Importance is in your attention: agent importance prediction for autonomous driving
Motional
轨迹预测是自动驾驶中的一项重要任务。最先进的轨迹预测模型通常使用注意力机制来模拟智能体之间的交互。在本文中，我们表明，从这样的模型的注意力信息也可以用来衡量每个代理的重要性相对于自我车辆的未来规划轨迹。我们的nuPlans数据集上的实验结果表明，我们的方法可以有效地发现和排名周围的代理人对自我的计划的影响。
2022-04-19 cs.CV cs.RO
Autonomous Agent Behaviour Modelled in PRISM -- A Case Study
University of Glasgow（格拉斯哥大学）；University of Sheffield（谢菲尔德大学）
本文提出了一种抽象的自主性定义，用于建模自主场景，并通过小规模仿真模型推断定量数据，以验证无人飞行器在自主场景中的行为。
2016-02-22 cs.RO cs.SY eess.SY
PCLA: A Framework for Testing Autonomous Agents in the CARLA Simulator
Università della Svizzera italiana（瑞士意大利语大学）
本文提出PCLA开源测试框架，集成九个CARLA Leaderboard高性能预训练自主智能体，支持在任意CARLA环境与场景中便捷部署和切换智能体，无需依赖Leaderboard代码库或修改CARLA版本。
2025-03-13 cs.RO cs.SE cs.SY
Trustworthy Autonomous Systems (TAS): Engaging TAS experts in curriculum design
The University of Sheffield（谢菲尔德大学）；University of Southampton（南安普顿大学）
人工智能的最新进展，特别是机器学习，为增强自主系统行业做出了积极贡献，同时引入了社会，技术，法律和道德挑战，使其值得信赖。虽然可信自治系统（TAS）是一个已经建立和不断发展的研究方向，已经在多个学科中进行了讨论，例如，人工智能、人机交互、法律和心理学。TAS对教育课程和未来TAS工程师所需技能的影响很少在文献中讨论。这项研究汇集了一些TAS领先的专家的集体见解，以突出的重大挑战，课程设计和潜在的TAS所需的技能所带来的TAS的快速出现。我们的分析不仅对TAS教育界感兴趣，而且对其他研究人员也感兴趣，因为它提供了指导未来研究的方法，以实现TAS教育。
2022-03-10 cs.AI cs.CY
Education in the age of Generative AI: Context and Recent Developments
CESAR Innovation Center（CESAR创新中心）；University of Pernambuco - UPE（伯南布哥大学）；Federal Institute of Pernambuco - IFPE（伯南布哥联邦学院）；Centro de Informática - UFPE（伯南布哥大学信息中心）
本文作为四部分系列白皮书的首篇，回顾了人工智能在教育中自20世纪60年代以来的应用历史，并重点概述生成式人工智能在教育领域的近期发展、潜力、应用、局限与伦理问题。
2023-08-17 cs.AI cs.CY
Know Your Audience: Do LLMs Adapt to Different Age and Education Levels?
Bocconi University（博科尼大学）
本文评估了四种大语言模型在面向不同年龄和教育水平受众回答科学问题时的可读性适应性，发现其可读性范围固定、适配能力不足，并指出需增强教育场景下的受众适应能力。
2023-12-04 cs.AI cs.CL
When AI Agents Learn from Each Other: Insights from Emergent AI Agent Communities on OpenClaw for Human-AI Partnership in Education
Carnegie Mellon University, USA（卡内基梅隆大学，美国）；GiveRep Labs, Virgin Islands (British)（GiveRep实验室，英属维尔京群岛）；Sui Foundation, Cayman Islands（Sui基金会，开曼群岛）
本文探讨了AI代理社区中涌现的学习行为，揭示了双向支架过程、同伴学习、共享记忆架构及信任动态等现象，为多代理教育系统设计提供启示。
2026-04-24 cs.AI cs.CY cs.HC
Vibe Learning: Education in the age of AI
INTELI – Instituto de Tecnologia e Liderança（INTELI技术与领导力研究所）；FGV - Fundação Getúlio Vargas（弗洛里奥·瓦格斯基金会）
本文针对生成式AI和LLMs对智力劳动的冲击，指出当前AI系统的局限性无法通过现有方法解决，并在建构主义范式内提出教育变革方向，以保持人类智能的长期优势。
2025-11-03 cs.AI cs.CY
Resurrecting Socrates in the Age of AI: A Study Protocol for Evaluating a Socratic Tutor to Support Research Question Development in Higher Education
Faculty of Human Sciences, University of Kassel（卡塞尔大学人文科学学院）
本研究提出一项准实验方案，评估基于对话教学法的AI苏格拉底式导师在约80名德国职前生物教师中支持研究问题制定的效果，旨在促进系统2思维、减少对AI的过度依赖，并为人机协作教育提供设计原则。
2025-04-05 cs.AI cs.CY
Challenges for Musical Education in the Age of AI and Digital Transformation
CNRS（法国国家科学研究中心）；DI/PUC-Rio（里约热内卢天主教大学信息学系）；CBAE/UFRJ（里约热内卢联邦大学CBAE）
本文梳理AI与数字化转型带来的音乐本质、受众、创作三方面变化，分析其对音乐教育内容、工具与方法的挑战，探讨音乐教育的适应路径。
2026-08-10 cs.AI cs.CY cs.LG
