计划执行办公室指挥、控制、通信、计算机和情报 (PEO C4I) 和太空系统 (PEO Space Systems) 正在共同努力,实现美国舰队部队的舰队设计和分布式海上作战。具体来说,他们专注于创建一个平台/系统无关的环境,从而实现将传感器和数据连接到武器的复杂指挥和控制网络。这项工作涉及从传统的对单个系统或程序的关注转变为对能力的关注。这一共同的旅程旨在更好地使舰队具有竞争力、威慑力和胜利,其起源是有机的——两个指挥部共享同一个老板,海军少将 Carl “Chebs” Chebi,他是两个组织的项目执行官。他们还共享其他资源,他们的技术重点使他们成为天然的队友。“两个 PEO 都在努力加速交付所需的 C4I 或太空系统能力,这些能力价格合理、集成、可互操作且网络安全,”Chebi 说。 “我们正在从以项目为中心的能力转向以能力为中心的系统集成。我们将继续在项目层面执行,但我们将在系统之系统 (SoS) 层面进行管理。展望未来,我们必须定义能力组合。然后我们实施一种方法来分析这些组合,记录 SoS 架构并确定差距。最后一步,我们将整合我们的能力组合
摘要 - 机器人很容易犯错,这可能会对他们在与人类用户的协作任务中的队友的信誉产生负面影响。从这些失败中检测和恢复对于维持用户的有效信任水平至关重要。但是,机器人可能会失败而不意识到它。检测这种失败的一种方法可能是分析人类的非语言行为和对失败的反应。这项研究调查了人类凝视动力学如何表明机器人的失败,并检查了不同类型的故障如何影响人们对机器人的看法。我们与27名参与者进行了一项用户研究,与机器人移动操纵器合作解决了Tangram难题。机器人被编程为经历两种类型的故障 - 执行和决策 - 在任务的开头或结束时发生,无论是否确认失败。我们的发现表明,机器人故障的类型和时机显着影响参与者的凝视行为和对机器人的感知。具体来说,执行故障导致了更多的目光转移并增加了对机器人的关注,而决策失败导致感兴趣领域的凝视过渡的熵较低,尤其是在任务结束时发生故障时。这些结果表明,凝视可以作为机器人故障及其类型的可靠指标,也可以用于预测适当的恢复动作。索引术语 - 动物失败,凝视动态,人机协作
在本文中,我们研究了生成性AI驱动的文化转变,探索了其革命性和潜在的人类意识中的认知和认识论转变的潜力。我们介绍了“认知”的概念 - 将生成AI注入各种社会方面 - 并通过精神,社会和技术镜头对其进行分析,与三种类型的人类文化相对应。精神观点调查了生成性AI如何增强人类创造力,促进人类的合作和个性化文化对象。社会镜头探讨了人工智会对人类互动的影响,其创造性努力的民主化以及相关的道德问题,例如AI-ai-ai-tosship纠纷。技术观点强调生成的AI是一种新的认知形式,从而实现了认识论的进步并重塑了我们对知识创造的理解。我们认为,生成的AI不仅是一种工具,而且是一种作为人类的合作伙伴或队友的文化技术,能够重新构想社会与智力和创造力的互动。尽管这种现象为创新提供了机会,但它也提出了与作者身份,道德和监管有关的挑战。通过认知,生成的AI有可能重新定义文化规范并增强人类潜力,从而成为进一步研究的关键领域。
