Towards a Multiagent Decision Support System for crisis Management
危机管理是当前科学界提出的一个复杂问题。决策支持系统是一个合适的解决方案，这些问题，他们确实能够帮助应急管理人员预防和管理危机的紧急情况。然而，它们应该具有足够的灵活性和适应性，以便可靠地解决陷入动态和不可预测环境中的复杂问题。我们在本文中提出的方法解决了这一挑战。我们暴露在这里的信息建模的紧急环境和架构的多智能体决策支持系统，处理这些信息，以防止和管理发生危机的紧急情况。我们关注的是制度机制的第一个层面，它旨在感知和反映当前形势的演变。这里提供了一般的方法和实验。
2014-05-31 cs.AI
Agent-Based Decision Support System to Prevent and Manage Risk Situations
风险预防和应急反应已成为一个重要的社会和政治问题。应对这一挑战的一种方法是开发决策支持系统（DSS），帮助应急计划人员和响应人员发现紧急情况，并建议可能的行动方案来处理紧急情况。我们的研究工作是在这个框架，旨在开发一个决策支持系统，必须尽可能通用和独立的案例研究。
2009-04-20 cs.AI cs.MA
An Online Data-Driven Emergency-Response Method for Autonomous Agents in Unforeseen Situations
Inria（法国国家信息与自动化研究所）；CNRS（法国国家科学研究中心）；HRL Laboratories（HRL实验室）
强化学习代理在训练过程中遇到的分布内的输入时表现良好。然而，他们无法有效地应对新的，分布外的事件，直到他们经历了额外的培训。本文提出了一种在线的，数据驱动的，紧急响应的方法，旨在提供自主智能体的能力，以应对意外情况是非常不同的，它已经训练或设计解决。在这种情况下，不能期望学习策略适当地执行，因为在这些新情况下获得的观察结果将落在代理已被优化以处理的输入分布之外。所提出的方法设计了一个定制的响应顺序的不可预见的情况下，通过选择的行动，最大限度地减少从变分自动编码器的重建误差的增加率。这种优化是使用改进的贝叶斯优化程序以数据有效的方式（大约30个数据点）在线实现的。我们在一个模拟的3D汽车驾驶场景中展示了这种方法的潜力，在这个场景中，智能体在2秒内设计出一个响应，以避免与训练过程中没有看到的物体发生碰撞。
2021-12-17 cs.AI cs.LG cs.RO
Emergency Caching: Coded Caching-based Reliable Map Transmission in Emergency Networks
School of Computer Science, Beijing University of Posts and Telecommunications（北京邮电大学计算机学院）；School of Electronic Engineering, Beijing University of Posts and Telecommunications（北京邮电大学电子工程学院）；Frontier Research Center, Peng Cheng Laboratory（鹏城实验室前沿研究中心）
针对应急救援中灾害地图的可靠传输问题，提出融合编码缓存与边缘缓存的三层无人机协同框架，并利用DRL联合优化无人机选择、带宽和缓存参数。
2024-02-27 cs.AI cs.NI eess.SP
A Multi-constraint and Multi-objective Allocation Model for Emergency Rescue in IoT Environment
University of Chinese Academy of Sciences（中国科学院大学）；Institute of Software, Chinese Academy of Sciences（中国科学院软件研究所）；Advanced Institute of Big Data (Beijing)（北京大数据研究院）
针对灾难后应急资源分配问题，提出多目标混合灰狼蛙跳模型（MSGW-FLM），在28个挑战中优于NSGA-II等模型，显著提升复杂多周期救援场景的分配效率。
2024-03-15 cs.AI
LLM-Assisted Crisis Management: Building Advanced LLM Platforms for Effective Emergency Response and Public Collaboration
University at Albany, SUNY（纽约州立大学奥尔巴尼分校）；College of Emergency Preparedness, Homeland Security, and Cybersecurity（应急准备、国土安全与网络安全学院）
本文提出使用开源LLAMA2识别和分类社交媒体及紧急消息中的危机信息，为911接警员提供处置建议，并在系统过载时指导公众、通知政府机构。
2024-01-12 cs.AI cs.CL cs.HC
CrisiText: A dataset of warning messages for LLM training in emergency communication
