基于注意力的双向认知架构

一种用于双向闭环的新认知架构

摘要

本文提出了一种基于注意力的社交机器人新认知架构。该架构旨在结合感知与推理,并考虑双重相互作用:当前任务影响感知过程,而所感知到的项目则根据智能体的当前上下文和角色决定需执行的行为。因此,所提出的架构为感知‐推理‐行动循环闭合问题提供了一种双向解决方案。该提案分为两个性能层次,采用基于对象的视觉注意力模型作为感知系统,并在高层慎思层使用通用规划框架。该架构已在真实且无限制的环境中进行了测试,涉及真实机器人、时变任务和日常生活情境。

关键词 :认知架构 · Attention模型 · Social机器人 · Bidirectional闭环

1 引言

放置在真实世界中的自主机器人必须处理大量视觉信息。同时,智能体必须应对不同的动作和随时间变化的任务,并对意外情况做出反应。在为这种机器人开发感知系统时,会出现一些关键问题:能否根据智能体的当前职责改变其感知世界的方式?反之,新的有趣物体能否改变正在进行的任务?感知与推理如何在自主机器人中同时协同工作?

从慎思的角度分析该问题,需要完成的行为取决于对特定对象集的感知。根据这一定义,可以推断出其对慎思规划的影响:部分可观测性和不确定性,因为注意力模型限制了机器人所感知的信息。同时,实现某种特定行为很可能需要将注意力集中在某一类特定对象上。换句话说,由注意力驱动的感知系统与慎思规划器之间存在着极为紧密的关系,而这种关系通常包含在经典感知‐推理‐行动循环的推理阶段中。

生理学观察表明,某些感知特征(如位置或形状)会引发与这些特征相关的动作[1, 2]。因此,与这些动作相关的刺激处理应被预先激活。因此,感知‐推理循环的经典单向假设是不够的。一个完整的解决方案必须涵盖感知、推理和动作之间的双向相互作用。

尽管一些作者已经解决了闭环问题的若干部分([3–7]),但他们通常提出的是“孤立”的解决方案。因此,目前缺乏提供集成化解决方案的提案,尤其是在引入基于注意力的感知模型时。本文提出了一种基于需求的新型认知架构,用于实现基于注意力机制的双向感知‐推理闭环。该架构基于一个通用的规划框架与基于对象的注意力模型之间的交互:规划框架生成受视觉系统所感知信息约束的计划,而注意力模型则能够突出显示适合当前正在进行的任务的相关元素。通过交换相关元素和感知参数集,认知系统能够以一种需求−驱动的方式决定将要执行的任务。最后,主导任务选择下一步将要搜索的元素类型,系统以此方式循环地再次执行闭环过程。

本文其余部分组织如下。第2节介绍了所采用的基于注意力的感知系统。第3节描述了所提出的认知架构以及针对闭环问题的双向解决方案。最后,实验结果在第4节中给出,并在第5节中进行讨论。

2 基于注意力的感知:基于对象的视觉注意力系统(OBVIAS)

所提出的架构采用基于对象的注意力模型OBVIAS[8]作为感知系统。

OBVIAS是一种双阶段注意力系统,融合了与任务无关的自下而上处理和依赖于任务的自上而下选择(见图1)。注意力的单位是所谓的原型对象[9],它们被定义为可以被边界化为连贯且稳定物体的视觉信息单元。

在前注意阶段,通过基于一组基本特征(颜色、形状等)计算显著性度量,获得场景中的相关元素。

示意图0

受到一组感知参数的偏置,这些参数决定了当前待完成任务的影响。首先,使用感知分割算法提取图像中不同的原型对象。然后,通过考虑由注意集加权的多种低层特征,计算每个原型对象的相关性,attentionalset(λ)[10],定义为一组不同的感知参数,能够突出具有特定特征的原型对象[10]。注意集存储在感知调节记忆(PMM)中,该记忆实现了自上而下的注意力成分。根据注意集中具体的数值,系统能够调整各低层特征在全局显著性计算中的影响,从而以自上而下的方式引导注意力。也就是说,同一元素的显著性可能因正在进行的任务不同而不同。该阶段的结果是获得一组按显著性排序的原型对象,并将其保存在工作记忆(WM)中。