摘要 道德考量是我们社会的组成部分,它促进合作、帮助和为更大的利益而牺牲。人工智能的进步使得人们更需要研究涉及此类系统开发和实施的道德考量。将道德融入基于人工智能的程序对于防止隐私泄露和决策偏见等负面结果至关重要。人机协作 (HAIT) 带来了额外的挑战,因为为其提供依据的道德原则和道德理论尚未被机器计算;人类必须保持“知情”才能仲裁道德考量。为此,人类判断和决策模型(例如代理-行为-后果 (ADC) 模型)对于指导人工智能队友的道德指导功能以及阐明人类如何以及为何(不)信任机器至关重要。本文将研究 ADC 模型在 HAIT 环境中的应用,以及在人工智能环境中使用以人为中心的道德模型所带来的挑战。由 ADC 模型决策树赋能的 AI 算法既能灵活适应各种道德框架,又能适应不同的环境和背景情况,因此我们相信这项研究为将道德原则应用于 HAIT 的挑战提供了一种新颖的解决方案。关键词:人机协作 (HAIT)、代理-行为-后果 (ADC) 模型、护理机器人、道德、信任、人工智能 (AI)
随着机器学习的进步,自主代理越来越能够驾驭不确定的作战环境,就像多域作战 (MDO) 范式中的情况一样。与人类合作时,自主代理可以根据任务要求和合作伙伴(无论是人类还是代理)采取的行动,灵活地在被动旁观者和主动执行者之间切换。在许多任务中,训练有素的代理的表现可能会超过人类,部分原因是代理的表现不太可能随着时间的推移而下降(例如,由于疲劳)。这种潜在的性能差异可能会导致自满,这是一种由对自动化系统的过度信任定义的状态。本文研究了自满在人机团队中的影响,其中代理和人类在模拟版本的捕食者-猎物追击任务中具有相同的能力。我们使用各种量表比较人类对自满和信任倾向的主观衡量标准,并通过与任务期间采取的行动相关的各种指标量化自满,以验证他们的信念,这些指标与可靠性水平不同的训练有素的代理一起执行任务。通过评估自满对绩效的影响,我们可以将人类在此任务中的表现一定程度上归因于自满。然后,我们可以考虑个人的自满度量,以定制他们的代理队友和人类在环要求(以最小化或 c
团队合作和协作构成了组织绩效和成功的基石。重要的是要了解团队成员的注意力分配与绩效有关。在团队背景下研究注意力分配的一种方法是比较两个在团队中工作的人的扫描路径相似性,并探索扫描路径相似性与团队绩效之间的联系。在这项研究中,招募了参与者,以成对工作,无人驾驶飞机(UAV)任务,其中包括低工作量和高工作量条件。使用眼睛跟踪器来收集每个团队中两个参与者的眼睛运动。使用Multimatch(一种是ES ESS扫描Pather比较算法)在低工作负载条件下比较了两个队友的扫描路径。所获得的扫描路径相似性值与响应时间和准确性的实质性度量相关。几个多选措施表明,多个维度之间的强大相关性显着,从而使团队行为和注意力分配提供了不可思议的相关性。结果表明,每个团队成员的扫描路径越相似,他们的性能就越好。需要进行其他研究和实验变量的考虑,以进一步了解如何最好地使用多匹配来进行扫描路径相似性评估。
伸展运动1。手臂/脖子a在“风车类型”动作中滚动手臂。首先将右臂向前旋转10次,然后切换到左臂。这可以同时使用两个手臂完成。然后,使用相同的序列更改为向后旋转。将每个位置的头部移动8-10秒。将头部从侧面到另一侧移动8-10秒。2。股四头肌这些肌肉是覆盖大腿前部的大肌肉。直立。弯曲一条腿,握住脚踝或脚的顶部。拉动弯曲的腿,直到脚后跟靠近底部。使用墙壁或队友平衡。保持10秒。切换腿。(3。腿筋这些是大腿后部的肌肉。在坐着的位置,左腿笔直,将右脚的鞋底放在左大腿内侧。将躯干弯曲向伸出的腿,使膝盖保持直线,脚部放松。保持10秒。切换腿。4。腹股沟(蝴蝶拉伸)a在坐姿的位置,背部伸直,弯曲膝盖,将脚的底部放在一起。将脚向腹股沟拉。将肘部放在膝盖上,然后将膝盖轻轻推向地板。保持10秒钟,休息并重复。5。犊牛在腿部伸直的坐姿,将右脚跟放在左脚趾的顶部。用手将右脚趾向右脚拉向身体。保持10秒。切换腿。
