舍（Aaron Fleisher）教授和伊姆雷·哈拉斯（Imre Halasz）教授应非常感谢在手稿初期的耐心和严重性。他们特别帮助阐明目前时态的未来的灵魂搜索任务。
理学硕士（神经心理学）
CO1 - 展示对联合行动背景下社会认知、感知和行动之间关系的理解。CO2 - 解释视觉运动适应的概念，并应用时间延迟重新校准的知识来分析和解决处理连续运动中的时间延迟的挑战。CO3 - 检查自下而上/自上而下的感知和显着性图模型的作用，并推断现实搜索任务中的注视控制，以预测和分析各种场景中的眼球运动模式。CO4 - 理解配置编码的概念及其在视觉错觉中的作用，并使用配置处理的知识来分析和解释照明对视觉错觉的影响。CO5 - 分析存在感在 VR 体验中的影响，并评估它如何影响心理学研究中的参与者行为和反应。
情绪与集中注意力的表现之间的关联
引入集中注意力通常涉及在已知位置识别刺激。另一种类型的注意力，分类搜索涉及确定刺激的位置，其次是其识别。在选择反应时间任务中已经测量了这两种类型的注意力。[1,2]以及测量选择性注意力，这些任务还测量了关注的平均反应时间，误差和关注度（偶尔出现非常长的反应时间）。此外，它们测量了信息处理的阶段，例如新信息和响应组织的编码。[3]从这些任务中得出了三个主要注意力的指标。第一个措施是两个任务之间的差异（空间不确定性很少：SPUL）。第二个测量了注意力集中（Eriksen效应，Erik）。第三个在分类搜索任务中测量的，比较了在相同或不同位置在连续试验中发生的刺激的影响（位置重复效应，PREP）。
Article_1717065804.pdf- -orca -Cardiff University
引言视觉注意力的一个主要方面涉及在已知位置识别刺激（集中注意力：什么是刺激？）。另一个涉及识别刺激的位置，然后进行识别（分类搜索：刺激在哪里？什么是刺激？）。可以在Broadbent及其同事开发的选择反应时间任务中测量注意力的这两个方面。[1,2]从这些任务中，得出了三个主要注意力的衡量标准。第一个是两个任务之间的差异（空间不确定性很少：SPUL）。第二，从集中注意力的任务中测量了注意力的关注（Eriksen效应，Erik）。最后一个基于分类搜索任务，测量了在相同或不同位置发生的刺激的效果（位置重复效应，PREP）。早期研究这些任务的重点是这些措施与认知失败与迷恋人格之间的关联。[1]这些度量也对一天中不同时间发生的状态变化也敏感。[2]