亚洲男人的天堂2018av,欧美草比,久久久久久免费视频精选,国色天香在线看免费,久久久久亚洲av成人片仓井空

國防部門正為其工作體系推行數字化工程實踐，同時更廣泛的系統工程界致力于實現此類實踐的現代化與標準化。從傳統文檔模式向純數字化模式的轉型，需要提升對項目或產品全生命周期的數字化管理能力。然而技術發展必須通過迭代流程優化工具設計，聚焦多元用戶群體的可用性需求。現有工具技術雖多，卻常忽略工程師為同行設計工具時的可用性評估。在開發數字化工程任務解決方案時融入可用性考量，既能簡化工具操作又可擴大用戶群體。

本研究評估了12名參與者使用Stitch的表現。該定制化網絡工具支持創建系統工程建模語言第二版（SysMLv2）模型并與虛擬智能體交互。采用混合研究方法結合遙測數據與問卷調查，通過四組任務情景對組（學員與專業人員各半）構建測試框架：受試者根據源文檔構建SysMLv2模型并分析模型要素。該流程平衡傳統文件瀏覽模式與虛擬智能體輔助功能，并采用雙重視覺樣式設計。遙測數據與問卷反饋共同揭示工具可用性及虛擬智能體效能，結果表明不同群體內部及群體間存在顯著的性能與可用性差異。盡管Stitch展現出可用性且虛擬智能體有效支持建模，但參與者普遍期待增強建模輔助功能。

本文貢獻包括：1）基于用戶中心化設計方法論構建Stitch工具，通過案例研究論證虛擬智能體支持下SysMLv2建模的可行性；2）開發四組情景對組指導用戶系統學習SysMLv2建模；3）設計兩種定制模型樣式及可視化擴展機制輔助模型解讀；4）建立用戶通過虛擬智能體調取文檔的學習路徑；5）提出提升Stitch及其他數字工程工具可用性的發展建議。

系統工程（SE）向數字化工程（DE）的轉型需與新技術發展同步。硬件、軟件與基礎設施的深度融合已重塑社會各場域的工作模式。美國防部（DoD）特別是空軍部隊，正采用"引領、借力、觀察"策略吸納敏捷產品開發的商業技術[1]。在業界引領的背景下，國防部需借力哪些技術支持數字化轉型？精進技術并開發配套工具將優化項目全生命周期管理。明確DE工具需求的首要步驟是界定任務支持范疇，繼而通過工具評估定義用戶核心功能需求，最終擴展至更多應用場景。本研究聚焦SysMLv2與虛擬智能體建模場景，致力于構建任務界定與基礎功能需求的可用性基準。

政府機構在項目實施中接收的交付成果形式多樣，常包含多類型文件的數字資產。綜合產品組（IPT）成員需協作驗證這些資產，其專業知識互補形成綜合評估體系。信息關聯要求建立數字資產管理機制實現交付物文檔化與模型化。當前SE/DE領域商業建模工具可通過系統建模實現資產驗證，但復雜工具的設計門檻限制了新從業者及跨領域專家的使用。2018年美軍發布的《國防部數字化工程戰略》設定了推動轉型的多項目標[2]，包括改進合同語言聚焦模型開發、制定標準及革新文化與人力體系。同年發布的《國防部云戰略》明確了向云計算轉型的實施路徑[3]。這些頂層設計與國際SE/DE界最新研究形成呼應[4][5]，共同推動國防部采用系統性產品開發新技術。

由六個章節構成：第二章闡釋四大核心DE任務，結合可用性啟發原則，分析SysMLv1與SysMLv2語言構型要素，并綜述DE工具、大語言模型（LLM）與微服務技術，奠定研究理論基礎；第三章詳述Stitch設計過程，涵蓋SysMLv2參考架構應用、界面體驗開發、數據記錄、LLM集成及信息技術設計；第四章延續設計流程，闡明研究方法論、實驗設計與數據采集規程；第五章呈現可用性評估結果，深度解析各任務情景數據；第六章總結研究成果，論述應用價值并提出后續研究方向建議。

隨著自主機器人能力提升并日益融入社會生活，用戶交互方式、機器對人的感知機制及其對人類意圖的理解能力成為關鍵課題。當用戶需同時操控多臺機器人時，這一挑戰的復雜性將顯著增加。

