XiaoMi-AI文件搜索系统
World File Search System模仿
caril：自主驾驶的模仿学习中的信心回归
摘要 - 基于端到端视力的模仿学习已直接从专家演示中学习控制命令来证明自主驾驶的有希望的结果。然而，传统方法依赖于基于回归的模型，这些模型提供了精确的控制，但缺乏一致性估计或基于分类的模型，这些模型提供了置信度得分，但由于分离而降低了精度。此限制使量化预测行动的可靠性并在必要时应用更正是一项挑战。在这项工作中，我们引入了双头神经网络体系结构，该架构既集成回归和分类负责人，以提高模仿学习中的决策可靠性。回归负责人预测了连续的驾驶动作，而分类头则估计了置信度，从而实现了一种调整机制，该校正机制可以调整低信心情景中的动作，从而增强了驾驶稳定性。我们在Carla模拟器内的闭环环境中评估了我们的方法，证明了其检测不确定的动作，估计信心并应用实时校正的能力。实验结果表明，我们的方法可降低车道偏差，并提高了传统精度高达50％，表现优于常规回归模型。这些发现突出了分类指导置信度估计的潜力，以增强基于视觉的模仿学习对自主驾驶的鲁棒性。源代码可在https：// github上找到。com/elahedlv/profester_aware_il。
启发，但不模仿：人工智能与人类智能之间的对话
顾：我认为智能不只是拥有尽可能多的知识，而是从知识中学习普遍的规则，并运用到新任务中去。在神经科学中，有一个很好的例子，就是爱德华·托尔曼在1948年提出的“认知地图”。这个概念最早是在观察老鼠在迷宫中漫游时的行为时提出的。在这种空间导航任务中，老鼠首先将一系列空间和时间事件作为自我中心坐标存储起来，形成“情景记忆”，然后以认知地图的形式进一步转化为更抽象的“语义记忆”。基于自我中心地图，老鼠和其他动物可以利用结构化知识在新环境中导航，或者在迷宫中某些路径被阻塞时规划新路线。现在，我们知道认知地图不仅是空间导航的地图，也是抽象导航的地图，例如通过社交或价值空间。在最近的一篇《细胞》文章中，科学家发现猴子使用相同的大脑区域（包括海马体）来穿越空间，无论是物理空间还是抽象空间。这些大脑区域负责抽象一般规律并形成可以转移以解决不同问题的真实知识。这就是人类和其他动物拥有元学习或学会学习的能力的方式，这实际上是智力的关键，特别是使我们能够掌握多任务处理的一般智力。
亚硝酸盐：模仿生物 Fe–NiR 反应 - RSC 出版
作者：S Das · 2023 · 被引用 8 次 — 并用于对有害病原体的免疫防御，4 以及其氧化物种，即过氧亚硝酸盐 (ONOO。−。)5 或/二氧化氮 (cNO2) ...
模仿TCR免疫突触以改善CAR-T细胞功能
在最近发表的免疫性论文中，XU及其同事表明，通过液态液相分离增强嵌合抗原受体（CAR）聚类，尤其是通过纳入CD3ε，可以改善免疫突触（IS）形成，抗原敏感性，抗原敏感性，和长期的细胞毒性。他们优化的汽车设计（E B6i 28z）模仿基于TCR的关键特征IS，减少了对血液学和实体瘤的疲惫和改善反应。免疫突触（IS）是一种高度专业的界面，在免疫细胞和抗原呈递细胞或靶细胞之间形成。它是T细胞激活，信号传导和效应子功能的关键平台。1经典由T细胞受体（TCR）参与形成，表现出一个特征性的“牛眼”结构，其中包含称为超分子激活簇（SMAC）的同心环。SMAC包括几个组合：1）中央SMAC（CSMAC），富含TCR和相关的信号分子； 2）外围SMAC（PSMAC），包含LFA-1等粘附分子； 3）远端SMAC（DSMAC），它是一个富含肌动蛋白的区域，具有CD45之类的蛋白质。1 CD2是一种重要的共刺激和粘附分子，在PSMAC和DSMAC之间分配，有助于完整性和下游信号传导。2这种复杂的结构确保了精确和持续的T细胞激活。相比之下，嵌合抗原受体（CAR）-T细胞是一种癌症免疫疗法中的革命性工具，形成非经典性是与TCR介导的突触显着不同的结构。4，53 CAR-T细胞突触的特征是混乱，多灶信号簇，缺乏定义的PSMAC以及更快的近端信号传导以及快速溶酶体募集。
双重：基于双边控制的模仿学习通过变压器的动作块
摘要 - 机器人臂中的自主操纵是机器人技术中一个复杂而不断发展的研究领域。本文提出的工作是在机器人技术和机器学习领域的两种创新方法的交集。灵感来自具有变压器（ACT）模型的动作块，该模型采用关节角度和图像数据来预测未来的运动，我们的工作集成了基于双边控制的模仿学习的原理，以增强机器人控制。我们的目标是协同这些技术，从而实现更强大，更有效的控制机制。在我们的方法中，从环境中收集的数据是使用双边控制的关节角度，角速度和扭矩的关节角度，角速度和扭矩。该模型旨在预测领导者机器人的关节角，角速度和扭矩的后续步骤。这种预测能力对于在追随者机器人中实施有效的双边控制至关重要，从而可以进行更细微和响应的操纵。
