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

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。

機器人和人工智能正在改變我們世界的許多方面。本研究將調查這些技術在水下監視領域的潛在影響和應用，更具體地說，是在應對水雷威脅方面的潛在影響和應用。最終目的是測試是否有可能利用人工智能算法使自主水下航行器具備必要的能力，以取代海上掃雷行動中的人類操作員。這項研究的重要性既在于海事部門日益增長的重要性，也在于機器人和人工智能學科的科學價值。

事實上，海事部門在社會和世界經濟中發揮著越來越重要的作用，這就要求加強安全措施，以保證服務的連續性。海上貿易的增長、通過水下管道輸送的數據和原材料的數量以及在海岸線附近或海域建造的基礎設施的重要性都證明了這一點。然而，必須強調的是，目前監測、控制和必要時干預這種環境的能力非常有限。要監測和保護廣闊的海域，需要付出巨大的努力，而這些海域的邊界很難界定，也沒有關于威脅性質的準確信息，以目前在該領域使用的技術很難持續下去。最近發生的幾起破壞其中一些基礎設施的事件就證明了這一點，這些事件對整個地區的穩定造成了嚴重后果（見北溪管道事件）。

機器人技術和人工智能的最新發展也為這一領域開辟了新天地，創造了重要機遇。一方面是所謂的無人海上系統的發展和演變，這種系統能夠在惡劣的環境中工作，配備強大的傳感器，但平均成本要比傳統的海軍資產低得多；另一方面是人工智能，它使機器能夠在沒有人類干預的情況下執行越來越復雜的操作。

本文的研究結構如下。在引言中，概括性地指出了使用海上無人系統（MUS）進行水下監視所面臨的主要挑戰和機遇，并分析了該領域最有前途的戰略和解決方案。

然后，重點轉向本論文開發的主要應用，即研究和實現能夠自主探測和定位海底地雷的系統和相關算法。

第一步是選擇一個符合成本效益和小尺寸要求的合適平臺。然后選擇一個能夠在水下探測水雷等物體的傳感器，并將其集成到平臺上。

接下來，討論了人工智能的發展及其在水下領域的應用。重點是研究應用于水下圖像的自動目標識別的最新技術。

從最有前途的最新技術入手，開始為自主水下航行器上的準實時應用選擇最佳算法。為此，創建了一個水下圖像數據集，用于訓練和測試基于卷積神經網絡的算法。選定用于船上集成的算法是 “只看一次”（YOLO）神經網絡。該算法的集成實現了為自動潛航器提供自主探測海底類雷物體能力的目標。此外，該算法的訓練和測試階段強調了正確選擇不同數據集的數據以及管理不同水下感知傳感器的重要性。然而，這些研究結果凸顯了這些算法的一些局限性，這促使人們開始尋找新的解決方案。特別是，我們提出了一種名為 “顯著性 CNN ”的算法，它將使用顯著性算法檢測圖像中異常的能力與 CNN 對已知物體進行分類的能力相結合。結果，這種兩階段分類器既能區分感興趣的物體，也能區分海底的一般異常現象。

最后，結束語一章為今后的工作留出了空間，提出了擬議算法 Saliency-CNN 的新實施方案，并為數字孿生系統在水下機器人技術中的引入和使用鋪平了道路。

圖 1.1： CSSN 的系統體系示意圖。由網關浮標與指揮和控制站連接的異構無人系統，具有各種傳感和通信方式（水下和無線電）以及高度自動化。

圖 2.2： 基于無人系統的水下監視概念方案。每個無人潛航器都攜帶一個或多個特定有效載荷并執行特定任務，通過網絡進行通信、數據收集和實時監測。水下和空中環境之間的通信基礎設施由作為網關浮標的 USV（即配備聲學和無線電調制解調器）提供保障。北約研究船 “聯盟號”（NRV Alliance）是輔助船，用于開展各種海洋學活動，并可充當 C2S。在草圖中，UUV 配備了矢量傳感器和/或聲學陣列，用于探測入侵者。但有些 UUV 則配備了側掃聲納有效載荷，用于海底探測。

