Artificial Intelligence and Systems Theory: Applied to Cooperative Robots
本文介绍了一种方法来设计人口的合作机器人的概念借用系统理论和人工智能的基础上。这项研究是在里斯本系统和机器人研究所(ISR/IST)的智能系统实验室进行的SocRob项目下开发的。该项目的首字母缩写代表“机器人社会”和“足球机器人”,我们正在测试我们的机器人种群的案例研究。设计足球机器人是一个非常具有挑战性的问题,机器人不仅要将球射向球门,还要检测和避免静态(墙壁,停止机器人)和动态(移动机器人)障碍物。此外,他们必须合作击败对手。我们过去和现在在足球机器人方面的研究包括用于世界建模的协作传感器融合,对象识别和跟踪,机器人导航,多机器人分布式任务规划和协调,包括合作和对抗环境中的协作强化学习,以及用于协作机器人团队实时的任务执行的基于行为的体系结构。
2004-11-08 cs.AI cs.RO
Quantifying Natural and Artificial Intelligence in Robots and Natural Systems with an Algorithmic Behavioural Test
LABoRES
机器人技术、人工智能和人工生命领域最重要的目标之一是设计和建造与生物体一样通用且可靠的系统和机器,以执行高水平的类人任务。但是,如果我们不确定如何测量生命系统中的这些能力,更不用说如何定义生命或智能了,那么我们如何评估人工系统?在这里,我调查了一个具体的度量标准,以衡量自然和人工系统的抽象属性,如对环境的反应能力和控制自己的行为。
2014-12-23 cs.AI cs.RO
Integrating Artificial Intelligence and Augmented Reality in Robotic Surgery: An Initial dVRK Study Using a Surgical Education Scenario
The Chinese University of Hong Kong(香港中文大学);The Johns Hopkins University(约翰斯·霍普金斯大学)
机器人辅助手术由于其临床优势而变得越来越受欢迎。与此同时,机器人手术中的人工智能和增强现实技术也得到了迅速发展和广泛关注。然而,目前的方法还没有讨论机器人手术中AI和AR的相干集成。在本文中,我们开发了一个新的系统,无缝融合人工智能模块和增强现实可视化自动生成手术指导机器人手术教育。具体来说,我们首先利用强化学习从专家示范学习,然后生成3D引导轨迹,提供手术过程的先验上下文信息。与文本提示等其他信息一起,3D轨迹然后覆盖在dVRK的立体视图中,用户可以在其中感知3D引导并学习程序。该系统通过初步的实验进行评估手术教学任务挂钩转移,这证明了其可行性和潜力,作为下一代的机器人辅助手术教学解决方案。
2022-03-03 cs.AI cs.RO
AUTONAV: A Toolfor Autonomous Navigation of Robots
School of Mathematical and Computational Sciences(数学与计算科学学院);Indian Association for the Cultivation of Science(印度科学促进协会)
该研究提出工具AUTONAV以自动化机器人自主导航的建图、定位与路径规划任务,其模块化架构支持多算法集成比较,并在室内仿真场景验证了其生成地图与路径规划的能力。
2025-04-10 cs.AI cs.RO
Building and Testing a General Intelligence Embodied in a Humanoid Robot
Sanctuary Cognitive Systems Corporation(Sanctuary认知系统公司)
本文提出构建与测试人形机器人通用智能的方法,包含物理机器人、软件控制系统、类人智能性能指标 g+ 及提升该指标的进化算法,并报告了 g+ 的测量数据。
2023-07-26 cs.AI cs.RO
REAL-X -- Robot open-Ended Autonomous Learning Architectures: Achieving Truly End-to-End Sensorimotor Autonomous Learning Systems
Frankfurt Institute of Advanced Studies(法兰克福高等研究院)
开放式学习是发展机器人和人工智能的核心研究领域,旨在建立学习机器和机器人,可以自主地获得知识和技能,如婴儿和儿童。这项工作的第一个贡献是研究以前提出的基准“真正的竞争”,旨在促进真正的开放式学习机器人架构的发展所带来的挑战。比赛涉及一个模拟的相机臂机器人:(a)在第一个“内在阶段”获得感觉运动能力,自主与物体互动;(b)在第二个“外在阶段”进行测试,与任务未知的内在阶段,以衡量质量的知识以前获得。这个基准需要解决通常孤立解决的多个挑战,特别是探索,稀疏奖励,对象学习,概括,任务/目标自我生成和自主技能学习。作为第二个贡献,我们提出了一套“REAL-X”机器人架构,能够解决不同版本的基准测试,我们逐步释放初始简化。这些架构基于一种规划方法,这种方法动态地增加了抽象性和促进探索的内在动机。REAL-X在非常苛刻的条件下实现了良好的性能水平。我们认为,REAL基准是研究开放式学习最困难形式的一个有价值的工具。