BI-KVIL：基于关键点的双人操纵任务的视觉模仿
摘要 - 由于计算机视觉的最新进展，视觉模仿学习在学习一小部分视觉观察中学习的单人操纵任务方面取得了令人印象深刻的进步。然而，从双人视觉演示中学习双人协调策略和复杂的对象关系，并将其推广到新颖的混乱场景中的分类对象仍然是尚未解决的挑战。在本文中，我们将以前的有关基于关键的视觉模仿学习（K-VIL）[1]的工作扩展到了双人操作任务。拟议的BI-KVIL共同提取对象和手，双人协调策略以及子符号任务代表的所谓混合主奴隶关系（HMSR）。我们的双人任务表示形式是以对象为中心的，无独立的和视点为主的，因此可以很好地归因于新颖场景中的分类对象。我们在各种现实世界中评估了我们的方法，展示了其从少数人类演示视频中学习细粒度的双人操作任务的能力。视频和源代码可从https://sites.google.com/view/bi-kvil获得。
行为克隆您需要的一切吗？了解模仿学习中的视野
模仿学习（IL）旨在通过从演示中学习来模仿专家在顺序决策任务中的行为，并已广泛应用于机器人技术，自动驾驶和自动回归文本生成。最简单的IL方法是行为克隆（BC），被认为会导致样本复杂性，并对问题视野的不利二次依赖性依赖，激发了各种不同的在线算法，这些算法在对数据的更强假设以及学习者访问专家的访问方面具有改进的线性范围依赖性。我们从学习理论的角度重新审视了离线和在线IL之间的明显差距，重点是可实现的/良好的设置，其中包括一般政策类别，包括深层神经网络。通过对对数损失的行为克隆进行新的分析，我们表明，只要（i）控制累积回报的范围，并且（ii）控制政策类别的监督学习复杂性的适当概念。将我们的结果专门用于确定性的固定策略，我们表明，离线和在线IL之间的差距比以前想象的要小：（i）可以在密集的奖励下实现离线IL的线性依赖性（与以前仅在线iL中可以实现的知识相匹配）； （ii）在政策类别的情况下，在线IL也无法随着对数损失的影响，即使在Manign MDP中也无法改善离线IL。我们通过对标准RL任务和自回归语言生成的实验来补充我们的理论结果，以验证我们发现的实际相关性。
使用模仿学习来实施智能机箱的控制编排
摘要：尽管对超级驱动系统的控制分配取得了进步，但仍需要进行全面，优化和安全的解决方案。传统方法虽然成熟，但仍与耦合非线性分配的复杂性以及对广泛的计算资源的需求斗争。机器学习可以通过其概括和适应能力来提供显着的优势，尤其是在使用线性近似来减轻计算负担或尚不确定执行器的有效性时。模仿学习的最新进展，尤其是行为克隆和深入的强化学习，已经在解决这些挑战方面表现出了有希望的结果。本文旨在确定在控制编排中使用机器学习的潜力，以使智能机箱超越分配问题，包括跨系统，资源平衡以及安全性和性能限制的交互管理。我们提出了一组我们认为与实验有关的技术，以解决智能底盘系统中控制分配的潜在挑战和复杂性，这些挑战将在即将到来的文章中进行测试。
ai模仿和人类尊严：聊天机器人用作违反自尊的
本文调查了人类与AI驱动的聊天机器人的互动如何冒犯人的尊严。当前的聊天机器人，由大语言模型（LLM）驱动，模仿人类语言行为，但缺乏真正的人际际尊重所必需的道德和理性能力。人类倾向于拟人化聊天机器人 - 的确，聊天机器人似乎是故意设计的，以引起这种反应。结果，人类对聊天机器人的行为类似于道德药物之间互动的典型行为。借鉴了尊严的二人关系说明，我们认为以这种方式与聊天机器人进行交互与用户的挖掘不兼容。我们表明，由于第二个人的尊重是基于对二个人道德权威的相互认可，因此鉴于缺乏互惠性，以传达第二个人的尊重的方式行事以道德上有问题。因此，这种聊天机器人的互动等于微妙但有明显的侵犯自尊的行为 - 我们有责任表现出自己的尊严。我们通过讨论四个实际的聊天机器人用例（信息检索，客户服务，咨询和陪伴）来说明这一点，并提出，与聊天机器人进行这种互动的社会压力越来越多，迄今对人类尊严的威胁不足。
探索黑洞模仿：广告的电磁和重力签名黑色壳
我们研究抗 - de Seitter（ADS）黑色壳（也称为Ads Black Bubbles）的电磁和重力特性 - 一类量子重力动机的黑洞模拟物，在经典限制中被描述为物质的超级壳壳。我们发现它们的电磁特性与黑洞非常相似。然后，我们讨论这些物体与黑洞可区分的程度，包括黑色壳模型内的内在兴趣，以及作为外来紧凑型物体（ECOS）其他类似努力的指南。我们研究光子环和透镜带特性，与非常大的基线干涉法（VLBI）观测值有关，以及引力波可观测值 - Eikonal极限中的准模式和非静态潮汐壳的静态潮汐壳（与正在进行和即将来临的Gravitation Gravitation Waver toughational Wave观测）相关。