Artificial Decision Making Under Uncertainty in Intelligent Buildings
Stockholm University(斯德哥尔摩大学);Royal Institute of Technology(皇家理工学院);University of Karlskrona/Ronneby(卡尔斯克鲁纳/罗内比大学)
我们的假设是,通过装备某些代理在多代理系统控制智能建筑与自动决策支持,两个重要因素将增加。第一是建筑节能。第二个是顾客价值-建筑物内的人如何体验代理人行为的效果。我们通过与人工决策工具相关的实验结果来证明这一假设的真实性。一些假设有关的代理控制,通过监测和委托任务的其他类型的代理,房间在测试现场放松。每个假设控制至少一个不确定性,相当复杂的程序选择行动的一部分,每个这样的代理。我们表明,在现实的决策情况下,房间控制代理可以作出有限的理性决策,即使在动态实时约束。这个结果可以,并已被推广到其他领域,甚至更苛刻的时间限制。
2013-01-23 cs.AI
Scalable Multi-Agent Reinforcement Learning through Intelligent Information Aggregation
Massachusetts Institute of Technology(麻省理工学院);Stanford University(斯坦福大学)
针对局部观测下的多智能体导航与避障问题,提出基于图神经网络聚合局部信息的MARL架构InforMARL,以去中心化方式计算路径,具有更高的样本效率并能扩展至任意数量智能体和障碍物的环境。
2023-05-16 cs.AI cs.MA cs.RO
From Intelligent Agents to Trustworthy Human-Centred Multiagent Systems
University of Southampton(南安普顿大学)
南安普顿大学的智能体、交互和复杂性研究小组在多智能体系统(MAS)的研究方面有着悠久的历史。我们在MAS的学习、协调代理系统的博弈论技术以及表示和推理的形式化方法方面做出了大量的科学贡献。我们强调了该小组取得的主要成果,并详细阐述了最近的工作和开放的研究挑战,以开发值得信赖的自主系统和部署以人为本的人工智能系统,旨在支持社会公益。
2022-10-05 cs.AI cs.MA
An Intelligent AI glasses System with Multi-Agent Architecture for Real-Time Voice Processing and Task Execution
National Center for High-Performance Computing(国家高速网络与计算中心)
本文提出一种基于多智能体架构的AI眼镜系统,实现实时语音处理与多语言任务执行。
2026-01-09 cs.AI cs.HC cs.SD
Logic-Based Specification Languages for Intelligent Software Agents
面向Agent的软件工程(AOSE)的研究领域旨在为概念化为多智能体系统(MAS)的复杂应用程序的建模、验证、确认和原型化寻找抽象、语言、方法和工具包。一个非常活跃的研究子领域研究如何将形式化方法用于AOSE。本文提出了一个详细的调查,六个基于逻辑的可执行代理规约语言,已被选定为他们的潜力被集成在我们的ARPEGGIO项目,一个开放的框架,指定和原型的MAS。这六种语言是ConGoLog、Agent-0、IMPACT代理程序设计语言、DyLog、Concurrent METATEM和Ehhf。对于每一种可执行语言,描述了逻辑基础,并显示了一个使用的例子。六种语言的比较和调查类似的方法完成的文件,再加上考虑使用基于逻辑的语言在MAS建模和原型的优势。
2003-11-20 cs.AI
When to (or not to) trust intelligent machines: Insights from an evolutionary game theory analysis of trust in repeated games
Teesside University(提赛德大学);Edinburgh Napier University(爱丁堡纳皮尔大学)