2022-03-02 cs.AI cs.RO
Artificial Intelligence in Intelligent Tutoring Robots: A Systematic Review and Design Guidelines
National University of Defense Technology(国防科技大学);National Innovation Institute of Defense Technology(国防科技创新研究院)
本文系统地回顾了智能教学机器人的研究进展,总结了人工智能技术的应用现状。我们首先分析了ITR的环境,并提出了一个关系模型来描述ITR与学生,社会环境和课程的互动。然后,我们将关系模型转化为感知-规划-行动模型,以探索哪些AI技术适合应用于ITR。本文对促进人机教学过程和人工智能辅助教育技术提供了见解,说明了智能辅导机器人的设计指导方针和未来的研究前景。
2019-02-26 cs.AI cs.CY cs.HC
An Overview of Blockchain Integration with Robotics and Artificial Intelligence
Universidade da Beira Interior(贝拉内格罗大学);Instituto de Telecomunicações(电信研究所)
区块链技术每天都在以快速的节奏增长,并且可以将其与许多系统集成,即机器人与人工智能服务。然而,这仍然是一个最近的领域,还没有一个明确的了解它可能成为什么。在本文中,我们对许多不同的方法和平台进行了概述,这些方法和平台试图将区块链的力量运用到机器人系统中,以改善人工智能服务或解决主要区块链中存在的问题,从而能够创建具有更高功能和安全性的机器人系统。我们提出了一个概述,讨论的方法,并得出结论,我们认为这些技术的集成的未来的文件。
2018-09-30 cs.AI cs.CR
From Modelling to Understanding Children's Behaviour in the Context of Robotics and Social Artificial Intelligence
Donders Institute for Brain, Cognition, and Behaviour(唐德斯大脑、认知与行为研究所);Radboud University(拉德堡德大学);Joint Research Centre, European Commission(欧盟委员会联合研究中心);Ghent University(根特大学);imec(微电子研究中心);Instituto Superio Técnico(高等技术学院);University of Lisbon(里斯本大学)
理解和模拟儿童在与机器人和社会人工智能系统互动的背景下的认知过程和行为是有意义和有效的机器人干预的基本先决条件。然而,儿童的发展涉及复杂的能力,如探索,创造力和好奇心,这是具有挑战性的模型。此外,孩子们经常以一种与典型的成人行为不同的玩耍方式表达自己。不同的儿童也有不同的需求,在目前的技术水平下,神经多样性儿童的需求没有得到充分解决,这仍然是一个挑战。通过这次研讨会,我们的目标是促进不同学科之间的共同点,如发展科学,人工智能和社会机器人技术,并讨论用户建模和儿童自适应系统领域的前沿研究。
2022-10-20 cs.AI cs.RO
GRID: A Platform for General Robot Intelligence Development
Scaled Foundations(Scaled基金会)
针对机器人智能开发成本高、泛化难及训练数据稀缺的问题,提出具备可扩展模块化设计、基于基础模型的GRID平台,可加速机器智能机器人开发。
2023-10-07 cs.AI cs.LG cs.RO
CT-SAFR: Safe and Interpretable Chain-of-Thought Reasoning for Autonomous Robots: A Multi-Layered Verification Framework for Trustworthy AI-Driven Robotic Decision Making
Hezarfen LLC(赫扎芬有限责任公司);Grand Canyon University(大峡谷大学)
提出CT-SAFR多层验证框架,通过思维链推理检测与过滤,实现94.2%幻觉检测率和87%不安全输出减少,保障自主机器人决策的安全性与可解释性。
2026-09-10 cs.AI cs.RO
Simulated Tom Thumb, the Rule Of Thumb for Autonomous Robots
Mansoura University(曼苏拉大学)
移动机器人要实现真正的自主,必须解决同时定位与地图构建(SLAM)问题。我们开发了一种新的元启发式算法,称为模拟汤姆拇指(STT),基于详细的冒险的聪明的汤姆拇指和潜在的功能的基础上的路径规划的研究进展。研究表明,它是非常有前途的,可以被看作是一个强大的SLAM解决方案的数据关联和学习能力的优化。STT优于JCBB。性能是100%匹配。
2012-10-08 cs.AI cs.RO