過去幾十年來，在安全、監視、情報收集和偵察等許多領域，對目標跟蹤（OT）應用的需求一直在增加。最近，對無人駕駛車輛新定義的要求提高了人們對 OT 的興趣。機器學習、數據分析和深度學習的進步為識別和跟蹤感興趣的目標提供了便利；然而，持續跟蹤目前是許多研究項目感興趣的問題。本文提出了一個系統，實現了一種持續跟蹤目標并根據其先前路徑預測其軌跡的方法，即使目標在一段時間內部分或完全被隱藏。該系統分為兩個階段：第一階段利用單個固定攝像機系統，第二階段由多個固定攝像機組成的網狀系統。第一階段系統由六個主要子系統組成：圖像處理、檢測算法、圖像減法器、圖像跟蹤、跟蹤預測器和反饋分析器。系統的第二階段增加了兩個主要子系統： 協調管理器和相機控制器管理器。這些系統結合在一起，可以在目標隱藏的情況下實現合理的物體連續性。

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。

過去幾十年來，在安全、監視、情報收集和偵察等許多領域，對目標跟蹤（OT）應用的需求一直在增加。最近，對無人系統新定義的要求提高了人們對 OT 的興趣。機器學習、數據分析和深度學習的進步為識別和跟蹤感興趣的目標提供了便利；然而，持續跟蹤目前是許多研究項目感興趣的問題。本論文提出了一個系統，實現了一種持續跟蹤目標并根據其先前路徑預測其軌跡的方法，即使該目標在一段時間內被部分或完全隱藏。該系統分為兩個階段： 第一階段利用單個固定攝像機系統，第二階段由多個固定攝像機組成的網狀系統。第一階段系統由六個主要子系統組成：圖像處理、檢測算法、圖像減法器、圖像跟蹤、跟蹤預測器和反饋分析器。系統的第二階段增加了兩個主要子系統：協調管理器和相機控制器管理器。這些系統結合在一起，可以在目標隱藏的情況下實現合理的目標跟蹤連續性。

多智能體機器人技術有望塑造工業的未來，有可能改變日常生活的許多方面。在未來十年中，它們預計將對運輸系統、軍事應用（如偵察和監視、搜救行動或太空任務）產生影響，并為急救人員提供支持。

在機器人領域最新發展的推動下，隨著新一代多智能體機器人系統變得更加智能、精確，應用領域也更加多樣化，本論文將為這些系統的發展做出貢獻。但是，為了實現這些目標，組成合作機器人系統的各個智能體需要在確保準確性和保留執行多樣化任務能力的同時，對它們所能完成的任務進行專業化。

本論文在考慮單個智能體專業化能力的特定背景下，探討了蜂群機器人技術中的任務分配問題。基于每個智能體都擁有專門的功能能力，以及分布在周圍環境中的預期任務提出了特定要求的假設，提出的任務分配機制在兩個不同的空間中制定。首先，團隊成員專業化的初級形式被表述為嵌入智能體動力學控制空間的合作控制問題。其次，定義了智能體專業化的高級表述，在專用的專業化空間中估計單個智能體的任務分配概率，這是本論文對蜂群機器人領域的進步和實踐的核心貢獻。

在專業化空間中制定的原始任務分配過程經歷了四個發展階段。首先，從概念上引入了任務特征識別階段，利用嵌入在智能體中的傳感層的輸出來驅動所提出的任務分配方案。其次，制定匹配方案，將每個智能體的專業能力與相應的檢測任務進行最佳匹配。在這一階段，智能體專業化的一般二進制定義是任務-智能體關聯的基礎。第三，將任務-智能體匹配方案擴展為創新的基于概率專業的任務-智能體分配框架，以推廣這一概念并挖掘智能體專業化考慮的潛力。第四，根據智能體的機械、物理結構和嵌入式資源對其專業化進行調制定義，進一步完善了總體框架。此外，還對原有框架進行了擴展，并引入了優先級層，以提高系統對復雜任務的響應能力，這些復雜任務的特點是基于對多個類別的識別。

在模擬和實際實驗中對所提出的基于專長的任務分配方法進行了實驗驗證，并結合潛在應用對結果進行了介紹和討論，以證明所提框架的有效性和效率。

這項工作旨在填補以往解決機器人群個體專業化問題的工作中的技術空白。本論文的成果通過開發一個創新框架，利用傳感能力來支持智能體之間專業化的概念化和實施，從而推動了蜂群機器人領域的發展。重點在于定義單個智能體的專長，并根據每個任務的特定約束條件，將其與這些單個智能體所要掌握的任務相匹配。為此，本研究打算回答以下研究問題：

問題 1：一群智能水平相對較低的機器人如何完成復雜的任務，這些任務需要單個機器人代理的專業化?