Fondazione Bruno Kessler（布雷诺克瑟拉基金会）；University of Trento（特伦托大学）
CrisiText是首个大规模危机警示信息数据集，通过生成13种危机场景下的警示信息，提升LLM在紧急通讯中的训练效果。
2025-10-13 cs.AI cs.CL
Can LLM Agents Respond to Disasters? Benchmarking Heterogeneous Geospatial Reasoning in Emergency Operations
The University of Tokyo（东京大学）；RIKEN AIP（理化学研究所AIP）；Waseda University（早稻田大学）；Stanford University（斯坦福大学）
本文提出DORA基准测试，评估大语言模型在灾难响应中的端到端流程，揭示了灾难领域接地、工具选择瓶颈和组合脆弱性等挑战。
2026-10-20 cs.AI
Better Safe Than Sorry? Overreaction Problem of Vision Language Models in Visual Emergency Recognition
AIM Intelligence（AIM智能公司）；Yonsei University（延世大学）；Lablup Inc.（Lablup公司）
本文提出 VERI 诊断基准，通过对比安全与紧急图像评估 17 个 VLM，发现其高召回、低精确率的系统性过度反应问题。
2025-09-27 cs.AI cs.CL cs.CV
Improving the Environmental Perception of Autonomous Vehicles using Deep Learning-based Audio Classification
The University of Alabama（阿拉巴马大学）；General Motors R&D（通用汽车研发中心）
听觉对于自动驾驶汽车（AV）更好地感知周围环境至关重要。虽然AV的视觉传感器，如摄像头，激光雷达和雷达，有助于看到其周围的环境，但AV无法看到这些传感器的视线之外。另一方面，AV的听觉不能被视线阻挡。例如，AV可以通过音频分类识别紧急车辆的警报器，即使紧急车辆不在AV的视线内。因此，听觉感知是对相机、激光雷达和基于雷达的感知系统的补充。本文提出了一种基于深度学习的鲁棒音频分类框架，旨在改善AV的环境感知。所提出的框架利用深度卷积神经网络（CNN）来对不同的音频类别进行分类。城市环境数据集UrbanSound8k用于训练和测试所开发的框架。七个音频类，即，空调、汽车喇叭、儿童玩耍、狗吠声、发动机空转、枪声和警笛，由于它们与AV相关，因此从UrbanSound8k数据集中识别。我们的框架可以以97.82%的准确率对不同的音频类别进行分类。此外，音频分类精度与所有10类，这证明了我们的框架表现更好的情况下，AV相关的声音相比，现有的音频分类框架。
2022-09-09 cs.AI cs.SD eess.AS
MAFIG: Multi-agent Driven Formal Instruction Generation Framework
School of Computer and Artificial Intelligence, Zhengzhou University（郑州大学计算机与人工智能学院）；Engineering Research Center of Intelligent Swarm Systems, Ministry of Education（教育部智能集群系统工程研究中心）；National Supercomputing Center in Zhengzhou（国家超级计算郑州中心）；Henan Research Center for Large Model Technology and New Quality Software Engineering（河南省大模型技术与新质软件工程研究中心）
本文提出MAFIG框架，通过多智能体生成局部正式指令以应对调度系统紧急情况，采用span-focused loss-driven local distillation机制提升决策效率，实验结果显示在港口、仓储和甲板调度数据集上成功率高且处理速度快。
2026-04-13 cs.AI
Vision-Based Risk Aware Emergency Landing for UAVs in Complex Urban Environments
Center for Research in Mathematics CIMAT AC（数学研究所以CIMAT AC）；Center for Research and Advanced Studies CINVESTAV-IPN（研究与高级研究所以CINVESTAV-IPN）
本文提出一种风险感知方法，利用语义分割持续评估无人机视野中的潜在危险，通过深度神经网络分配像素级风险值，并应用风险地图算法，适应性地识别稳定着陆区，提升复杂城市环境中的紧急着陆安全性。
2025-05-26 cs.AI cs.CV cs.RO
Digital Twin Based Disaster Management System Proposal: DT-DMS