智能代理(如聊天机器人、推荐系统和虚拟助手)的操作通常对用户不完全透明。因此,使用这样的代理涉及用户将自己暴露于代理可能以与用户的目标相反的方式行动的风险。人们经常认为,信任是一种认知捷径,可以降低这种互动的复杂性。在这里,我们正式使用进化博弈论的方法来研究重复游戏中基于信任的策略的可行性。这些是互惠策略,只要观察到另一个参与者合作,它们就会合作。与经典的互惠策略不同,一旦观察到相互合作达到阈值数量的回合,他们就不再检查每一轮的合作者行为,而是只检查一定的概率。通过这样做,他们减少了验证他们的合作者的行为是否实际上是合作的机会成本。我们证明,这些信任为基础的战略可以胜过战略,总是有条件的,如针锋相对,当机会成本是不可忽略的。我们认为,这种成本很可能是更大的人和智能代理之间的互动,因为代理的透明度降低。因此,我们希望人们在与智能代理的交互中更频繁地使用基于信任的策略。我们的研究结果提供了新的,重要的见解,促进人类和智能代理之间的相互作用的机制的设计,其中信任是一个必不可少的因素。
2020-07-22 cs.AI cs.GT
Intelligent Momentary Assisted Control for Autonomous Emergency Braking
在自动电动车辆的新兴领域中,开发用于增强安全关键系统(诸如自主紧急制动系统(AEB))的性能的控制算法是一个重要问题。本文设计了一种基于安全距离的分级式AEB控制系统,该系统由高层的基于规则的监控模块、中层的切换算法和底层的控制模块组成。基于规则的管理程序确定所需的减速命令,该命令通过切换算法馈送到低级控制模块。在低层控制中,分别设计了鲁棒滑模控制器和增益调度的线性二次型调节器。针对这种控制设计的需要,在考虑轮胎-路面摩擦系数恒定的情况下,建立了非线性的车辆动力学模型。在Simulink中对所提出的控制系统进行了验证,假设在平坦干燥的路面上进行直线制动操作。仿真结果表明,在这两种控制系统组合中,均能实现良好的紧急制动性能和完全避免碰撞。
2021-07-02 cs.SY eess.SY
SEIDM: A Safe and Efficient Intelligent Driver Model for Autonomous Driving Behavior
Department of Information and Communication Engineering, Tongji University(信息与通信工程系,同济大学);Department of Electrical and Computer Engineering, Duke University(电气与计算机工程系,杜克大学)
提出SEIDM模型,通过引入自适应安全因子动态调整安全减速项的影响,在保证安全的前提下提高交通流效率。
2026-04-11 cs.RO cs.SY eess.SY
Integrated Intelligent and Predictive Control: A Multi-Agent Adaptive Type-2 Fuzzy Control Architecture
我们提出了一种新的两层多智能体结构,旨在有效的实时控制的大规模和复杂的动态系统。所提出的架构集成了智能控制方法(具有低计算时间和适合实时应用)与模型预测控制(它照顾到控制的最优性要求)。底层控制层(智能控制模块)包括多个分布式智能控制代理,其设计参数由顶层(模型预测控制模块)调整。模型预测控制模块完成两个重要的角色:预测控制决策的效果,并协调较低控制层的智能控制代理。所得到的多智能体控制系统具有非常低的计算时间,并提供自适应性,控制协调,并以优异的性能为目标。此外,我们给出了一般的处理类型2模糊隶属函数,并介绍了两个类别:概率模糊(这是本文介绍的一个新概念)和模糊模糊(这是一个新的处理现有的类型2模糊隶属函数)。所提出的建模和控制方法的性能进行评估,通过一个案例研究,涉及一个简单的城市交通网络:结果表明,新的概念的概率模糊隶属函数优于类型1和类型2的隶属函数,已经在文献中介绍。此外,所提出的两层集成的多智能体控制体系结构显着优于多智能体分散模糊控制系统(代理之间没有协调),同时需要一个可比的计算时间。
2019-08-28 cs.SY eess.SY
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
Automated Environmental Monitoring Intelligent System Based on Compact Autonomous Robots for The Sevastopol Bay
Institute of Natural and Technical Systems(自然与技术系统研究所);Sevastopol State University(塞瓦斯托波尔国立大学)