Future Intelligent Autonomous Robots, Ethical by Design. Learning from Autonomous Cars Ethics
Mälardalen University(梅拉达伦大学);University of Gothenburg(哥德堡大学)
智能自主机器人技术的发展以其对个人和社会产生预期的有益影响为前提。在这种颠覆性的新兴技术的情况下,不仅如何构建的问题,而且为什么要构建以及会产生什么后果的问题都很重要。智能自动驾驶机器人汽车的道德领域是具有可操作实用价值的研究的一个很好的例子,其中包括法律系统和其他社会和政府行为者以及公司和企业在内的各种利益相关者进行合作,带来对技术的道德和社会方面的共同看法。它可以作为一般智能自主机器人开发方法的起始平台,考虑技术生存周期不同阶段的人机界面-开发、实施、测试、使用和处置。从我们对自主智能机器人汽车伦理的研究以及现有的机器人伦理文献中,我们的贡献包括一套价值观和伦理原则,以及确定的挑战和应对挑战的建议方法。这可能有助于智能自主机器人领域的利益相关者将伦理原则与其应用联系起来。我们对自动驾驶汽车道德要求的建议可用于其他类型的智能自动驾驶机器人,但对于社交机器人需要进行更多有关与用户交互的研究。我们强调,现有的道德框架需要以一种对背景敏感的方式加以应用,通过多学科、多能力团队的评估,通过多标准分析。此外,我们认为,需要不断发展的道德原则,指导方针和法规,通过技术的进步和相关利益相关者的参与。
2021-07-16 cs.AI cs.CY cs.RO
AERoS: Assurance of Emergent Behaviour in Autonomous Robotic Swarms
University of Bristol(布里斯托大学);University of York(约克大学)
本文提出AERoS流程,遵循AMLAS指南,用于保证自主机器人群体中涌现行为的安全性,并通过公共衣帽间机器人案例进行验证。
2023-02-20 cs.AI cs.RO
An Architecture for Autonomously Controlling Robot with Embodiment in Real World
Nara Women’s University(奈良女子大学);Kyoto University(京都大学);National Institute of Informatics(国立信息学研究所);Hosei University(法政大学)
在现实世界中,机器人的实施面临着各种问题,如环境的动态连续变化和输入/输出干扰。解决这些问题的关键可以在日常生活中找到;人们“采取与感知有关的行动”,并“在必要时动态改变计划”。我们建议使用一个新的概念,使机器人做这两件事,自主控制移动机器人。我们实现了我们的概念,在静态/动态环境下做了两个实验。这些实验的结果表明,我们的想法提供了一种方法来适应现实世界中的环境的动态变化。
2013-07-26 cs.AI cs.RO
Butter-Bench: Evaluating LLM Controlled Robots for Practical Intelligence
Andon Labs(安登实验室)
本文提出Butter-Bench基准,评估LLM控制机器人的实践智能,发现最佳LLM得分40%远低于人类95%,且具身推理微调未提升性能。
2025-10-23 cs.AI cs.RO
Autonomous Human-Robot Interaction via Operator Imitation
Disney Research(迪士尼研究院)
本文提出通过模仿专家操作员数据训练单一transformer模型,利用扩散过程和分类器分别预测连续与离散指令,实现自主人机交互,并能零样本迁移至不同机器人平台。
2025-04-03 cs.AI cs.RO
Autonomous Aerial Robot for High-Speed Search and Intercept Applications
近年来,在航空机器人的背景下,高速导航和环境交互已成为一些学术和工业研究的兴趣领域。特别是,搜索和拦截(SaI)应用程序的空中机器人构成了一个引人注目的研究领域,由于其潜在的可用性在几个环境中。尽管如此,SaI任务涉及关于感觉重量、机载计算资源、致动设计以及感知和控制算法等方面的具有挑战性的发展。在这项工作中,一个完全自主的空中机器人高速物体抓取已被提出。作为一个额外的子任务,我们的系统能够自主刺穿位于靠近表面的极点的气球。我们的第一个贡献是设计的空中机器人在驱动和传感器的水平,包括一个新的夹具设计与额外的传感器,使机器人能够抓住物体在高速。第二个贡献是一个完整的软件框架,包括感知,状态估计,运动规划,运动控制和任务控制,以快速和鲁棒地执行自主抓取任务。我们的方法已经在一个具有挑战性的国际比赛中得到了验证,并取得了出色的成绩,能够在室外环境中以6 m/s的速度自主搜索,跟踪和抓取移动物体
2021-12-10 cs.AI cs.RO
Enactive Artificial Intelligence: Subverting Gender Norms in Robot-Human Interaction
Humboldt-Universität zu Berlin(柏林洪堡大学);Berlin School of Mind and Brain(柏林心智与大脑学院);Macquarie University(麦考瑞大学);Uppsala University(乌普萨拉大学);Norwegian University of Science and Technology(挪威科技大学)