自主作業中常需人工介入，尤需復雜決策或存在安全隱患的場景。因此，多智能體系統的人機交互方法成為重要研究方向——這類交互應兼具直觀性、高效性與安全性。本研究提出新型"集群人機交互界面（HSI）"，通過手勢控制與觸覺反饋實現在密閉空間內操控四旋翼無人機群。該界面在保障操作者安全的同時，顯著降低集群控制的認知負荷。

人機交互界面（HRI）旨在優化人機通信機制，以直觀友好方式增強用戶對機器人的指揮協作能力。核心挑戰在于賦予移動機器人系統環境中的用戶定位與交互能力：定位需獲取用戶相對于機器人的位姿（位置與朝向），這對近距離交互或共享空間導航至關重要。我們提出創新方法，可實時獲取用戶位姿及其他人機交互所需人體參數。

另一挑戰在于將HRI與HSI范式擴展至戶外場景。不同于受控實驗室環境，戶外涉及諸多變量（如多變氣象條件、靜態與動態障礙物混合）。本論文設計便攜式集群人機交互界面，支持操作者在戶外操控多智能體系統。該便攜HSI采用智能雙目鏡形態，用戶通過其選定戶外區域并分配任務，使多智能體系統在目標區域執行作業。此系統開創了多智能體作業新模式：在利用自動駕駛設備執行視距操作時，既能融合用戶實地知識，又能保持其態勢感知能力。

人工智能分布式部署中智能體系統的廣泛應用，對高效選擇影響智能體學習行為的參數、在復雜環境中實施機制設計，以及整合多元智能體能力實現目標結果提出了新挑戰。算法機制設計作為計算機科學、數學和經濟學的交叉領域，致力于開發引導理性智能體達成預期行為的算法，其應用涵蓋資源分配、成本分攤、定價與組合拍賣等場景。然而，傳統方法受限于計算約束與靜態假設，在充滿不確定性與動態變化的環境中效果不佳。

本論文通過融合強化學習（RL）與貝葉斯優化（BO），針對動態多智能體場景開發自適應機制以突破上述局限。我們提出多智能體強化學習（MARL）中機制設計的新框架，依托創新的BO方法高效探索潛力方案。MARL可捕捉隨機環境中多智能體動態交互的復雜性，通過求解底層馬爾可夫博弈以學習聯合策略。評估多MARL場景的計算復雜度問題通過以下方式解決：（I）擴展后繼特征至納什均衡策略的遷移學習；（II）采用BO框架限定評估預算，使問題可解。

所提機制設計框架的有效性在出租車平臺司機服務費設定、共享自然資源開發管理（社會福利最大化）、探索任務機器人集群硬件采購決策優化，以及激勵機制與招募策略設計（委托方目標最優化）等實際應用的基準研究中得到驗證。該方法在現實問題上展現的優越性，凸顯了BO與MARL融合優化復雜多智能體系統的潛力，為機制設計領域的未來研究奠定了堅實基礎。

在高度受限與擁擠環境中協調機器人集群的復雜任務，常因機器人獲取精確環境狀態信息的能力受限而受阻——此類信息對引導群體達成目標至關重要。挑戰源于環境中固有的不確定性與不可預測性，影響智能體與環境的交互。然而，密集活性物質研究表明，協調行為可通過自組織原則涌現，即簡單的局部社交互動催生復雜全局構型與模式。本論文旨在利用密集活性物質的必然特征，實現無全局控制與顯式他機狀態信息下的機器人集群自發協同。具體而言，自適應堵塞控制技術通過非計劃接觸交互促成集群涌現性協調。該技術依賴機器人間的接觸與碰撞（基于位置噪聲估計與環境變化）。通過自主方向調整與個體任務參與度調節，可化解狹窄隧道中的持續性堵塞。進一步改進算法以應對個體故障對群體效能的負面影響：主動接觸響應（ACR）算法為堵塞控制機制注入容錯性，將故障機器人重定位至低干擾位態，確保隧道內交通流持續暢通與任務完成。

擁擠受限系統的這些特性同時應對多智能體強化學習（MARL）的基礎性挑戰。通過共享環境建立間接通信通道，智能體可估計并推理其他智能體活動的統計特征，從個體視角直接降低環境的非平穩性。數值仿真表明，利用局部物理交互與環境隱式通信可提升多智能體強化學習場景的收斂性與可擴展性。

