人类可以在协作任务(例如打篮球)中快速适应新伙伴,因为他们知道任务的哪些基本技能(例如如何运球、如何投篮)可以传给新伙伴。人类还可以通过延续他们已经开发的惯例(例如举起手势传球)来快速适应与相同伙伴的类似任务,而无需从头开始学习协调。为了与人类无缝协作,AI代理也应该快速适应新伙伴和新任务。然而,目前的方法并没有试图区分任务固有的复杂性和合作伙伴使用的惯例,更普遍的是,很少有人关注利用惯例来适应新环境。在这项工作中,我们提出了一个学习框架,以原则性的方式将规则依赖表示与惯例依赖表示区分开来。我们表明,在某些假设下,我们的规则依赖表示是跨合作伙伴的最佳响应策略分布的充分统计数据。通过这种表示分离,我们的代理能够快速适应新伙伴,并以零次方式与旧伙伴协调新任务。我们通过三个复杂程度各异的协作任务实验验证了我们的方法:情境多臂老虎机、积木放置任务和纸牌游戏 Hanabi。
本研究提出了一种简单但有效的自适应可调磁流变弹性体 (MRE) 座椅减振器 (SVA) 设计,以实现螺旋桨飞机座椅的更好减振效果。为了有效地将电磁铁产生的磁场集中到 MRE 垫区域,还进行了电磁有限元分析 (FEA)。基于此 FEA,制造了基于 MRE 的 SVA。使用 Instron 试验机对基于 MRE 的 SVA 的阻尼力特性进行了实验评估。使用此测试数据获得了基于 MRE 的 SVA 的动态刚度和损耗因子。为了确认基于 MRE 的 SVA 的可调性,通过振动测试实验获得了相对于一系列施加的输入电流的传输率。
本研究由 NASA 资助,合同编号为 NNL13AC67T。本材料中表达的任何观点、发现、结论或建议均为作者的观点,并不一定反映 NASA 或美国政府的观点。一些个人为本报告中描述的研究做出了贡献。罗克韦尔柯林斯公司的 Siddhartha Bhattacharyya 提供了总体监督、章节概述和特性描述。罗克韦尔柯林斯公司的 Darren Cofer 开发了有关认证挑战和总体监督的章节。Dave Musliner、Joseph Mueller 和 Eric Engstrom 提供了对智能和自适应控制算法的见解。NASA 兰利研究中心的 Kelly J. Hayhurst 提供了有关自适应系统和认证的宝贵意见。来自学术界、工业界和政府机构的许多研究人员提供了对自适应系统的见解。
人工智能(AI)在数据驱动的状态监测研究中不断升级。传统的基于专家知识的预测和健康管理(PHM)过程可以借助各种AI技术(例如深度学习模型)变得更加智能。另一方面,当前基于深度学习的预测存在数据缺失问题,尤其是考虑到实际工业应用中组件的不同操作条件和退化模式。随着仿真技术的发展,基于物理知识的数字孪生模型使工程师能够以较低的成本访问大量仿真数据。这些模拟数据包含组件的物理特性和退化信息。为了准确预测退化过程中的剩余使用寿命(RUL),本文基于现象学振动模型构建了轴承数字孪生模型。使用领域对抗神经网络 (DANN) 来实现模拟和真实数据之间的领域自适应目标。将模拟数据视为源域,将真实数据视为目标域,DANN 模型能够在没有任何标记信息先验知识的情况下预测 RUL。基于实际轴承运行至故障实验的验证结果,与最先进的方法相比,所提出的方法能够获得最小的 RUL 预测误差。