本文提出生成式人工智能(eAI)作为交叉性性别包容立场,通过四个伦理向量(可解释性、公平性、透明性、可审计性)颠覆人机交互中的性别规范。
2023-05-07 cs.AI cs.HC
Avant-Satie! Using ERIK to encode task-relevant expressivity into the animation of autonomous social robots
INESC-ID(里斯本系统与计算机工程研究所);Instituto Superior Técnico(高等技术学院);University of Lisbon(里斯本大学)
ERIK是一种表达逆运动学技术,以前已经提出和评估算法和有限的用户交互场景。它允许自主社交机器人在跟踪用户的同时传达基于姿势的表达信息。我们开发了一个新的场景,旨在进一步验证前一个场景中一些不支持的说法。我们的实验具有完全自主的Adelino机器人,并得出结论,ERIK可以用来指导用户的选择在执行给定的任务的行动,完全通过其非语言表达队列。
2022-03-02 cs.AI cs.HC cs.RO
Autonomous Agriculture Robot for Smart Farming
本项目开发了名为AAR的轻量级太阳能-电动地面机器人,集成智能感知、机械臂除草与液体喷洒功能,用于低矮蔬菜作物的半自主作业,实验验证了其在真实环境中的有效性。
2023-09-07 cs.AI cs.CV cs.RO
Exploratory Experiments on Programming Autonomous Robots in Jadescript
Università degli Studi di Parma(帕尔马大学)
本文介绍了探索性实验,以验证自主机器人使用面向代理的程序设计语言编程的可能性。通过各种类型的传感器对环境进行适当的感知,并通过有效的致动器对外部事件做出及时的反应,对于为机器人提供足够的自主性至关重要。面向代理的编程范式与这方面相关,因为它提供了语言级的抽象来处理事件和命令执行器。本文介绍了一种新的面向Agent的程序设计语言Jadescript,并介绍了它的一些新特性。一个简单的案例研究应用程序的探索性实验,以显示所提出的方法的有效性,并使用该语言来编程自主机器人。
2020-07-23 cs.AI cs.MA cs.PL
Robots in the Garden: Artificial Intelligence and Adaptive Landscapes
City College of New York/CUNY(纽约城市学院(纽约城市大学));Hunter College/CUNY(亨特学院(纽约城市大学))
本文介绍了 ELUA 项目,通过配备双龙门机器人及传感器网络等设施,展示将人工智能融入城市生态系统的方法,并鼓励景观建筑师开发与环境长期互动的适应性设计框架。
2023-05-22 cs.AI cs.CV cs.CY
Real-Time Localization Framework for Autonomous Basketball Robots
School of Computer Science Engineering(计算机科学工程学院);Vellore Institute of Technology(维杰雷理工学院);School of Electrical and Electronics Engineering(电气电子工程学院)
本文提出了一种结合经典技术与视觉数据的混合定位算法,用于提升自主篮球机器人在动态环境中的定位精度和导航效率。
2026-01-13 cs.AI cs.CV cs.RO
Using a Variational Autoencoder to Learn Valid Search Spaces of Safely Monitored Autonomous Robots for Last-Mile Delivery
UCL(伦敦大学学院);Autodesk(欧特克公司);Panasonic(松下电器产业株式会社)
本文针对最后一英里配送中安全监控约束下的自主机器人调度问题,评估并改进 COIL,使其在所有问题变体中找到有效解,并在学习潜在表示后比遗传算法优化快 10%。
2023-04-25 cs.AI cs.NE cs.RO
Get the Ball Rolling: Alerting Autonomous Robots When to Help to Close the Healthcare Loop
Beijing Jiaotong University(北京交通大学);Beijing Institute for General Artificial Intelligence(北京通用人工智能研究院)
针对医疗保健机器人自主判断协助时机等需求,研究者提出自主协助挑战与配套众包大规模数据集,聚焦三类特定挑战,并提出无学习设置下闭合医疗循环的Helpy方案。
2023-11-05 cs.AI cs.CL cs.RO
Enhancing Surgical Robots with Embodied Intelligence for Autonomous Ultrasound Scanning