過去二十年來，多智能體系統的合作編隊控制受到了研究人員的極大關注。本論文以文獻綜述（第 2 章）中提到的方法為基礎，提出了一種解決方案，以填補機器人團隊中單個成員專業化方面的研究空白。本論文的重點是通過利用智能體的非同質性來增強蜂群的能力。為此，本論文擴展了合作蜂群的概念，并提出了一個嚴格的流程來利用單個智能體之間的專業異質性。

為了回答問題 1，我們首先進行了一項早期調查，以驗證這一概念。這一過程將機器人團隊工作空間的不同區域定義為分配給不同任務的獨立區域。所開發的解決方案可讓機器人順利安全地切換位置，并根據每個訪問區域要執行的特定任務動態調整整體隊形。它定義了如何在每個區域管理機器人群的編隊。作為一種初級的專業化形式，當智能體從一個區域轉移到另一個區域時，該框架會將智能體的領導角色從一個智能體切換到另一個智能體。在第一階段的研究中，假定一個特定的智能體（即蜂群中的一個成員）是每個區域中唯一專門執行領導任務的智能體。在任務完成之前，該智能體被指定為相關區域的專門領導者。第一部分研究的詳細情況將在第 3.4 節中報告。

問題 2：能否對最初的方法進行升級，讓專業化個體從環境中的自動目標識別中獲益，能否讓智能體之間的合作變得足夠穩健和靈活，以便在發現目標后自動將適當的專業化智能體分配到相應的任務中？

為了回答這個問題，我們進一步擴展了原有的協調系統，用于在專用機器人之間分配基于任務的領導權。通過對分布在機器人群工作空間中的專業化影響區域的定義進行演化，對問題進行了重新表述。受早期編隊方法的啟發，出現了一種有趣的解決方案。從使用機載傳感器自動識別工作區目標的假設出發，選擇有資格執行識別任務的智能體的過程應逐步經歷三個基本狀態，分別稱為搜索狀態、任務狀態和執行狀態。這種方法還可擴展到目標移動時的動態影響區域，以及多個任務共享同一區域時的動態影響區域。這更好地反映了移動機器人的實際干預場景。這方面的工作將在第 3.5 節中報告。

問題 3：為了改進蜂群的管理，能否根據智能體的專業化程度，在一定程度上適合響應給定任務的概率匹配機制中，適當定義和制定每個智能體的專業化功能？

為了解決這個問題，可以利用基于概率的建模來完善用于實現單個智能體角色專業化的框架設計。建立這樣一種智能體行為的概率表征，可以形成一種可擴展的機制。后者支持自動化流程，能夠處理任務和專業化定義中的不確定性，并應對任務約束和智能體能力之間的不完美匹配。所提出的智能體選擇方案是根據任務識別的置信度和特定智能體滿足任務特定要求的概率來制定的。所提出的基于專業的任務分配方案旨在根據所識別的任務約束條件，計算蜂群中各個智能體的匹配適合度，即任務-智能體專業匹配概率。本框架的開發過程詳見第 4.3 和 4.4 節。

問題 4：提議的框架能否應用于實際系統？

為了證明所提方法的有效性及其在現實世界中的應用潛力，我們從兩個方面對其進行了測試。首先，在仿真中對所提出的框架進行驗證，以證明其有效性。第 5 章介紹了大量的模擬實驗。然后，作為案例研究介紹了擬議方法的潛在應用，同時詳細介紹了擬議框架在真實機器人平臺上的實施情況，以驗證和檢驗基于專業的任務分配方案在實現預期協調水平方面的性能。這項工作將在第 6 章中介紹。

圖 3.12 任務執行的先后順序：（a-c）影響區重疊，操作員選擇任務 1（紅色）為優先任務，這促使紅色機器人繼續擔任領導者，直到紅色任務完成；（d-f）第二優先任務（藍色）正在執行，藍色機器人轉為領導者位置；（g-h）蜂群恢復到影響區重疊外的搜索狀態，然后搜索其他任務（綠色，然后是紅色），由相應的領導者機器人執行。

