XiaoMi-AI文件搜索系统
World File Search System群体行为
群机器人技术：多代理系统中的合作控制
摘要 - 群体机器人技术体现了多代理系统中合作控制中的边界，在该系统中，生物群的仿真提供了机器人技术的范式转移。本文深入研究了分散决策的机制以及自主机器人之间的局部相互作用而产生的新兴行为，而无需中央控制器。它探讨了简单的控制规则的综合，这些规则产生了复杂，适应性和可扩展的群体行为，类似于自然群中的行为。对通信协议进行的批判性检查阐明了代理之间的信息共享如何导致集体任务的强大执行。该研究进一步研究了角色分配，任务分配和冗余的动态，这对于群体机器人系统的弹性至关重要。通过模拟和经验分析，证明了群算法在各种应用中的功效，包括搜索和救援，环境监测和集体构造。该研究的发现强调了生物启发算法的重要性以及群体机器人系统在不可预测的环境中适应和繁荣的潜力。对自治系统的未来的影响是深远的，因为群机器人技术为分布式人工智能和机器人的创新铺平了道路。
无人机行为控制任务中的态势感知及其形成问题
摘要：态势感知形成是解决无人机行为控制问题的最关键要素之一。它旨在根据无人机要完成的目标和任务为无人机行为控制提供信息支持。我们认为无人机是一种受控动态系统。本文展示了无人机在动态系统层次结构中的位置。我们介绍了无人机行为和活动的概念，并制定了控制无人机行为的算法要求。我们提出了应用于高度自主无人机 (HA-UAV) 行为控制问题的态势感知概念，并分析了这种态势感知的级别和类型。我们展示了无人机态势感知形成的细节，并分析了它与载人航空和遥控无人机态势感知的区别。我们提出了应用于无人机行为控制问题的态势感知概念，并分析了这种态势感知的级别和类型。我们重点介绍了并更详细地讨论了 HA-UAV 态势感知的两个关键要素。第一个问题与分析和预测 HA-UAV 附近物体的行为有关。讨论了解决该问题所涉及的一般考虑因素，包括分析此类物体的群体行为的问题。作为说明性示例，跟踪在附近机动的飞机的问题的解决方案
通过活细胞成像分析 TCR T 细胞与癌细胞相互作用的细胞行为
T 细胞疗法，例如嵌合抗原受体 (CAR) T 细胞和 T 细胞受体 (TCR) T 细胞，是一类日益增长的抗癌疗法。然而，扩展到新适应症和最后一线治疗之外需要设计细胞的动态群体行为。在这里，我们开发了从活细胞成像中分析 T 细胞细胞行为的工具，这是一种用于评估工程化 T 细胞的常见且廉价的实验装置。我们首先开发了一种基于人机深度学习的最先进的分割和跟踪管道 Caliban。然后，我们构建了 Occident 管道来收集表征修饰的 T 细胞和抗原呈递肿瘤细胞共培养中的细胞群体、形态、运动和相互作用的表型目录。我们使用 Caliban 和 Occident 来探究当将 RASA2 和 CUL5 的有益敲除引入 TCR T 细胞时，T 细胞和癌细胞之间的相互作用有何不同。我们应用时空模型来量化与癌细胞相互作用后的 T 细胞募集和增殖。我们发现，与安全港敲除对照相比，RASA2 敲除 T 细胞与癌细胞的相互作用时间更长，从而导致更高的 T 细胞活化和杀伤效力，而 CUL5 敲除 T 细胞的增殖率更高，从而导致更多的 T 细胞可供狩猎。Caliban 的分割和追踪以及 Occident 的表型量化相结合，使细胞行为分析能够更好地设计 T 细胞疗法，从而改善癌症治疗。
用于紧急响应的沉浸式环境中人群模拟的人工智能代理
摘要 非战斗环境中的虚拟人群在现代军事行动中发挥着重要作用，并且经常给参与的战斗部队带来麻烦。为了解决这个问题，我们正在开发人群模拟，能够生成非战斗平民人群，这些人群表现出不同保真度的各种个人和群体行为。商业游戏技术用于创建实验设置，以模拟城市特大城市环境和组成人群的人类角色的物理行为。这项工作的主要目的是验证设计协作虚拟环境 (CVE) 的可行性及其在训练安全代理应对紧急情况（如活跃的枪手事件、炸弹爆炸、火灾和烟雾）方面的可用性。我们提出了一个混合（人机）平台，其中可以通过包括 AI 代理和用户控制的代理在 CVE 中进行灾难响应实验。AI 代理是计算机控制的代理，包括敌对代理、非敌对代理、领导者跟随代理、目标跟随代理、自私代理和模糊代理等行为。用户控制的代理是针对特定情况角色（例如警察、医务人员、消防员和特警官员）的自主代理。我们工作的新颖之处在于为 AI 代理或计算机控制的代理建模行为，以便它们可以在沉浸式训练环境中与用户控制的代理进行交互，以应对紧急情况