Hong Kong Institute of Science & Innovation, Chinese Academy of Sciences(中国科学院香港创新研究院);Institute of Automation, Chinese Academy of Sciences(中国科学院自动化研究所)
针对当前超声机器人无法理解人类指令、难以自主扫描的问题,本文提出融合LLM与领域知识的超声具身智能系统,通过知识库与动态扫描策略提升扫描效率和质量,推动无创诊断发展。
2024-05-01 cs.AI cs.CL cs.HC
Embodied Neuromorphic Artificial Intelligence for Robotics: Perspectives, Challenges, and Research Development Stack
New York University (NYU) Abu Dhabi(纽约大学阿布扎比分校);Khalifa University(哈利法大学)
本文针对机器人技术缺乏具身智能的问题,提出通过神经形态AI(SNN)实现具身智能的六个视角,涵盖学习规则、跨层优化、基准、可靠性、安全隐私及协同发展,并指出挑战与未来方向。
2024-09-12 cs.AI cs.LG cs.NE
Towards Integrating Formal Verification of Autonomous Robots with Battery Prognostics and Health Management
Heriot-Watt University(赫瑞-瓦特大学);University of Liverpool(利物浦大学)
电池是自主机器人的关键部件。它的性能限制了机器人的安全性和可靠性。与液体燃料不同,电池作为一种化学装置,具有复杂的特征,包括(i)连续充电时容量衰减;(ii)在给定功率需求下,随着荷电状态(SOC)下降,放电率增加。现有的形式化验证研究的自主机器人,考虑能源的限制,形式化的能源组成部分,在一个通用的方式,这样的电池功能被忽略。在本文中,我们建立了一个无人机(UAV)检查任务的风电场和通过概率模型检验在PRISM显示(i)如何电池的功能可能会影响验证结果显着在实际情况下;和(ii)如何电池的功能,连同动态环境和电池安全策略,共同影响验证结果。潜在的解决方案,明确集成电池性能和健康管理(PHM)与自主机器人的形式化验证也进行了讨论,以激励未来的工作。
2019-08-22 cs.AI cs.RO cs.SY
Towards Autonomous Business Intelligence via Data-to-Insight Discovery Agent
Rajax Network Technology(Taobao Shangou of Alibaba)(阿里淘宝购物网络技术)
本文提出AIDA框架,通过灵活的零售环境和定制DSL实现复杂业务环境的自主探索,实验表明其在洞察发现和分析深度上优于传统方法。
2026-05-11 cs.AI
Constitutive Components for Human-Like Autonomous Artificial Intelligence
Tohoku University(东北大学)
本研究首次明确类人自主人工智能的三层功能层级与三级自主递进模型,提出独立于具体技术的理论框架,为强自主人工实体设计和通用智能研究提供基础。
2025-06-15 cs.AI
Autonomous Wireless Systems with Artificial Intelligence
本文讨论了在自主无线系统设计中采用人工智能(AI)的技术和机会。我们的目标是通过将知识管理与感知、推理和主动学习相结合,为读者提供实时的自组织背景下的自主智能体的动机和通用AI方法。我们强调了基于训练的方法匹配问题和训练的方法环境特定的问题之间的差异。最后,我们从概念上介绍了具有知识管理的自主智能体的功能。
2019-05-21 cs.AI cs.NI
Fundamentals of legislation for autonomous artificial intelligence systems
Moscow Institute of Physics and Technology (National Research University)(莫斯科物理技术学院(国立研究大学))
本文针对自主公司管理系统的法律适配问题,提出将本地法规同时编制为人类版与自主系统版,以明确AI运行情境,并为相关立法奠定基础。
2024-09-17 cs.AI cs.CY
Two Tales of Platoon Intelligence for Autonomous Mobility Control: Enabling Deep Learning Recipes
Korea University(高丽大学);Ajou University(亚洲大学);Kyung Hee University(庆熙大学)
本文综述了用于自动驾驶车辆与无人机自主移动控制及资源管理的两类深度学习方法——多智能体强化学习与神经迈尔森拍卖的研究进展,指出二者融合对构建高效可信的自主移动服务具有关键意义。
2023-07-19 cs.AI
A Stable Nuclear Future? The Impact of Autonomous Systems and Artificial Intelligence