探測無人機系統（UAS）非常復雜。在多個領域（空中、陸地和海洋）整合和共享雷達信息是一個難題。目前有關無人機系統探測的研究主要集中在探測地面兵力和國家關鍵基礎設施上空的無人機系統，但當無人機系統開始挑戰港口或公海上的軍艦時會發生什么？在多機構危機事件中，如何通過無線方式收集和共享信息？探測到的無人機傳感器數據能否通過無線網格網絡（WMN）與其他機構共享？研究表明，在一次小規模的多機構危機響應演習中，可以將 SAAB 的 G1X 雷達系統的模擬數據與戰術突擊套件（TAK）態勢感知應用程序集成在一起。該技術運行完美；但是，注意到，必須進一步檢查和改進反無人機系統戰術技術和程序（TTP）、國際無人機系統法律法規以及提示和自動化，以適應當今的戰斗和機構間響應。此外，發現在演習期間，手機信號無法有效覆蓋舊金山灣。為了縮小這一差距，使用 Persistent Systems 公司的 MPU-5 無線電設備成功擴展了 WMN，從而在非網絡環境中創造了更廣泛的維護網絡功能的能力。

近年來，機器人領域發展迅速，機器人被用于越來越多的應用中，從制造業到醫療健康再到家務勞動。機器人技術的關鍵挑戰之一是使機器人能夠在非結構化和動態環境中執行復雜的操作任務。雖然機器人學習和控制已經取得了重大進展，但許多現有方法受到限制，因為它們依賴于預定義的運動基元或通用模型，而這些模型沒有考慮到個人用戶、其他合作智能體或交互對象的特定特征。為了在這些不同的環境中有效地工作，機器人需要能夠適應不同的任務和環境，并與不同類型的智能體進行交互，如人類和其他機器人。本論文研究學習方法，使機器人能夠適應他們的行為，以實現智能機器人行為。

在本文的第一部分中，我們專注于使機器人更好地適應人類。我們首先探索如何利用不同的數據源為人類用戶實現個性化。研究了人類如何喜歡用低維控制器(如操縱桿)遙控輔助機器人手臂。本文提出一種算法，可以有效地開發輔助機器人的個性化控制。這里的數據是通過最初演示機器人的行為，然后詢問用戶以從操縱桿收集他們相應的首選遙操作控制輸入來獲得的。探索了利用較弱的信號來推斷智能體的信息，如物理修正。實驗結果表明，人工修正是相互關聯的，共同推理這些修正可以提高精度。最后，研究了機器人如何通過推理和利用團隊結構更有效地與人類團隊合作和影響人類團隊，而不是只適應單個人類用戶。將該框架應用于兩種類型的群體動力學，即領導-跟隨和捕食者-被捕食者，并證明機器人可以首先開發一種群體表示，并利用這種表示成功地影響一個群體以實現各種目標。

在本文的第二部分，我們將研究范圍從人類用戶擴展到機器人智能體。本文解決了分散的機器人團隊如何通過只觀察其他智能體的行動來相互適應的問題。本文發現了團隊中存在無限推理循環的問題，并通過為機器人智能體分配不同的角色，如"發言人"和"聽眾"，提出了解決方案。這種方法使我們能夠將觀察到的行動視為一個溝通渠道，從而實現分散團隊內的有效協作。在本文的第三部分，我們探討了如何通過開發定制的工具來適應不同的任務。強調了工具在確定機器人如何與物體交互方面的關鍵作用，使它們在為特定任務定制機器人方面變得重要。為解決這個問題，本文提出一個端到端的框架，通過利用可微物理模擬器來自動學習富接觸操作任務的工具形態學。最后，對全文進行了總結，并對未來的研究方向進行了展望。

