XiaoMi-AI文件搜索系统
World File Search System认知结构
飞行机组资源管理技术作为 R - IIETA
现代喷气式飞机驾驶舱自动化程度的提高旨在降低飞行中失去控制 (LOC-I) 等不良飞机状态 (UAS) 情况的风险。尽管 LOC-I 在全球范围内仅占所有分析事故的 9%，但国际航空运输协会 (IATA) 报告称，2017 年所有事故死亡人数中 58% 是由 LOC-I 造成的。本文的重点是回答威胁和错误管理以及机组资源管理 (CRM) 技术在面对 LOC-I 威胁时是否是一种有效的风险管理工具。分析了三份 LOC-I 最终飞机事故报告，以了解这些飞行期间的人为因素 (HF) 的结构。来自 HF 领域的方法，例如通用错误建模系统 (GEMS) 和基于技能、规则和知识 (SRK) 的错误方法，为识别潜在发现提供了宝贵的见解。对飞行路径管理中的认知结构进行全面调查有助于直观地了解日常操作中 LOC-I 期间的潜在情况和认知要求高的任务。考虑到本文考虑的案例数量有限，应将其视为 LOC-I 事故分析的概述。这表明，领导力和团队合作作为 CRM 培训的重要方面，可以作为缓解 HF 问题和 LOC-I 风险的关键策略。
飞行机组资源管理技术作为 R - IIETA
现代喷气式飞机驾驶舱自动化程度的提高旨在降低飞行中失去控制 (LOC-I) 等不良飞机状态 (UAS) 情况的风险。尽管全球范围内 LOC-I 仅占所有分析事故的 9%，但国际航空运输协会报告称，2017 年所有事故死亡人数中 58% 是由 LOC-I 造成的。本文的重点是回答威胁和错误管理以及机组资源管理 (CRM) 技术在面临 LOC-I 威胁时是否是一种有效的风险管理工具。分析了三份 LOC-I 最终飞机事故报告，以了解这些飞行期间的人为因素 (HF) 结构。HF 领域的方法，例如通用错误建模系统 (GEMS) 和基于技能、规则和知识 (SRK) 的错误方法，为识别潜在发现提供了宝贵的见解。对飞行路径管理中的认知结构进行整体研究有助于在日常操作中可视化 LOC-I 期间的潜在条件和认知要求高的任务。考虑到本文考虑的案例数量有限，应将其视为 LOC-I 事故分析的概述。它表明，领导力和团队合作作为 CRM 培训的重要方面，可以作为缓解 HF 问题和 LOC-I 风险的关键策略。
飞行机组资源管理技术作为 R - IIETA
现代喷气式飞机驾驶舱自动化程度的提高旨在降低飞行中失去控制 (LOC-I) 等不良飞机状态 (UAS) 情况的风险。尽管全球范围内 LOC-I 仅占所有分析事故的 9%，但国际航空运输协会报告称，2017 年所有事故死亡人数中 58% 是由 LOC-I 造成的。本文的重点是回答威胁和错误管理以及机组资源管理 (CRM) 技术在面临 LOC-I 威胁时是否是一种有效的风险管理工具。分析了三份 LOC-I 最终飞机事故报告，以了解这些飞行期间的人为因素 (HF) 结构。HF 领域的方法，例如通用错误建模系统 (GEMS) 和基于技能、规则和知识 (SRK) 的错误方法，为识别潜在发现提供了宝贵的见解。对飞行路径管理中的认知结构进行整体研究有助于在日常操作中可视化 LOC-I 期间的潜在条件和认知要求高的任务。考虑到本文考虑的案例数量有限，应将其视为 LOC-I 事故分析的概述。它表明，领导力和团队合作作为 CRM 培训的重要方面，可以作为缓解 HF 问题和 LOC-I 风险的关键策略。
飞行机组资源管理技术作为 R - IIETA