随着城市化程度的提高，自然灾害的破坏和影响正变得更具破坏性。今天的大都市没有为灾前和灾后局势做好充分准备。数字孪生技术可以提供一种解决方案。物理城市的虚拟副本可以通过从物联网（IoT）设备的传感器收集数据并存储在云基础设施上来创建。此虚拟副本将保持最新状态，并与来自传感器的连续数据流保持同步。我们提出了一个灾难管理系统，利用机器学习称为DT-DMS是用来支持决策机制。本研究旨在展示如何通过虚拟副本模拟潜在的灾难情况来教育和准备急救中心的工作人员。将模拟灾难事件，允许急救中心工作人员做出决策，并描述这些决策的潜在结果。模拟地震后的救援行动。测试结果是有希望的，并计划扩大模拟范围。
2021-03-31 cs.AI
Designing Human-mediated AI Guidance: Ready Together for Personalized Family Emergency Preparedness
University of Milano-Bicocca（米兰比可卡大学）
该研究提出人介导的AI指导框架，通过Ready Together系统探索，结合定性研究设计原型，试点显示其可助力家庭个性化应急准备。
2026-08-21 cs.AI cs.CY cs.HC
Multiagent Approach for the Representation of Information in a Decision Support System
Université du Havre（勒阿弗尔大学）
在紧急情况下，行动者需要援助，使他们能够迅速有效地作出反应。在这种前景下，我们在本文中提出了一个决策支持系统，其目的是在危机情况下，由于决策支持的演员准备。第一部分介绍了该系统的总体结构。然后，我们重点介绍了这个系统的一部分，旨在表示当前的情况下的信息。该部分由一个由事实主体组成的多智能体系统组成。每一个主体都具有语义特征，其目的是代表情境的一部分。代理开发感谢他们的相互作用，通过比较他们的语义特征，使用接近的措施，并根据特定的本体。
2008-03-25 cs.AI
Multi-objects association in perception of dynamical situation
HeuDiaSyC-UMR CNRS 6599；Universite de Technologie de Compiegne（贡比涅技术大学）
在当前应用于智能车辆环境重建的感知系统中，为跟踪而保留的对象关联部分越来越重要。这允许首先跟随对象的时间演变，其次增加环境感知的可靠性。我们建议在此通信的多对象关联算法的发展与模糊消除进入这样一个动态感知系统的智能车辆的设计。该算法使用模糊数学的信念理论和数据建模，以便能够处理不准确以及不确定的信息，由于不完美的传感器。这些理论也允许数字和符号数据的融合。在这篇文章中，我们开发的已知和感知对象之间的匹配问题。由此，能够更新车辆的动态环境地图。信念理论将使我们能够量化每个感知对象与每个已知对象之间的关联的信念。冲突可能出现在物体出现或消失的情况下，或者在混乱的情况下或感知不良的情况下。这些冲突被删除或使用分配算法解决，给出一个称为“最佳”的解决方案，从而确保跟踪我们环境中存在的一些对象。
2013-01-23 cs.AI cs.CV
A supervised hybrid quantum machine learning solution to the emergency escape routing problem
Terra Quantum AG（特拉量子股份公司）；Honda Research Institute Europe GmbH（本田欧洲研究院有限公司）
本研究提出一种基于量子FiLM与经典FiLM网络并行的有监督混合量子机器学习方法，用于优化地震等自然灾害中的汽车应急疏散路由问题，在准确率上较纯经典方法提升7%。
2023-07-28 cs.AI cs.LG quant-ph
A Novel Task-Driven Method with Evolvable Interactive Agents Using Event Trees for Enhanced Emergency Decision Support
Institute of Nuclear and New Energy Technology, Tsinghua University（清华大学核能与新能源技术研究院）；Institute of Software, Chinese Academy of Sciences（中国科学院软件研究所）
针对突发紧急事件下人工应急决策的局限性，提出融合两类LLM智能体与事件树分析的EvoTaskTree方法，可从任务响应中学习，在核电站未遇事故场景下准确率达100%，显著提升应急决策效率。
2024-12-24 cs.AI cs.CL
Perception-Intention-Action Cycle in Human-Robot Collaborative Tasks
Institut de Robòtica i Informàtica Industrial (CSIC-UPC)（工业机器人与信息研究所（西班牙国家研究委员会-加泰罗尼亚理工大学））