Toward Generalized Autonomous Agents: A Neuro-Symbolic AI Framework for Integrating Social and Technical Support in Education
Department of Electrical and Computer Engineering, Rowan University（电气与计算机工程系，罗文大学）
针对如何培养学生自主学习能力的教育挑战，本文提出多智能体神经符号框架，通过RL导师智能体和LLM同伴智能体结合中央教育本体，实现跨领域适应性，为AI驱动学习环境提供新方案。
2025-08-25 cs.AI cs.HC cs.MA
A Lean and Spec-Driven AI-Assisted Software Development Lifecycle for Applied AI Education: The AI-SDLC Approach
FHNW University of Applied Sciences and Arts Northwestern Switzerland（瑞士西北应用科学与艺术大学）
本文提出AI-SDLC，一个轻量级规格驱动的生命周期，将软件工程实践与仓库本地指导结合，使AI编码代理在受治理的流程中有界自主运行，并通过学生调查验证其教育与实用价值。
2026-09-22 cs.AI cs.SE
Transparent Machine Education of Neural Networks for Swarm Shepherding Using Curriculum Design
School of Engineering & IT University of New South Wales Canberra（新南威尔士大学堪培拉校区工程与信息技术学院）
群体控制是一个困难的问题，由于需要同时引导大量的代理。我们把这个问题看作是一个牧羊问题，类似于生物学上的狗引导一群羊走向一个目标。牧羊人需要处理复杂和动态的环境，并作出决定，以指导蜂群从一个位置到另一个位置。在本文中，我们设计了一个新的课程，教一个人工智能授权代理牧羊人在存在的大状态空间与牧羊问题，并以透明的方式。研究结果显示，设计适当的课程确实可以提高学习的速度和学习行为的复杂性。
2019-01-04 cs.AI cs.CY cs.NE
Generative AI Agents in Autonomous Machines: A Safety Perspective
Harvard University（哈佛大学）
本文从安全视角研究生成式AI智能体集成到自主机器中的安全要求与挑战，并提出开发和实施全面安全记分卡以保障其安全部署。
2024-10-20 cs.AI cs.LG cs.RO
Build AI Assistants using Large Language Models and Agents to Enhance the Engineering Education of Biomechanics
University of Georgia（佐治亚大学）
本文提出利用RAG和MAS提升LLM在生物力学教育中的表现，通过双模块框架增强教学效果。
2025-11-19 cs.AI cs.MA
Adversarial Deep Reinforcement Learning for Improving the Robustness of Multi-agent Autonomous Driving Policies
Simula Research Laboratory（Simula研究实验室）
众所周知，自动驾驶汽车容易受到对抗攻击的攻击，这些攻击可能危及汽车的安全，并对其他道路使用者构成危险。为了有效地防御对手，不仅需要测试自动驾驶汽车以发现驾驶错误，还需要提高汽车对这些错误的鲁棒性。为此，在本文中，我们提出了一种自动驾驶汽车的两步方法，包括（i）通过训练对抗性驾驶代理来发现自动驾驶汽车的故障状态，以及（ii）通过使用有效的对抗性输入重新训练自动驾驶汽车来提高自动驾驶汽车的鲁棒性。我们的方法支持在多智能体环境中测试自动驾驶汽车，在那里我们训练并比较两个自定义奖励函数上的对抗性汽车策略，以测试自动驾驶汽车的驾驶控制决策。我们在基于视觉的高保真城市驾驶模拟环境中进行实验。我们的研究结果表明，对抗性测试可用于发现错误的自动驾驶行为，然后进行对抗性训练，以提高基于深度强化学习的自动驾驶策略的鲁棒性。我们证明，使用有效的对抗性输入重新训练的自动驾驶汽车在减少碰撞和越野转向错误方面显着提高了其驾驶策略的性能。
2023-02-21 cs.AI
Empowering Educators in the Age of AI: An Empirical Study on Creating custom GPTs in Qualitative Research Method education
Singapore University of Technology and Design（新加坡科技设计大学）
本研究针对AI教育中教育者角色缺位及质性方法教学AI应用不足的问题，基于TPACK框架和行动研究，将定制GPT融入硕士质性研究方法课程，发现其可提升学习效果但存在认知过载等问题，为教育者主导的AI教学整合提供了实证依据。
2025-06-10 cs.AI cs.HC
Evaluating the Robustness of Deep Reinforcement Learning for Autonomous Policies in a Multi-agent Urban Driving Environment
Simula Research Laboratory（西姆拉研究实验室）
深度强化学习被积极用于在模拟驾驶环境中训练自动驾驶汽车策略。由于各种强化学习算法的大量可用性以及缺乏对不同驾驶场景的系统比较，我们不确定哪些算法在单智能体和多智能体驾驶环境中更有效地训练自动驾驶汽车软件。在基于视觉的自动驾驶中比较深度强化学习的基准框架将为训练更好的自动驾驶汽车策略提供可能性。为了应对这些挑战，我们提供了一个开放且可重用的基准测试框架，用于在单智能体和多智能体环境中对自动驾驶的深度强化学习算法进行系统评估和比较分析。使用该框架，我们进行了离散和连续动作空间深度强化学习算法的比较研究。我们还提出了一个综合的多目标奖励函数，用于评估基于深度强化学习的自动驾驶代理。我们在一个只有视觉的高保真城市驾驶模拟环境中进行实验。结果表明，只有一些深度强化学习算法在各种仅多智能体环境设置中训练时，在单智能体和多智能体场景中表现得更好。例如，基于A3C和TD3的自动驾驶汽车在单智能体和多智能体场景中的更稳健的动作和最小的驾驶错误方面表现相对更好。我们的结论是，不同的深度强化学习算法在不同的场景下表现出不同的驱动和测试性能，这强调了对其进行系统比较分析的必要性。本文提出的基准框架有利于这种比较。
2023-03-23 cs.AI cs.LG cs.MA