SiMAMT：基于策略的多智能体多团队系统的交互式三维图形仿真环境
多智能体多团队环境复杂而繁琐。通常的做法是简化结构，为每个智能体使用单一策略，例如在群集或群体算法中。虽然这种类型的模拟环境可以提供在系统内工作的多个智能体，但它们的交互是单维的，并且它们的群体行为很少。相比之下，SiMAMT 是一种分层的、基于策略的方法，它提供由独立智能单个智能体实现的大规模、复杂的战略计划。这些智能体是独立的，因为它们有自己的天赋、技能、能力和行为，这些都受到上层（例如团队）给它们的命令的影响。这些智能体可以都有自己的行为，或者几个智能体可以有类似的行为，或者整个团队可以共享一种行为，具体取决于场景。此外，SiMAMT 在各个层面都利用基于策略的行为，因此玩家会受到团队策略的影响，团队会受到单位策略的影响，单位会受到营策略的影响，等等。环境需要的任何层次结构（体育、军事、组织等）都可以由 SiMAMT 系统支持。模拟环境提供 3D 可视化环境，可以从整体角度和每个代理的第一人称视角查看模拟的进度。这种组合视图可以深入了解结构层次结构的每一层是如何执行的——代理、团队、整体交互等。此外，它还提供了每个团队正在使用的策略、每个代理的行为以及两者重叠的总体视图。模拟还在模拟运行时提供统计数据，以传递观察、转换、最有可能的策略（SiMAMT 框架提供战略推断来确定环境中其他团队最有可能采用的策略）和整体模拟结果。总体而言，模拟的目标是让多智能体团队在互动时间内发挥战略性，同时进行策略推理以提高其绩效。SiMAMT 模拟实现了这一目标，这将在实验中得到证明。
了解 IS 管理中的策略评估
管理不再仅仅负责孤立的功能性战略。相反，IS 中的战略规划似乎正在完成一个过程，将其从仅仅是 IS 功能的总体规划转变为组织内信息和信息系统角色的真正共享观点（Chen 等人，2010），最终努力实现真正的数字化商业战略（Bharadwaj 等人，2013）。虽然现有的 ISM 研究已经深入研究了导致 IS 部门组织角色持续转变的趋势，但对其影响的研究只有少数开创性的贡献。例如，Galliers（2004）分析了自 1960 年代以来 ISM 的战略方面是如何演变的。最近，Chen 等人（2010）整合了该领域的一些分散观点。然而，他们的分析侧重于战略制定的产物，即战略本身； Bharadwaj 等人（2013）对数字商业战略的处理也同样如此。相反，Chen 等人（2010）则表明，尽管受到上述宏观趋势的影响，但战略制定过程（即战略制定）尚未得到深入研究。事实上，对于影响 IS 战略制定并受其影响的管理和组织因素的研究已经持续了相当长一段时间——这一观察结果在今天和 Galliers（2004）最初提出时一样真实。具体而言，尽管行业需求日益增长，但将 IS 部门作为公司中解放但又协调一致的部分进行管理的过程仍然没有得到充分研究（Grover 和 Segars 2005）。因此，从业者很少能理解为什么 IS 战略制定中的某些实践可能有助于他们进行战略规划和管理活动（Mocker 和 Teubner 2006）。事实上，“学术讨论远离实际问题”（Mocker 和 Teubner 2007，第 1 页）。为了缩小这种差距，我们的目标是更好地理解当代 IS 组织中的战略评估过程，包括这个过程包含什么、是什么驱动了这个过程以及这个过程的结果是什么。在此背景下，我们研究了三个 IS 高管团队如何处理战略制定任务。关注团队层面的互动和过程受到 Banker 和 Kauffman（2004，第 288 页）的启发，他们建议研究应“寻求为提供与 IS 管理相关的群体行为的解释和诠释模型的背景构建更强大的理论基础”（第 288 页）。关注群体在信息系统管理中的作用非常重要，因为这一层面上的战略决策问题的复杂性、动态性和模糊性通常超出了任何一个人的知识和能力（Mason and Mitroff 1981）。在准备战略规划时，尤其如此，需要收集和评估与 IS 部门战略相关背景相关的信息，并作为一个整体理解这些信息。我们将这些准备活动归入战略评估这一术语之下。在此背景下，我们的研究目标有两个方面。首先，我们试图提取 IS 执行团队在进行战略评估时参与的共同活动。通过分析三个非常不同的案例研究主办组织所采用的程序，我们旨在确定案例之间的系统共性，以发掘战略评估的程序核心，即团队需要做什么