- AAAI走向长期自治:机器人学习的观点
本研究从机器人学习的角度,探讨服务机器人长期自治问题及其数据前提和部署方案。
- AAAI建立 AI 的元决策制定:相关性、表示和推理本体论
该研究提出了建筑决策系统本体论,以实现人工智能的元决策,提高自主性,并创建一个可建立度量和基准的框架,以确保第三波认知系统中的安全,并讨论了在此背景下重要性,同时提出了相关,表示和推理三个部分的本体,并探讨了它们在确保安全和减少风险方面的价 - 具有有界追踪遗憾的在线子模合作:理论、算法和多机器人协调应用
在未知和对抗性的动态和非结构化环境中,提出一种带边界的次模协调算法,使得机器人可以在协调完成复杂任务的同时,学习到在最优时间内采取最优行动的能力。
- 人工智能、透明度和个人自主权
使用机器学习的 AI 决策算法越来越普及,在诸如保释听证会、医疗诊断和招聘过程中使用。本文旨在通过探讨透明度和不透明性的因果解释,以及最近有关因果解释价值的工作,为算法的不透明性提出了一个道德关注点:当这些算法用于改变人们生活的决策时,它们 - CASPER: 机器人社交感知与互动的认知架构
介绍了一种符号认知架构 CASPER,运用定性空间推理来实现智能机器人理解他人意图并协作完成任务的目的。通过模拟的厨房环境测试表明,机器人可以识别正在进行的目标并适当地协作完成任务。这是一个新型的定性空间关系应用于人机交互意图读取问题的方法 - 在三维环境中评估性能信任与道德信任的违规行为
研究了人与机器人的互动过程中的信任问题,通过实验探究机器人失误对于人类信任的内在差异,并通过不同环境对人类对机器人失误的态度产生的影响。
- 机载调度技术领域的创新
本文提出一种基于线性整数规划和基于分支定界求解器的机载任务调度器,旨在提高太空任务操作的自主性和降低成本,并在地球观测场景进行了性能测试。
- CVPR带有差异性注意力的全景分割联合预测
通过使用基于 “差异关注” 的变压器模型,全景分割预测模型联合预测场景中的所有对象实例,并考虑深度估计进一步优化预测结果,成功解决了当前全景分割预测模型独立预测和启发式合并预测所遇到的问题,实现了全景分割预测方面的最先进研究成果。
- AAAI预测自动驾驶汽车接收指令后的目标物理位置
本论文提出一种基于自然语言的方式来解决乘客对 AI 控制下的自动驾驶车辆的不安全感问题,重点研究目的地预测,提出了一种模型,并证明其在此类应用中比异类模型更有效。
- 继续学习的腿式机器人:在现实世界中微调运动策略
该论文提出了一种基于强化学习的实际机器人强化学习系统,通过在现实世界中微调机器人运动策略的少量训练,实现了 A1 四足机器人在多种环境中自主微调多种运动技能的能力。
- ICML使用数据驱动指导学习任务无关技能
本文提出了一种使用学习的状态投影来引导技能发现,从而使得强化学习的代理人在特定任务中获得了更有用的行为。
- IJCAI为机器人代理建立适用关系 - 一项综述
本文回顾了在机器人任务中使用借助能力概念的不同策略,并构建这些方法以提供指导,包括能力作为提高自主性的机制。最后,我们确定并讨论了一系列有趣的借助能力研究方向,这些方向有潜力提高 AI 代理的能力。
- 机器人应用中 LiDAR 自监督学习测距法
提出了一种多用途的自监督 LiDAR 里程计估计方法,该方法在训练期间有选择地应用几何损失,无需任何标签或地面数据,适用于精度难以获得的应用中的姿态估计。
- 人机协作过程的分层架构
本文提出 FlexHRC + 用于高度可变的工厂任务中提供协作机器人更高的自主性,包括三个层次的感知、表示和行动,并在家具组装和物体定位任务中展开了实验。
- AvE: 助力赋权
提出了一种新型的人机辅助方法,通过增加人对环境的控制能力以提高对人的辅助精确性;采用增强学习与人类赋权相结合的方法,实现了一个任务无关的目标,保护人的自主权和实现任何最终状态的能力,并通过在具有挑战性的模拟远程操作任务的共享自主用户研究中成 - ICLR通过目标生成将语言与自主获得的技能联系起来
语音条件加强学习是获取技能库的好工具,但大多数学习代理无法自主学习并直接语言条件化不能表达过多的行为多样性。本文提出了一种名为 LGB 的新型语言条件强化学习思路,通过中间语义表示解耦技能学习和语言基础。
- 人类 - 算法交互决策的必要性:在算法评分错误的情况下
该研究探讨了算法工具在儿童虐待热线筛选决策方面的应用,结果显示人类对机器的建议进行了更改,缺乏自主权的全自动化决策管道存在风险。
- 深度学习在人工智能中的非凡有效性
深度学习网络在语音识别、图像描述和语言翻译等方面的高性能表现是由于它们利用高维空间的几何特性,然而它们究竟能否推广到实现全面的人工智能,以及和大脑规划和生存相关的其他区域的灵感还需做出重大突破。
- 可解释人工智能(XAI)在 6G 中的应用:增强人机之间的信任
本综述旨在探讨可解释人工智能在 6G 系统中的应用,包括公共和法律动机、解释性定义、性能与解释性权衡、提高可解释性的方法以及将可解释性纳入未来无线系统的框架,由 PHY 和 MAC 层的优化案例研究支持。
- AAAI人工智能:推动人类探索月球和火星
该研究报告介绍了 NASA 在过去十年中使用 AI 技术开发和演示自主系统和运营项目,重点讨论了三种不同的方式,使得机载操作具备了自主性能力,并对未来的开发进行了评估。