University of Pennsylvania(宾夕法尼亚大学);Center for a New American Security(新美国安全中心)
信息时代技术的进步有可能破坏核威慑并影响核升级的可能性,这是国际政治的一个关键问题。一个挑战是,自主系统和人工智能(AI)等技术发展轨迹的不确定性使得评估变得困难。本文评估了自主系统和人工智能在三个领域的相对影响:核指挥和控制,核运载平台和车辆,以及自主系统的常规应用与核稳定性的后果。我们认为,当国家担心其第二次打击能力会受到损害时,它们可能更有可能使用风险较高的自治形式。此外,无人驾驶的自主核运载平台和车辆的潜在部署可能会增加事故和误判的可能性。自主系统的常规军事应用可以以前所未有的方式同时影响核力量态势和首次打击稳定性。特别是,以机器速度作战的需要和自动化偏见带来的认知风险可能会增加意外升级的风险。最后,如果使用得当,更多的自主系统应该在核操作中得到广泛应用,这可以提高可靠性,降低事故风险,并为危机中的决策者赢得更多时间。
2019-12-13 cs.AI cs.CY
Legal Responsibilities Using Autonomous Agents For Artificial Intelligence
ChiTek-i AS
该研究针对AI智能体脱离管控引发的法律责任问题,采用承诺理论的下游原则提出系统性解决方法,可将责任扩展至AI智能体,并通过政策限制其行动自由。
2026-08-11 cs.AI cs.CY
Evolving Self-supervised Neural Networks: Autonomous Intelligence from Evolved Self-teaching
University College Dublin(都柏林大学学院)
本文提出了一种称为进化自监督神经网络的技术-神经网络,可以自学,内在激励,没有外部监督或奖励。所提出的方法提出了一些排序的范式转变,并大大不同于传统的基于梯度的学习和进化算法,因为它结合了进化和学习的隐喻,更具体地说,自我学习,在一起,而不是对待这些现象交替。我模拟了一个多智能体系统,其中神经网络被用来控制自主觅食代理领域知识很少。实验结果表明,只有进化的自我监督代理可以表现出某种智能行为,但不是进化或自我学习。还提出了未来工作的指示不断发展的智能。
2019-05-27 cs.AI cs.NE
Safactory: A Scalable Agentic Infrastructure for Training Trustworthy Autonomous Intelligence
Shanghai AI Laboratory(上海人工智能实验室)
本文提出Safactory,一个可扩展的代理工厂,用于训练可信的自主智能。该框架整合了三个紧密耦合的平台,以实现长期决策、工具使用和真实环境交互的可靠性和连续改进。
2026-05-08 cs.AI cs.DC
Deep Reinforcement Learning Based Semi-Autonomous Control for Robotic Surgery
Imperial College London(伦敦帝国理工学院);University of Bristol(布里斯托尔大学)
近几十年来,手术机器人给外科医生和患者带来的巨大好处已经有目共睹。手术机器人具有操作灵巧、精确度高的特点,可以为患者提供更短的恢复时间和更短的住院时间。然而,目前的手术机器人在实际使用中的控制完全由外科医生通过遥操作进行。在手术过程中,存在大量重复但简单的操作,这会给外科医生造成不必要的疲劳。本文提出了一种基于深度强化学习的机器人手术半自主控制框架。用户研究表明,该框架可以减少19.1%的完成时间和58.7%的旅行长度。
2022-04-11 cs.AI cs.RO
Artificial Intelligence for Long-Term Robot Autonomy: A Survey
University of Oxford(牛津大学);University of Lincoln(林肯大学);Czech Technical University in Prague(布拉格捷克理工大学)
自主系统将在不同领域的许多应用中发挥重要作用,包括太空,海洋,空中,野外,道路和服务机器人。他们将协助我们的日常工作,并执行危险,肮脏和枯燥的任务。然而,使机器人系统能够在复杂的现实世界场景中长时间(即数周、数月或数年)自主执行提出了许多挑战。其中一些已经被人工智能(AI)的子学科研究,包括导航和地图,感知,知识表示和推理,规划,交互和学习。不同的子学科已经开发出了技术,当这些技术重新集成到自主系统中时,可以使机器人在复杂的长期场景中有效地运行。在本文中,我们调查和讨论人工智能技术作为长期机器人自主的“使能者”,目前在长期运行的机器人系统中集成这些技术的进展,以及人工智能在长期自主中的未来挑战和机遇。
2018-07-13 cs.AI cs.RO
ARO: Large Language Model Supervised Robotics Text2Skill Autonomous Learning
National University of Singapore(新加坡国立大学);Microsoft Research(微软研究院)