最終構建數學模型闡釋并驗證自然集群在擁擠狹窄自生隧道中（無需全局控制或顯式通信）表現的自組織行為。該模型與生物實驗中觀測的多階段掘進速率相吻合，揭示接觸與局部交互對自然群體自調控行為的關鍵調控作用。

? 第二章介紹了生物與機器人集群中利用局部交互作為協調技術的背景與文獻綜述，涵蓋共識主動性（stigmergy）在多智能體強化學習場景中的應用，并綜述多智能體系統容錯技術。
? 第三章提出自適應協議方法，用于學習預防受限多機器人掘進任務中的擁堵問題，展示長期真實機器人實驗的實證結果。
? 第四章詳述主動接觸響應方法，增強第三章所述堵塞控制算法的容錯性，呈現真實機器人實驗結果并與基線算法對比。
? 第五章轉向深度強化學習在擁擠受限環境中的多智能體協調，探討通過虛擬信息素或共識主動性提升收斂性的方法論，并與既有基線算法進行比較。
? 第六章展示活體集群協調與適應技術的最新發現，構建螞蟻掘洞實驗的分析與仿真模型。
? 第七章總結全文，強調核心貢獻并展望未來研究方向。

深度學習通過自動化關鍵任務并實現超越人類的準確度，已在多行業引發革命性變革。然而，這些優勢主要依賴部署于云端的巨型神經網絡，其能耗驚人。本論文提出兩類新型框架與算法，將深度學習模型部署邊界拓展至微型邊緣設備——此類設備通常在計算資源有限且環境噪聲復雜的場景下運行：

（1）高效邊緣AI新框架。開發了通過濾波器剪枝與高效網絡設計降低推理成本的方法。CUP框架提出層級濾波器聚類剪枝技術實現模型壓縮與加速；CMP-NAS框架構建視覺搜索系統，優化小型邊緣模型與大型服務器模型協同工作，在保持高精度前提下實現80倍計算成本削減。

（2）魯棒邊緣AI新方法。開發了在降低推理成本同時增強現實噪聲魯棒性的技術。REST框架擴展剪枝應用范圍，使網絡效率提升9倍、運行速度加快6倍，且具備對抗高斯噪聲與對抗樣本的魯棒性；HAR方法將多分支神經網絡的早期退出機制擴展至訓練階段，在類別不平衡最優精度，同時節省20%推理算力；IMB-NAS框架通過超網絡適配策略優化不平衡數據集的神經架構，相較從頭搜索節省5倍計算資源。

研究成果對工業界與社會產生重大影響：CMP-NAS技術支撐時尚與面部檢索服務的邊緣部署案例，在亞馬遜公司內部向數千名研發人員展示；REST技術通過手機實現居家睡眠監測功能，獲多家新聞媒體重點報道。

隨著太空探索的加速發展，以及在極端環境中工作的機器人和人類數量的增加，我們必須實施多智能體自主協調，以確保在本質上通信不友好環境中可安全操作。據所知，目前尚無多智能體調度算法能夠獨立推理通信延遲。一個必須解決的關鍵缺口是開發一種單智能體調度器，能夠在不確定的觀察下決定何時行動，這可以成為分布式多智能體調度的基礎。現有研究已經提供了關于時間推理的見解，即建模觀察不確定性和在時間約束下調度事件。我們既需要在存在不確定觀察延遲時決定何時調度事件，也需要在智能體之間進行穩健的協調。面對不確定性調度事件是一個挑戰，原因在于不可控制的外部事件、未知的觀察延遲以及智能體之間不確定的通信所導致的復合不確定性。本論文提出了一系列貢獻，最終展示了一個穩健的單智能體任務執行器，該執行器使用我們的調度器在多智能體環境中進行協調，盡管存在觀察延遲。實現這一點需要深入理解如何檢查具有不確定延遲的時間約束的可控性，定義一個對不確定觀察延遲具有魯棒性的調度器，將該調度器集成到現有的高層任務執行器中，并制定多智能體的協調策略。我們展示了該調度器具有預期的性能特征，并通過一個受人類太空飛行啟發的場景，在實驗室中進行了多智能體在不確定通信下的執行演示。