本文提出了一种智能系统的概念,用于自动监测水生环境的主要参数,以检测其异常,并评估定量和定性指标,包括确定所研究的领域的空间和时间特性。该系统是建立在一个小型自主表面机器人网络的基础上。本文提出了一种实现全观测场气象参数自动化综合监测的监测系统概念模型。已经开发了一个软件模型,并进行了模拟实验,以计算主要指标并评估环境的时空变异性。根据模拟结果,形成了站点最优密度的控制图。所提出的解决水环境监测问题的方法与传统方法相比具有可扩展性、灵活性、部署和凝血速度快、自组织、通过改变机器人数量来创建宽视场的能力等优点。
2021-08-25 cs.RO cs.SY eess.SY
Mean Field Game and Decentralized Intelligent Adaptive Pursuit Evasion Strategy for Massive Multi-Agent System under Uncertain Environment
针对不确定环境下的大规模多智能体系统(MAS)的追逃博弈问题,提出了一种新的分散智能自适应优化策略。现有的追逃策略对于大种群的多智能体系统既不有效也不实用,因为当智能体种群很大时,臭名昭著的“维数诅咒”和通信限制。为了克服这些挑战,采用新兴的平均场博弈理论,并进一步与强化学习相结合,开发了一种新型的分散智能自适应策略,具有一种新型的自适应动态规划架构,称为Actor-Critic-Mass(ACM)。该策略通过在线逼近耦合平均场方程的解,即使对于不确定环境下的大规模多智能体系统,也能获得最优的追逃策略。在所提出的基于ACM学习的策略中,每个代理维护五个神经网络,它们是:1)批评神经网络,用于近似每个个体代理的HJI方程的解; 2)质量神经网络,用于估计种群密度函数(即,质量); 3)用执行器神经网络逼近分散最优策略; 4)设计了两个神经网络来估计对手群体的数量和最优代价函数。最后,通过全面的数值模拟验证了所设计策略的有效性。
2020-08-07 cs.SY eess.SY
A Dynamics Perspective of Pursuit-Evasion Games of Intelligent Agents with the Ability to Learn
追捕-逃避游戏在自然界和人造世界中无处不在。在自然界中,追踪者和逃避者是可以从经验和动态(即,牛顿或拉格朗日)是至关重要的追求者和逃避者在某些情况下。为此,本文从动力学的角度研究了智能体的追逃博弈。首先介绍了一个生物动力学的追逃对策和基本的追逃策略。然后,强化学习技术被用来模仿智能代理从经验中学习的能力。基于动力学模型和强化学习技术,从个体运行和参数范围两个层面研究了基于经验的追赶策略和逃避策略的改进对追赶-逃避博弈的影响.调查结果符合自然界的观察和适者生存的自然规律。更重要的是,对于具有基线策略的代理人的追逐-逃避游戏的结果,本研究获得了不同的结果。结果表明,在一个追求逃避游戏的动力学制定,逃避者是不能够逃脱一个稍微快的追求者与有效的学习追求策略,敏捷机动和有效的学习逃避策略的基础上。
2021-04-03 cs.MA cs.SY eess.SY
Artificial Wrestling: A Dynamical Formulation of Autonomous Agents Fighting in a Coupled Inverted Pendula Framework
Utsunomiya University(宇都宫大学);Yuhara Mfg Co., Ltd(汤原制造有限公司)
本文提出基于耦合倒立摆框架的自主代理对抗模型,通过动态控制器存储状态对应关系并生成控制力,实验表明延迟元素和量化分辨率影响性能。
2015-10-20 cs.RO cs.SY eess.SY
A Trust Management and Misbehaviour Detection Mechanism for Multi-Agent Systems and its Application to Intelligent Transportation Systems
Ulm University(乌尔姆大学);Technische Universität Darmstadt(达姆施塔特工业大学)
本文提出了一种基于主观逻辑的信任管理机制,用于多智能体系统中数据共享的可靠性增强和恶意行为检测,该机制在智能交通系统中得到了验证,证明其在系统规模扩大时仍能有效检测和隔离恶意代理。
2019-05-22 cs.MA cs.SY eess.SP