本文提出ARO框架,利用大规模语言模型替代人类参与机器人技能学习的奖励函数设计与性能评估,实现无需人工干预的完全自主技能学习,并分析了其在任务理解和优化稳定性上的局限。
2024-03-23 cs.AI cs.RO
Autonomous Editorial Systems and Computational Investigation with Artificial Intelligence
Betron Labs LLC(贝特伦实验室 LLC)
本文提出自主编辑系统架构,通过持续运行的流程处理新闻和报告作为持久状态,实现AI组件的确定性 orchestration,推动机器辅助新闻和大规模信息合成的研究。
2026-01-23 cs.AI cs.DL
Networked Intelligence: Towards Autonomous Cyber Physical Systems
本文探讨了如何结合产业与学术成果,构建大规模网络物理系统,提出概念架构并评估子系统成熟度,为智能系统发展提供规划指导。
2016-08-28 cs.AI cs.SY eess.SY
Explainable Artificial Intelligence (XAI) for Increasing User Trust in Deep Reinforcement Learning Driven Autonomous Systems
Charles River Analytics(查尔斯河分析公司)
我们考虑的问题,提供用户的深度强化学习(RL)为基础的系统,更好地了解他们的输出时,可以信任。我们提供了一个可解释的人工智能(XAI)框架,它提供了三重解释:在当前游戏状态下系统泛化和性能的图形描述,代理在语义相似的环境中的表现如何,以及图形信息意味着什么的叙述性解释。我们为XAI框架创建了一个用户界面,并通过人类用户实验评估了其有效性。结果表明,与没有解释的AI系统相比,用户对解释的AI系统的信任和接受度在统计上显著增加。
2021-06-07 cs.AI cs.LG
Life-inspired Interoceptive Artificial Intelligence for Autonomous and Adaptive Agents
Institute for Basic Science(基础科学研究院);Sungkyunkwan University(成均馆大学);University College London(伦敦大学学院);Child Mind Institute(儿童心理研究所)
本文提出以内感受为核心,将内部与外部环境状态变量因子分解并引入生命启发的数学性质,结合控制论、生命理论、强化学习与神经科学,为构建自主自适应智能体提供新框架。
2025-03-17 cs.AI cs.NE
Explainable Artificial Intelligence for Autonomous Driving: A Comprehensive Overview and Field Guide for Future Research Directions
University of Alberta(阿尔伯塔大学);Sony AI(索尼人工智能公司);Huawei Technologies Canada Co., Ltd(华为技术加拿大有限公司)
本文全面综述了针对自动驾驶车辆的可解释人工智能(XAI)方法,提出了可解释端到端自动驾驶的概念框架,并指出了未来有望增强AV透明度、可信度与社会接受度的XAI新兴方向。
2024-04-25 cs.AI cs.CY
Artificial Intelligence Nomenclature Identified From Delphi Study on Key Issues Related to Trust and Barriers to Adoption for Autonomous Systems
McMaster University(麦克马斯特大学);University of Edinburgh(爱丁堡大学)
人工智能在传统研究领域的快速整合产生了术语的合并。随着跨学科团队共同应对复杂的机器学习挑战,在文献中找到基本定义的共识是一个更根本的问题。作为德尔菲过程中定义信任问题和采用自主系统的障碍的一个步骤,我们的研究首先收集并排名了来自工程,计算机科学,医学,航空航天和国防领域的国际专家小组的首要问题,具有与人工智能合作的经验。本文件总结了来自专家反馈的命名法的文献定义。
2022-10-14 cs.AI cs.CY cs.SY
Artificial Intelligence based Autonomous Molecular Design for Medical Therapeutic: A Perspective
Pacific Northwest National Laboratory(太平洋西北国家实验室)
近年来,领域感知机器学习(ML)模型越来越多地被用于加速小分子治疗设计。这些模型是由最先进的人工智能(AI)和计算基础设施的重大进步实现的。几种ML架构主要且独立地用于预测小分子的性质,或用于产生领先的治疗候选物。协同使用这些单独的组件以及在闭环中自主的鲁棒表示和数据生成技术,为加速药物设计带来了巨大的希望,否则这是一项耗时且昂贵的任务。从这个角度来看,我们介绍了每个组件实现的最新突破,以及如何实现这种自主AI和ML工作流程,从根本上加快命中识别和线索优化。总之,这可以显著缩短端到端的抗病毒发现和优化时间的时间轴,使其在新的人畜共患病传播事件发生后缩短至数周。我们的观点为研究人员在治疗发现中实践自主分子设计提供了指导。