本論文的結構如下。第 2 章將提供更詳細的問題陳述，包括用于測試不確定通信的分布式協作和協調的場景描述。第 3 章將概述我們解決該問題的方法。第 4 章將提供本論文的第一項技術貢獻，首先是解決觀察延遲建模問題，然后提供一個可用于檢查具有觀察延遲的時間約束是否可滿足的程序。第 5 章介紹了延遲調度器，這是一種新穎的策略，用于決定在觀測延遲的情況下何時采取行動。在第 6 章中，我們將延遲調度器定位為可部署到實際硬件中的高級任務執行器。第 7 章最后介紹了一種用于不確定通信環境的多智能體協調架構。第 8 章中的討論為本論文畫上了句號，為本研究中的決策提供了更多背景信息。

異構多智能體系統為解決農業、軍事、裝配和倉庫自動化等不同領域的復雜問題提供了可能，否則單個智能體是無法解決這些問題的。要有效部署異構多機器人團隊，研究必須解決不同抽象程度的四個問題：任務規劃（是什么）、運動規劃（如何）、任務分配（誰）和調度（何時）。這些問題高度相互依存，先前的工作已經證明，利用這些問題的單個解決方案之間的協同作用的系統可以提高多機器人協調的效率和效益。

本文研究了在多智能體組隊應用中使用基于特質的模型來表示單個智能體，以及如何利用基于特質的建模來實現更穩健、更高效的多智能體聯盟組建解決方案。具體來說，我們研究了如何在聯盟組建算法中使用這些技術來回答任務分配、調度、運動規劃和任務規劃這四個問題。

我們的研究表明，利用基于機器人和任務特質建模的算法可以在異構多機器人團隊中實現高效的協調，并且在時間進度、分配質量和計算效率方面優于現有方法。本論文的貢獻如下：

• 創建一個建模框架，使現代任務分配算法能夠推理動態特征。通過使用基于轉換的建模框架，我們創建了對以往基于特質的建模技術的擴展，以更好地推理智能體的特質如何隨時間變化。

• 為異構多機器人系統開發基于時間擴展特質的任務分配和路徑規劃統一框架。我們引入了一種基于搜索的方法，用于基于特質的時間擴展任務分配和運動規劃，命名為增量任務分配圖搜索（ITAGS）。

• 整合任務規劃、任務分配、調度和運動規劃的新型多機器人協調問題的形式化和解決方案。我們形式化了一類新的多機器人協調問題，該問題融合了這些問題中的每一個，并提出了一種解決方案（圖形遞歸同步任務分配、規劃和調度（GRSTAPS））。

• 為 ITAGS 的動態變體創建框架，該變體能夠進行基于特征的任務分配修復： 我們對 ITAGS 進行了擴展，使用基于特質的動態時間擴展任務分配算法，如果智能體的特質或任務要求在執行過程中發生變化，該算法可以修復任務分配。

• 創建一個主動學習框架，用于學習多智能體任務分配問題的特質要求： 由于理解一個聯盟的特質與該聯盟在特定任務中的表現之間的關系可能具有挑戰性，因此我們提出了一種主動學習框架來學習任務與特質之間的關系。此外，我們還提供了一種新的時間擴展任務分配算法，該算法能夠優化學習到的質量模型。

圖 2.1： 顯示各種多機器人協調問題交叉點的維恩圖。

現有的決策計算模型往往局限于特定的實驗設置。造成這種限制的主要原因是無法捕捉決策者對情況的不確定性。本文提出了一個計算框架，用于研究神經科學和心理學中不確定情況下的決策制定。框架主要側重于決策者對世界狀況的概率評估，即他們的 “信念”。具體來說，它基于部分可觀測馬爾可夫決策過程（POMDPs），結合貝葉斯推理和獎勵最大化來選擇行動。利用感知決策和社會決策方面的各種實驗數據，證明了基于信念的決策框架的可行性。框架解釋了感知決策實驗中決策者的實際表現與他們對實際表現的信念（即決策信心）之間的關系。它還說明了為什么在許多情況下這種評估會偏離現實。這種偏差通常被解釋為次優決策的證據，或選擇和信心的不同過程。我們的框架對這些解釋提出了挑戰，它表明，一個優化收益的規范貝葉斯決策者也會產生同樣的偏差。此外，在定量預測人類在社會決策任務中的行為方面，方法優于現有模型，并提供了對潛在過程的洞察。結果表明，在涉及大型群體的決策任務中，人類采用貝葉斯推理來模擬 “群體心理”，并對他人的決策做出預測。最后，將方法擴展到關于他人的多個推理層次（心智理論層次），并將服從作為群體決策的一種策略聯系起來。這個擴展框架可以解釋人類在各種集體群體決策任務中的行為，為大型群體中的合作與協調提供了新的理論。