教育評估、信貸、就業、醫療保健和刑事司法等高風險應用的決策越來越受到數據驅動，并由機器學習模型支持。機器學習模型也使關鍵的信息物理系統，如自動駕駛汽車和機器人手術成為可能。在過去的幾年里，機器學習領域取得了驚人的進展。然而，即使這些技術越來越多地融入我們的生活，記者、活動家和學者仍發現了一些侵蝕這些系統可信度的特征。例如，據報道，一個支持法官審前拘留決定的機器學習模型對黑人被告存在偏見。同樣，據報道，一個支持在一家大型科技公司進行簡歷篩選的模型也對女性有偏見。研究表明，用于胸部x光片疾病計算機輔助診斷的機器學習模型更重視圖像中的標記，而不是患者的解剖細節。自動駕駛汽車的死亡事故發生在不同尋常的條件下，根本的機器學習算法沒有經過訓練。簡而言之，雖然每天都有機器學習算法在某些任務上取得超人成績的新故事，但這些驚人的結果只是在一般情況下。我們在所有情況下信任這些算法所需要的可靠性、安全性和透明度仍然是難以捉摸的。因此，越來越多的人希望在這些系統中擁有更多的公平性、健壯性、可解釋性和透明度。

人工智能的空間是巨大的，復雜的，并不斷發展的。隨著計算能力的進步和越來越大的數據集，人工智能算法正在被探索和開發，以用于各種各樣的應用空間，人工智能算法有各種各樣的潛在用戶和相關風險。人工智能界正在追求可解釋性，作為可信人工智能系統的許多理想特征之一。通過與人工智能界的合作，美國國家標準與技術研究院（NIST）已經確定了其他的技術特征來培養人工智能的信任。除了可解釋性（explainability）和可詮釋性（interpretability）之外，為支持系統的可信賴性（trustworthiness）而提出的其他人工智能系統特征包括準確性、隱私性、可靠性、穩健性、安全性、保障性（彈性）、減少有害偏見、透明度、公平性和問責制。可解釋性和其他人工智能系統特征在人工智能生命周期的各個階段相互作用。雖然所有這些都是極其重要的，但這項工作只關注可解釋的人工智能系統的原則。

在本文中，我們介紹了四項原則，我們認為這些原則構成了可解釋人工智能系統的基本屬性。這些可解釋人工智能的原則是通過NIST的公共研討會和公眾評論期與更大的人工智能社區接觸后得出的。我們認識到，并非所有的人工智能系統都需要解釋。然而，對于那些打算或要求可解釋的人工智能系統，我們建議這些系統遵守以下四個原則：

• 解釋性：一個系統為產出和/或過程提供或包含附帶的證據或理由。

• 有意義：一個系統所提供的解釋對目標消費者來說是可以理解的。

• 解釋準確性：解釋正確地反映產生輸出的原因或準確地反映系統的過程。

• 知識局限性：系統僅在其設計條件下以及對其輸出達到足夠置信度時才能運行。

在這項工作中，我們認識到基于過程和基于結果的解釋的重要性，以及解釋目的和風格的重要性。例如，人工智能開發者和設計者的解釋需求可能與政策制定者和終端用戶的解釋需求截然不同。因此，為什么要求解釋以及如何提供解釋可能會因人工智能用戶的不同而不同。考慮到人工智能系統與信息的人類接收者的互動，這四項原則受到很大影響。給定情況的要求、手頭的任務和消費者都會影響被認為適合該情況的解釋的類型。這些情況可以包括，但不限于，監管機構和法律要求，人工智能系統的質量控制，以及客戶關系。我們的可解釋人工智能系統的四項原則旨在捕捉一系列廣泛的動機、理由和觀點。這些原則允許定義解釋所要考慮的背景因素，并為衡量解釋質量鋪平道路。

我們設想，鑒于人工智能領域的復雜性，這些原則將隨著時間的推移從更多的細化和社區投入中受益。我們充分認識到，除了可解釋性之外，還有許多其他社會技術因素影響著人工智能的可信度。這項關于可解釋人工智能系統原則的工作是NIST人工智能組合的一部分，該組合圍繞可信賴的人工智能數據、標準、評估、驗證和核實--所有這些都是人工智能測量所必需的。NIST是一個計量機構，因此，定義可解釋人工智能系統的初始原則是未來測量和評估活動的路線圖。該機構的人工智能目標和活動是根據其法定任務、白宮的指示以及美國工業界、其他聯邦機構和全球人工智能研究界的需求來確定優先次序的。目前的工作只是這個更大空間中的一步，我們認為這項工作將隨著時間的推移繼續發展和進步，就像更大的人工智能領域。