目的:由于19日大流行,虚拟团队的重要性在此期间有所提高。当前文献中存在关于文化多样性的转变,在面对面互动中的表现以及在虚拟团队中的作用的差距。全球虚拟共同工作需要不同的技能,以便能够充实地交流并了解团队成员。本文分析了跨文化交流能力在虚拟和面对面团队合作中的重要性。方法论:这项研究是通过定量方法来进行的,以查看有关整个文化多样团队的团队合作的模式。总共获得了133份问卷进行数据分析。然后使用IBM SPSS Statistics 27程序分析收集的数据。调查结果:结果发现,跨文化的交流能力在虚拟团队中至关重要。具有更好的培训能力,可以在项目管理期间确定和考虑文化差异。但是,在面对面的团队合作中,这似乎更为复杂。愿意发现另一种文化和渴望对联合国同胞队友的渴望比由于跨文化能力而暂时有效的优先事项。结论:无论分支机构,专业或地理位置如何,跨文化交流能力是当今全球化世界中至关重要的工作场所要求。能够理解具有不同文化背景的人的能力,在虚拟和面对面的互动中都是越来越重要的能力。
必备知识、技能和能力 了解:仪表技术员 I、II、III 职位的职责和任务;美国水务协会 (AWWA) 水表测试/校准标准和程序;仪表车间测试台和便携式仪表测试设备的操作;领导和培训方法和程序;库存和采购流程;计费系统日历;水务局基础设施;密闭空间规章制度;水表理论和力学;自动抄表技术及其应用;数据库和程序,如 Cayenta、Synergen、ARCGIS、SAP、Filenet、大型仪表数据库、回流数据库;Excel、Word、Asset viewer、Access。 技能:与队友、其他局和机构进行适当的沟通;高层次的客户关系;记录和完成复杂的报告;使用多个计算机程序和数据库;进行精确的数学计算;阅读项目的地图、平面图、竣工图和技术图纸。 能够:安全有效地操作行业工具和设备;识别选项并为水表技术人员应用有效的解决方案;掌握专业设备和技术;排除故障并修理各种类型的水表和回流装置;解决问题并做出复杂决策;独立工作或团队合作;专业地以口头和/或书面形式传达指示;在各种天气条件和/或办公室环境中工作;在密闭空间条件下工作;保持供水 1 级认证;保持回流测试仪认证。
可以与人类协调零拍摄的培训代理是多代理增强学习(MARL)的关键任务。当前的算法专注于培训模拟的人类合作伙伴政策,然后将其用于培训合作者。模拟人类是通过克隆在人类数据集上的行为而产生的,或者通过使用MARL来创建模拟药物群体。但是,这些方法通常很难产生有效的合作者,因为所学的人类未能涵盖现实世界中人们采用的各种策略。我们表明,学习人类伴侣的生成模型可以有效地解决这个问题。我们的模型学习了人类的潜在变量表示,可以被视为编码人类的独特策略,意图,经验或风格。可以从任何(人类或神经政策)代理商相互作用数据,在先前工作中提出的统一方法灵活训练此生成模型。通过从潜在空间进行抽样,我们可以使用生成模型来生产不同的合作伙伴来训练合作者。我们评估了我们的方法 - 在熟练的情况下(伽马)的精力充沛,这是一种充满挑战的合作烹饪游戏,已成为零击协调的标准基准。我们对真正的人类队友进行了评估,结果表明,无论是在模拟人群还是人类数据集上训练生成模型,伽玛都会始终提高性能。1此外,我们提出了一种从生成模型中进行后验采样的方法,该方法偏向人类数据,使我们仅使用少量昂贵的人类交互数据有效地提高了性能。