圖 1.1： 基于信念的決策框架。智能體通過行動、觀察和獎勵與世界互動。智能體無法完全觀測到世界的狀態，只能根據觀測結果和智能體的內部世界模型，以概率方式表示世界的狀態。智能體的目標是根據當前狀態的概率分布來制定策略，即所謂的信念

近年來，計算機視覺和機器學習系統有了顯著改善，這主要是基于深度學習系統的發展，從而在目標檢測任務上取得了令人印象深刻的性能。理解圖像內容則要困難得多。即使是簡單的情況，如 "握手"、"遛狗"、"打乒乓球 "或 "人們在等公交車"，也會帶來巨大的挑戰。每種情況都由共同的目標組成，但既不能作為單一實體進行可靠的檢測，也不能通過其各部分的簡單共同出現進行檢測。

這篇論文將描述一個用于進行視覺情境識別的新型系統，其目標是開發能夠展示與理解相關特性的機器學習系統。該系統被稱為 Situate，它能在給出情況描述和少量標注訓練集的情況下，學習目標外觀模型以及捕捉情況預期空間關系的概率模型。給定一張新圖片后，Situate 會利用其學習到的模型和一系列智能體對輸入內容進行主動搜索，以找到情況模型與圖片內容之間最一致的對應關系。每個智能體都會開發模型與輸入內容之間可能存在的對應關系，而 Situate 會為智能體分配計算資源，以便盡早開發出有希望的解決方案，但也不會忽略其他對應關系。

將把 Situate 與更傳統的計算機視覺方法（該方法依賴于檢測情境中的組成目標）以及基于 "場景圖 "的相關圖像檢索系統進行比較。將在情境識別任務和圖像檢索中對每種方法進行評估。結果表明了圖像內容和該內容模型之間的反饋系統的價值。

與決策相關的活動，如自下而上和自上而下的策略制定、分析和規劃，都將受益于基于計算機的模型的開發和應用，這些模型能夠在當地環境中表現人類的時空社會行為。在努力了解和尋找減緩氣候變化特定影響的方法時尤其如此，在這種情況下，此類模型需要包括相互影響的社會和生態要素。此類模型的開發和應用一直受到以下挑戰的嚴重阻礙：設計行為以經驗證據和理論為基礎的智能體，以及測試智能體代表現實世界決策者行為的能力。本論文通過以下方法克服了這些挑戰，從而提高了開發此類模型的能力： (a) 三個新框架，(b) 兩種新方法，以及 (c) 兩種新的開源建模工具。這三個新框架包括 (a) SOSIEL 框架，它為開發新一代認知、多智能體和基于知識的模型提供了一個有理論基礎的藍圖，這些模型由具有認知架構的智能體組成； (b) 一個分析決策者有界理性的新框架，它為分析決策情境與決策者決策之間的關系提供了洞察力和便利；以及 (c) 一個分析人工智能體雙重有界理性（DBR）的新框架，它對決策情境與人工智能體決策之間的關系做了同樣的分析。這兩種新方法包括 (a) 用于獲取和操作決策知識的 SOSIEL 方法，它提高了我們為認知模型、多智能體模型和基于知識的模型獲取、處理和表示決策知識的能力；以及 (b) 用于測試人工智能體表示人類決策能力的 DBR 方法。這兩個開源建模工具包括 (a) SOSIEL 平臺，這是一個基于認知、多智能體和知識的平臺，用于模擬人類決策；以及 (b) 將該平臺作為 SOSIEL 人類擴展（SHE）應用于現有的森林氣候變化模型，即 LANDIS-II，以便分析人類與森林氣候之間的共同進化互動。為了提供示例背景和知識獲取指南，論文包括烏克蘭喀爾巴阡山地區社會生態互動的案例研究，該地區目前正在應用 LANDIS-II 和 SHE。因此，本論文通過以下方式推動科學發展 (a) 為下一代基于認知、多智能體和知識的模型提供理論基礎并展示其實施；(b) 為理解、分析和測試人工智能體代表人類決策的能力提供植根于心理學的新視角。