现代喷气式飞机驾驶舱自动化程度的提高旨在降低飞行中失去控制 (LOC-I) 等不良飞机状态 (UAS) 情况的风险。尽管全球范围内 LOC-I 仅占所有分析事故的 9%，但国际航空运输协会报告称，2017 年所有事故死亡人数中 58% 是由 LOC-I 造成的。本文的重点是回答威胁和错误管理以及机组资源管理 (CRM) 技术在面临 LOC-I 威胁时是否是一种有效的风险管理工具。分析了三份 LOC-I 最终飞机事故报告，以了解这些飞行期间的人为因素 (HF) 结构。HF 领域的方法，例如通用错误建模系统 (GEMS) 和基于技能、规则和知识 (SRK) 的错误方法，为识别潜在发现提供了宝贵的见解。对飞行路径管理中的认知结构进行整体研究有助于在日常操作中可视化 LOC-I 期间的潜在条件和认知要求高的任务。考虑到本文考虑的案例数量有限，应将其视为 LOC-I 事故分析的概述。它表明，领导力和团队合作作为 CRM 培训的重要方面，可以作为缓解 HF 问题和 LOC-I 风险的关键策略。
飞行机组资源管理技术作为 R - IIETA
现代喷气式飞机驾驶舱自动化程度的提高旨在降低飞行中失去控制 (LOC-I) 等不良飞机状态 (UAS) 情况的风险。尽管全球范围内 LOC-I 仅占所有分析事故的 9%，但国际航空运输协会报告称，2017 年所有事故死亡人数中 58% 是由 LOC-I 造成的。本文的重点是回答威胁和错误管理以及机组资源管理 (CRM) 技术在面临 LOC-I 威胁时是否是一种有效的风险管理工具。分析了三份 LOC-I 最终飞机事故报告，以了解这些飞行期间的人为因素 (HF) 结构。HF 领域的方法，例如通用错误建模系统 (GEMS) 和基于技能、规则和知识 (SRK) 的错误方法，为识别潜在发现提供了宝贵的见解。对飞行路径管理中的认知结构进行整体研究有助于在日常操作中可视化 LOC-I 期间的潜在条件和认知要求高的任务。考虑到本文考虑的案例数量有限，应将其视为 LOC-I 事故分析的概述。它表明，领导力和团队合作作为 CRM 培训的重要方面，可以作为缓解 HF 问题和 LOC-I 风险的关键策略。
与认知的共同模型桥接生成网络
引言智能系统通过拥有良好的老式人工智能（即Gofai或“象征性”）推理和连接主义统计学学习（例如Hitzler等。2022）;但是，如何整合两者尚无共识。较少的方法之一是将生成的AI模型和认知体系结构整合到单个混合系统中。对人类认知结构进行建模的主要候选者是认知的常见模型，以前是心灵的标准模型（Laird，Lebiere和Rosen-Bloom 2017），但是目前它缺乏使低级连接因素在认知水平上可以解释的方法。认知的通用模型（CMC）概述了人类认知如何在计算机上运作的说明，并通过大规模的神经科学数据进行了验证（Stocco等人。2021）。相比之下，大多数生成神经网络不受与生物学的对应关系的约束，而是采用务实的方法来产生不知知的输出。认知建模和人工智能具有不明显的目标，即一方面解释和预测人类和动物的行为，并解决问题并执行任务而没有人类指导。然而，认知模型可以从当前深度学习方法的整体中受益，因为生成网络解决的许多任务都是认知建模缺乏详细过程模型的任务，例如受到启示，想象力和自然语言处理。为
可制造：以内存为中心和基于负担的任务执行框架可转让移动操纵技能
摘要 - 在以人为本的环境中执行多功能移动操作任务，可以有效地将学习的任务和经验从一个机器人转移到另一个机器人或跨不同环境的能力是关键。在本文中，我们提出了一个多功能的单项和多手册移动操作框架，可促进能力和知识在不同的任务，环境和机器人之间的传递。我们的框架将基于负担的任务描述为以记忆为中心的ARMAR人形机器人机器人家族的认知结构，该架构支持分享经验和演示以进行转移学习。通过代表可承受的移动操作动作，即。例如，机器人与其环境的交互可能性，我们为在各种环境中对已知和未知对象的自动单和多手动操纵提供了一个统一的框架。我们演示了该框架在实际实验中对于多个机器人，任务和环境的适用性。这包括抓住已知和未知的对象，放置对象，双人对象抓握，启用记忆的技能转移在抽屉开放方案中，跨两个不同的人形机器人开放场景，以及从人类演示中学到的倾泻任务。接受后，代码将通过我们的项目第1页发布。