2021-02-10 cs.AI cs.LG q-bio.QM
Review of the state of the art in autonomous artificial intelligence
University of Oxford(牛津大学)
本文提出了一种新的设计自主人工智能(AI),基于国家的最先进的算法,并描述了一个新的自主AI系统称为AutoAI。该方法是用来组装的自我改进的算法,使用新的和新兴的数据源(NEFD)的基础上的设计。本文的目的是概念化一种新型AutoAI算法的设计。概念方法用于推进构建新的和改进的算法。本文整合和巩固了现有文献的研究结果,并将AutoAI设计推进到(1)使用新的和新兴的数据源来教授和训练AI算法,以及(2)使AI算法能够使用自动化工具来训练新的和改进的算法。这种方法超越了人工智能算法的最先进水平,并提出了一种设计,使自主算法能够自我优化和自我适应,并在更高的水平上能够自我繁殖。
2022-10-17 cs.AI cs.HC cs.LG
Motion Planning Of an Autonomous Mobile Robot Using Artificial Neural Network
Mody Institute of Technology and Science(莫迪理工学院);PEC University of Technology(旁遮普工程学院大学)
本文介绍了电子设计和运动规划的机器人决策的基础上,关于它的直线运动和精确转弯的人工神经网络(ANN)。人工神经网络有助于机器人的学习,使其自主执行运动。计算的权重在微控制器中实现。性能经测试是优秀的。
2012-07-20 cs.AI cs.LG cs.NE
Data Intelligence Agents: Interpreting, Modeling, and Querying Enterprise Data via Autonomous Coding Agents
C3 AI
提出Data Intelligence Agents (DIA)系统,由三个自主编码代理组成,通过执行、验证和修复工件来压缩数据集成工作流,在七个SQL基准测试中达到或超越最佳结果。
2026-09-01 cs.AI cs.DB cs.MA
Robot gains Social Intelligence through Multimodal Deep Reinforcement Learning
Osaka University(大阪大学)
机器人要想在我们这样的社会世界中与人类共存,关键是它们要拥有类似人类的社交技能。为机器人编程以使其具备这些技能是一项具有挑战性的任务。在本文中,我们提出了一种多模态深度Q网络(MDQN),使机器人能够通过试错法学习类似人类的交互技能。本文旨在开发一种机器人,它在与人类交互过程中收集数据,并使用端到端的强化学习从高维感知信息中学习人类的交互行为。本文证明了机器人能够成功地学习基本的互动技能,经过14天的与人互动。
2017-02-24 cs.AI cs.CV cs.RO
From Autonomous Agents to Integrated Systems, A New Paradigm: Orchestrated Distributed Intelligence
University of California at Berkeley(加州大学伯克利分校)
本文提出编排式分布式智能(ODI)新范式,将AI重构为与人类协同的编排网络,借助编排层、多回路反馈等实现系统动态化,论证其能提升效率并解决多类挑战,给出理论意义与创新路线图。
2025-03-19 cs.AI cs.SY eess.SY
Self-Improving Robots: End-to-End Autonomous Visuomotor Reinforcement Learning
Stanford University(斯坦福大学)
在模仿和强化学习中,人类监督的成本限制了机器人可以训练的数据量。一个令人向往的目标是构建自我改进的机器人:可以在最少的人类监督或监督下自主互动的机器人。这样的机器人可以收集和训练更大的数据集,从而学习更强大和性能更好的政策。虽然强化学习通过试错法为这种自主学习提供了一个框架,但实际的实现最终需要广泛的人类监督来设计奖励函数,并在交互事件之间重复重置环境。在这项工作中,我们提出了MEDAL++,一种新的设计,用于自我改进的机器人系统:在开始时给出一小组专家演示,机器人通过学习做和撤销任务来自主练习任务,同时从演示中推断奖励函数。策略和奖励函数是从高维视觉输入端到端学习的,绕过了对先前工作中使用的视觉编码器的显式状态估计或特定于任务的预训练的需要。我们首先在模拟的非情景基准EARL上评估了我们提出的算法,发现MEDAL++的数据效率更高,与最先进的基于视觉的方法相比,最终性能提高了30%。我们的真实机器人实验表明,MEDAL++可以应用于操作问题,在更大的环境比那些考虑在以前的工作,和自主自我改进可以提高成功率30-70%以上的行为克隆只是专家数据。代码、培训和评估视频以及简要概述请访问:https://architsharma97.github.io/self-improving-robots/
2023-03-02 cs.AI cs.LG cs.RO