Is it a great Autonomous FX Trading Strategy or you are just fooling yourself
Aeronautics Institute of Technology (ITA)(航空技术学院(ITA))
在本文中,我们提出了一种方法来评估自主交易策略,提供了现实的期望,关于战略的长期表现。这种方法解决了许多陷阱,这些陷阱目前甚至欺骗了经验丰富的软件开发人员和研究人员,更不用说购买这些产品的客户了。我们提出了我们的方法应用到几个著名的自主交易策略,这是用来管理金融资产的多样化选择的结果。结果表明,这些公布的策略中有许多远不是金融投资的可靠工具。我们的方法暴露了建立一个可靠的,长期的战略所涉及的困难,并提供了一种手段来比较潜在的战略,并选择最有前途的一个建立最小的时间和要求的测试执行。有许多开发人员创建软件来自主购买和出售金融资产,其中一些在模拟历史价格序列(通常称为回测)时表现出色。然而,当这些策略在真实市场中使用时(或在其培训或评估中未使用的数据),它们的表现往往很差。所提出的方法可以用来评估潜在的战略。通过这种方式,该方法有助于判断你是否真的有一个伟大的交易策略,或者你只是在欺骗自己。
2021-11-19 cs.AI cs.CE cs.SE
Explainable Autonomous Robots: A Survey and Perspective
Osaka University(大阪大学);The University of Electro-Communications(电气通信大学)
先进的通信协议对于实现自主机器人与人类的共存至关重要。因此,解释能力的发展是迈向自主机器人的紧迫的第一步。本调查概述了机器学习研究中讨论的各种类型的“可解释性”。然后,我们讨论在自主机器人的背景下“可解释性”的定义(即,可解释的自主机器人)通过探索问题“什么是解释?“我们进一步根据这一定义进行了研究调查,并提出了一些相关的主题,以供未来研究。
2021-05-06 cs.AI
Integrating Heuristics and Learning in a Computational Architecture for Cognitive Trading
University of Molise(莫利塞大学)
近年来,人工智能在图像分析、自然语言理解和战略游戏等领域的成功引发了金融界的兴趣。具体来说,人们对创建人工代理(称为机器人交易员)有很高的期望,并且正在进行工程项目,这些人工代理能够用经验丰富的人类交易员的技能来操纵金融市场。除了明显的经济影响外,这肯定是一个具有重大科学意义的领域,因为这种真实背景对人工智能技术的使用构成了挑战。正是出于这个原因,我们必须意识到,能够在这种水平上运作的人工代理人并不只是在拐角处,而且不会有简单的答案,而是各种技术和方法的共同努力的成功。在本文的过程中,我们回顾了有效的机器人交易者设计中固有的问题以及相应的适用解决方案,考虑到将机器人交易的当前技术水平提升到下一个智能水平的总体目标,我们称之为认知交易。我们的方法的关键是两个方法和技术方向的结合,虽然都深深植根于人工智能的学科领域,到目前为止已经走上了各自的道路:数学和学习。
2021-08-27 cs.AI
A Case Study on AI Engineering Practices: Developing an Autonomous Stock Trading System
University of Stuttgart(斯图加特大学)
本研究以自主股票交易系统开发为案例,系统应用10项AI工程实践并记录相关经验、挑战与解决方案,验证了实践的有效性,为AI工程领域补充了实操证据,可助力新手从业者团队。
2023-03-23 cs.AI cs.SE
AgenticAITA: A Proof-Of-Concept About Deliberative Multi-Agent Reasoning for Autonomous Trading Systems
Department of Information Engineering, Computer Science, and Mathematics, Center of Excellence for Research DEWS, University of L’Aquila(信息工程、计算机科学和数学系,DEWS研究中心,拉奎拉大学)
本文提出AGENTICAITA框架,通过多智能体协作推理替代传统信号执行模式,实现自主交易系统中无离线训练的决策流程,展示其在金融决策中的可行性与有效性。
2026-05-01 cs.AI q-fin.TR stat.ME
QuantAgent: Seeking Holy Grail in Trading by Self-Improving Large Language Model
The Hong Kong University of Science and Technology(香港科技大学);IDEA Research(IDEA研究院);The Hong Kong University of Science and Technology (Guangzhou)(香港科技大学(广州))
本文提出一种两层循环框架,使基于LLM的智能体通过内外循环交互自改进知识库,并实例化为QuantAgent,用于挖掘交易信号,实证显示其能发现有效金融信号并提升预测准确性。
2024-02-06 cs.AI q-fin.CP
A Capability and Skill Model for Heterogeneous Autonomous Robots
Helmut-Schmidt-University(赫尔穆特·施密特大学)