摘要:无人机系统 (UAS) 的进步为逐步提高智能和自主水平铺平了道路,支持新的操作模式,例如一对多 (OTM) 概念,其中单个操作员负责监控和协调多架无人机 (UAV) 的任务。本文介绍了支持 OTM 应用中自适应自动化的认知人机界面和交互 (CHMI 2) 的开发和评估。CHMI 2 系统包括一个神经生理传感器网络和基于机器学习的模型,用于推断用户认知状态,以及包含一组用于控制/显示功能和离散自主级别的转换逻辑的自适应引擎。在离线校准阶段,根据过去的表现和神经生理数据对用户认知状态的模型进行训练,随后在在线适应阶段使用这些模型来实时推断这些认知状态。为了研究 OTM 应用中自适应自动化,开发了一个涉及丛林火灾检测的场景,其中单个操作员负责指挥多个无人机平台在广阔区域内搜索和定位丛林火灾。我们介绍了开发的 UAS 模拟环境的架构和设计,以及各种人机界面 (HMI) 格式和功能,以通过人机在环 (HITL) 实验评估 CHMI 2 系统的可行性。随后将 CHMI 2 模块集成到模拟环境中,提供实现自适应自动化所需的感知、推理和适应能力。进行了 HITL 实验以验证 CHMI 2
APTO™ 技术可自动识别您使用的电池类型,然后自动提供定制的充电程序,告诉您电池充满电并可以使用的时间。无需按任何按钮或选择任何模式 - 只需将 CS ONE 连接到任何 12V 电池并轻松充电即可。无极性夹钳意味着您甚至不需要担心哪个夹钳放在哪里,因此您再也不会连接错误。夹钳也不会产生火花,因此如果您不小心将它们碰到一起也不必担心。使用支持蓝牙® 的 CTEK 应用程序解锁其他功能。选择“恢复”可恢复和重新调节您的电池。选择“唤醒”可使锂电池具有欠压保护或使深度放电的铅酸电池恢复活力。选择“电源”可将 CS ONE 变成有用的 12 V 电源。您还可以监控充电器提供的电压和电流。
为了满足对安全物联网网络的关键需求,本研究提出了一个可扩展且轻巧的课程学习框架,并使用可解释的AI(XAI)技术(包括石灰)来增强,以确保透明度和适应性。所提出的模型采用了在课程学习的每个阶段使用的新型神经网络体系结构,以有效地捕获和专注于短期和长期的时间依赖性,提高学习稳定性并提高准确性,同时保持轻量级和强大的对依次IOT数据中的噪声。通过分阶段学习实现了鲁棒性,在该学习中,模型通过删除低相关功能和优化性能来迭代地完善自己。工作流程包括边缘优化的量化和修剪,以确保可以轻松地部署在边缘iot设备中的便携性。合并随机森林,XGBoost和分阶段学习基础的合奏模型进一步增强了概括。实验结果表明,CIC-IOV-2024和CIC-APT-IOIT-2024数据集的精度为98%,边缘IOIT的数据集和97%的数据集,将此框架确定为具有稳健,透明和高性能解决方案,以实现IoT网络安全性。
考虑,例如,在操作过程中制动系统[3]受到部分影响,导致制动减少并导致车辆的制动距离增加。为了确保在这种情况下持续可操作性,必须对奇数进行调整,这意味着必须确定合适的AODD。AODD必须快速评估场景并在实时条件下确定适当的措施。自主驾驶功能根据奇数的安全要求控制车辆,或者在受损的情况下,根据AODD的安全要求。这涉及适应奇数的参数,以适应由于功能障碍而导致的系统行为的变化。一旦确定了合适的参数集,系统就可以继续在定义的AODD内安全地操作。例如,在这种特定情况下,可以更改两个参数,可以降低车辆的最大速度,或者可以提高与其他交通参与者的最小安全距离。
银行业需要不断为意外变化做好计划。经济衰退会降低消费者支出和借贷,从而降低对金融服务公司服务的需求。通过部署新服务来提高客户满意度,同时投资员工并削减成本以提高利润,这可能具有挑战性。银行需要简化流程并找到有效共享业务部门资源的方法。因此,详细的人员规划和报告通常是金融服务预算和预测的关键部分。许多机构详细规划员工人数,密切关注每位员工的全部成本。
过去十年,保险业因全球化、监管变化和金融动荡而不断发展。2010 年《患者保护与平价医疗法案》带来了重大变革,包括加强保险公司监管。在美国,保险公司主要受州一级的监管,因此保险公司必须遵守 50 个州监管机构和相关的 50 套州法规。保险公司通常需要根据多个维度进行规划,例如业务线、产品系列和保费类型。通常需要进行详细分配,以便按州和产品线规划和报告公司收入和利润。