在这项工作中，我们认为，在人机协作（HRC）任务，HRC任务中的感知-动作循环不能完全解释人类和机器人的协作行为，它必须扩展到感知-意图-动作循环，其中意图是一个关键的话题。在某些情况下，代理意图可以被其他代理感知或推断，但在其他情况下，它必须被明确地告知其他代理以成功实现HRC任务的目标。知觉-意图-行动循环包括三个基本的功能过程：知觉-意图、情境意识和行动。感知和意图是情境意识的输入，情境意识评估当前的情境并将其投射到未来的情境中。代理接收此信息，计划并同意要执行的操作，并在执行HRC任务时修改其操作角色。在这项工作中，我们验证了联合物体运输任务中的感知-意图-行动循环，通过使用现实生活和社会力量的力模型对感知-意图-行动循环进行建模。感知的世界被投射到一个力的世界和人类的意图（感知或通知）也被建模为一个力，在HRC任务的行为。最后，我们表明，行动的角色（主从，合作，中立或对手）是固有的任何HRC任务，他们出现在不同的步骤中的一个合作序列的行动执行任务期间。
2022-06-01 cs.AI cs.HC cs.RO
Situation Perception: A Necessary Primitive to Artificial Superintelligence
本文提出情境感知（situation perception）是通向超级人工智能的关键缺失能力，包括抽象预测、长期压缩记忆和目标驱动的主动学习，并分析了当前大语言模型的不足及相应测试方法。
2026-06-29 cs.AI cs.CL cs.CY
Introspective Perception: Learning to Predict Failures in Vision Systems
Robotics Institute, Carnegie Mellon University（卡内基梅隆大学机器人研究所）
随着机器人渴望在复杂的动态环境中进行长期自主操作，在模糊情况下可靠地做出关键任务决策的能力变得至关重要。这就需要建立具有情境意识的系统，以评估他们在那一刻做出决定的资格。我们把这种自我评价的能力称为内省。在本文中，我们在这个方向上迈出了一小步，并提出了一个通用的框架，在感知系统的内省行为。我们的目标是学习一个模型来可靠地预测给定系统中的故障，相对于一个任务，直接从输入传感器数据。我们提出这一点的背景下，基于视觉的自主MAV飞行在户外自然环境中，并表明它有效地处理不确定的情况。
2016-07-28 cs.AI cs.CV cs.RO
Architectural patterns for handling runtime uncertainty of data-driven models in safety-critical perception
Fraunhofer IESE（弗劳恩霍夫实验软件工程研究所）；Robert Bosch GmbH（罗伯特·博世有限公司）
基于机器学习和其他AI技术的数据驱动模型（DDM）在感知日益自治的系统方面发挥着重要作用。由于它们的行为仅仅是基于用于训练的数据的隐式定义，DDM输出受到不确定性的影响。这对通过DDM实现安全关键感知任务提出了挑战。解决这一挑战的一种有希望的方法是估计操作期间当前情况的不确定性，并相应地调整系统行为。在以前的工作中，我们专注于运行时估计的不确定性和讨论的方法处理不确定性估计。在本文中，我们提出了额外的架构模式来处理不确定性。此外，我们评估了四种模式的定性和定量方面的安全性和性能增益。对于定量评估，我们考虑了车辆排队的距离控制器，通过考虑在不同的操作情况下可以减少多少距离来测量性能增益。我们的结论是，驾驶情况的上下文信息的考虑使得有可能接受更多或更少的不确定性，这取决于情况的固有风险，从而导致性能增益。
2022-06-14 cs.AI cs.LG cs.SE
Stream-based perception for cognitive agents in mobile ecosystems
Hannover University of Applied Sciences and Arts（汉诺威应用科学与艺术大学）；Universidad Rey Juan Carlos（胡安·卡洛斯国王大学）
针对认知智能体难以理解低层手机传感器时序数据的问题，提出基于流的感知方法，并通过众包配送拍卖案例与真实数据验证其效果。
2024-01-24 cs.AI cs.MA
"An Adapt-or-Die Type of Situation": Perception, Adoption, and Use of Text-To-Image-Generation AI by Game Industry Professionals
Aalto University（阿尔托大学）
针对游戏行业专业人士对文生图AI的感知、采用与使用，通过访谈14位芬兰游戏从业者，识别出12个主题和49个子主题，为行业、政策及研究提供洞见。
2023-09-05 cs.AI cs.HC
Situation Awareness for Intelligent Data Distribution in Connected Vehicles
University of Stuttgart（斯图加特大学）
针对自动驾驶感知受限问题，提出基于鸟瞰图的情境识别方法，利用Cam2BEV和神经网络识别交通情境，实现数据优先分发，并在模拟和真实数据集上验证有效性。
2026-09-09 cs.AI cs.CV cs.NI