异构自主机器人团队变得越来越重要,因为他们促进各种复杂的任务。对于这样的异构机器人,目前没有一致的方式来描述每个机器人提供的功能。在制造领域,能力建模被认为是一种很有前途的方法,语义模型的功能提供不同的机器。本文研究了如何将能力模型从制造业扩展到自主机器人领域,并提出了一种建立能力模型的方法。
2023-02-09 cs.AI cs.RO
Technical Opinion: From Animal Behaviour to Autonomous Robots
University of Aberdeen(阿伯丁大学);University of Uyo(乌约大学)
随着机器人在非结构化现实世界环境中的应用越来越多,机器人专家越来越关注这种环境的复杂性所带来的问题。解决这些问题的方法之一是机器人的自主性。由于自然界已经解决了自主性问题,它可以成为开发自主机器人的合适模型。本文从动物行为的角度对机器人自主性进行了简要的综述。它检查了一些国家的最先进的技术,以及建议可能的研究方向。
2020-12-11 cs.AI cs.RO
ARC: Autonomous Robotics Compliance A Three-Layer Governance Architecture for Deployed Autonomous Systems
Wybe Labs Inc.(Wybe实验室公司)
针对自主机器人系统,提出三层合规治理架构ARC,涵盖模型安全验证、认知认证基准与操作授权标准,以保障部署合规性。
2026-09-14 cs.AI cs.CY 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
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
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
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
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
Bayesian Learning for the Robust Verification of Autonomous Robots
University of Warwick(华威大学);University of York(约克大学);Centrum Wiskunde & Informatica(荷兰国家数学与计算机科学研究所);Eindhoven University of Technology(埃因霍温理工大学);University of Glasgow(格拉斯哥大学)
针对自主机器人在动态关键任务中需持续验证任务能力的问题,提出贝叶斯学习框架,通过学习事件发生率范围构建区间马尔可夫模型分析系统属性,实现参数不确定下的鲁棒验证。
2023-12-11 cs.AI cs.RO
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
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
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
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
Specification mining and automated task planning for autonomous robots based on a graph-based spatial temporal logic
University of Notre Dame(圣母大学)
我们的目标是使自主机器人能够从演示视频中学习新技能,并使用这些新学到的技能来完成重要的高级任务。开发这种自主机器人的目标涉及到知识表示、规范挖掘和自动任务规划。对于知识表示,我们使用基于图的时空逻辑(GSTL)来捕获演示视频所演示的相关技能的时空信息。我们设计了一个规范挖掘算法,通过归纳构造空间项和时间公式,从演示视频中生成一组参数化的GSTL公式。从规范挖掘得到的参数化GSTL公式作为域理论,用于自主机器人的自动任务规划。提出了一种基于GSTL的自动任务规划方法,其中提出者用于生成有序动作,验证者用于生成可执行的任务计划。文中以表格设置为例说明了本文的主要思想。
2020-07-16 cs.AI cs.RO cs.SY
Autonomous Warehouse Robot using Deep Q-Learning
North South University(南北大学)
在仓库中,专门的代理需要导航,避免障碍物,并最大限度地利用仓库环境中的空间。由于这些环境的不可预测性,可以应用强化学习方法来完成这些任务。在本文中,我们提出使用深度强化学习(DRL)来解决机器人导航和避障问题,并使用传统的Q学习来最大限度地利用空间进行产品放置。我们首先调查的问题,为单一的机器人的情况。接下来,基于单机器人模型,我们扩展我们的系统的多机器人的情况下。我们使用Q表的策略变化来执行多智能体Q学习。我们成功地测试了我们的模型在2D仿真环境中的单机器人和多机器人的情况下的性能。
2022-02-21 cs.AI cs.LG cs.RO
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
Nonvisual Classification of Ground-Condition by Artificial Proprioception in an Amoeba-Inspired Autonomous Walking Robot
该研究为变形虫启发的自主步行机器人,整合传感器与储备池计算实现人工本体感觉,完成地面状况非视觉分类,可依地面切换步态并分析传感器贡献。
2026-08-07 cs.AI cs.LG cs.RO