在严肃游戏中使用人工智能技术来发展社会道德推理能力
社会道德推理 (SMR) 是一种社会认知结构，对于决策和社会互动适应至关重要。它通常被定义为“个人如何思考支配日常生活中社会互动的道德情感和惯例”(Beauchamp、Dooley 和 Anderson 2013)。能够预测和诊断一个人的社会道德推理技能水平 (或能力) 是量化人们的社会功能的关键步骤，可用于识别那些有不良社会行为风险的人。这种诊断可以帮助人们获得适当的服务或提供足够的支持来提高这种技能的发展。社会道德推理能力水平 (So-Moral)(Dooley、Beauchamp 和 Anderson 2010) 任务是一种计算机测量的演练，其中向儿童和青少年展示日常生活中的视觉社交困境。然后要求他们用语言描述自己在这种情况下会如何反应，以证明自己的答案。参与者的答案被逐字记录在笔录中，随后由专家使用受科尔伯格道德发展理论 (Kohlberg 1984) 启发的道德成熟度编码方案进行手动评分。逐字记录是包含至少一个句子的短文或长文。每个社会道德推理水平都由专家详细记录。在本文中，我们提出了一种新颖的情绪自适应严肃游戏 (LesDilemmes)，旨在帮助培养 SMR 成熟度。该游戏基于现有的计算机化
从自然互动和大型语言模型中对人形机器人行为的增量学习
摘要 - 自然语言对话框是直观人类机器人相互作用的关键。，它不仅可以用来表达人类的意图，而且可以传达改进的指示，如果机器人无法正确理解命令。非常重要的是，将机器人赋予以渐进的方式从这种互动经验中学习的能力，以使他们能够改善自己的行为或避免将来犯错。在本文中，我们提出了一个系统，以从自然相互作用中实现复杂行为的增量学习，并证明其在人形机器人上的实现。基于最新进展，我们提出了一个系统，该系统基于使LLM能够在交互式控制台中生成Python语句以调用机器人感知和动作的互动式陈述的想法，从而将大型语言模型（LLMS）用于机器人行为的高级编排。通过将人类指示，环境观察和执行结果馈送到LLM，从而封闭了交互环路，从而告知下一个陈述的生成。具体来说，我们引入了增量提示学习，这使系统能够从错误中进行交互学习。为此，LLM可以将另一个负责基于人类反馈的当前交互的LLM调用。然后将改进的交互作用保存在机器人的内存中，从而在类似的请求中检索。我们将系统集成到人形机器人ARMAR-6的机器人认知结构中，并通过证明广义的渐进学习知识来定量（模拟）和定性（模拟和现实世界中）评估我们的方法。
公众对自动流动性的道德问题的看法
与社会更大的利益，这为社会层面的道德挑战铺平了道路。虽然在危险情况下一直关注单个AV的行为，但扩大AV的行为对整个运输系统的行为可能会对社会产生后果，而不仅仅是在AV中实施哪种道德准则[6]。外行依靠他们的直觉和社会认知结构，例如信任，价值一致性，情感和情境因素，以判断新的，复杂的技术的道德可接受性，而不是像专家这样的专家一样[7]。在这方面，人们越来越关注人工智能技术漏洞漏洞，数据秘密，同意和安全性的脆弱性。av并不是这种怀疑主义的例外。在可及性和公平性方面，公众对AV的影响有所增加。尽管如此，一项全面的分析表明，对自动运输的非区分含义的研究（例如对社会公平和公共卫生的影响）的研究相对较低[8]。另外，虽然驾驶员的需求和使用已经进行了大量研究，但脆弱的道路用户类别，例如行人，老年道路使用者，残疾人道路使用者，儿童，但被忽略了。目前的手稿报告了一项焦点小组研究的结果，该研究是作为H2020 Project Suaave的一部分（支持对自动化车辆的接受，2019-2022）的一部分，以理解公众对AV提出的道德问题的看法，针对不同的道路用户组，即不同的道路用户组，即驾驶员，行人，行人，行人和不适合使用）。