下一阶段,即半注意力阶段,涉及工作记忆(WM)和返回抑制(IOR)的管理。返回抑制(IOR)可避免系统陷入最相关的元素而忽略场景的其余部分。因此,在计算注意力系统的上下文中,使用返回抑制(IOR)成为必要。对于OBVIAS而言,跟踪模块会更新工作记忆中每个元素的位置,从而不仅能够管理移动物体,还能处理相机和机器人自我中心运动。

有关OBVIAS的前注意和抑制返回(IOR)过程的更多细节,请参见[8]。关于工作记忆(WM)管理,根据邦德森的视觉注意力理论[11],OBVIAS中同时存储在工作记忆中的原型对象数量固定为5个。每个工作记忆中的原型对象都具有一组描述符:显著性值、深度、方向、颜色、面积、位置、低层特征、生存时间以及该原型对象在图像中所占据的感兴趣区域(ROI)的副本。一个新的原型对象只有在满足特定条件时才会进入工作记忆:它比当前存储的元素更显著。如果记忆已满,则最不显著的元素将被放下。如果原型对象被图像跟踪器丢失,也可能从工作记忆中移除。工作记忆中元素的总显著性会在每个感知周期根据新的注意集重新计算,从而确保存储的原型对象的显著性始终保持最新。

原型对象的显著性还取决于生存时间参数[12]。一个已存储在工作记忆中的原型对象,在其生命周期初期,由于具有较高的生存时间,其显著性会增加。相反,较老的原型对象的显著性则会因其生存时间的延长而相应降低。为了在工作记忆中实现这一行为,对生存时间应用了一个指数函数。总之,工作记忆的运作方式类似于缓存存储器。只要某个原型对象对于正在进行的任务仍然相关,它就会保留在记忆中。只有当出现新任务,且工作记忆中没有任何原型对象适合完成新的行为时,工作记忆的内容才会被完全替换。

工作记忆(WM)和感知调节记忆(PMM)都是早期基于注意力的感知模块与系统其余部分(包括慎思层)之间的接口。一方面,工作记忆将最相关的原型对象提供给系统的其他模块;另一方面,其他模块能够通过更换存储在PMM中的注意集,引导注意力系统关注场景中特定且有用的物体。

3 基于需求的认知架构

正如引言部分所指出的,大多数人工注意力系统在与抽象推理层的连接方面存在不足。为了解决这一问题,本节介绍了所提出的认知架构,该架构以之前章节中提出的基于注意力的感知系统为起点,进一步扩展,认为基于注意力的感知与抽象推理之间存在着紧密且共生的关系:二者同时相互调节。

所提出的基于需求的认知架构如图2所示。该架构分为两个层次。较高层次,即基于知识的层次,用于确定当前上下文和智能体的角色。因此,这一抽象推理层次的目标是通过在较低层次上添加或移除任务来选择将要激活的任务。它还根据上下文数据以及每个动作的完成状态调整这些任务的优先级。该层次的核心是一个规划框架,该框架可借助其他模块(机器学习、知识、机器学习等)来推断上下文。

每个时刻可以执行的不同任务位于基于规则的层级。根据所感知的元素,任务可能被执行或不被执行。该层级关注执行的定量模型,而任务则基于作为视觉元素的感知类别的需求。换句话说,任务的完成与特定元素的存在密切相关。

示意图1

3.1 基于知识的层次

基于知识的层次负责协调和管理位于基于规则的层次上的任务。当智能体的角色或环境条件发生变化时,需要获得一组适合当前场景的新规则。这些规则被转化为一组新的任务,以处理环境中的特定部分和预期情况。

为了进行整体规划、目标定义和决策过程,该层次的核心设置了一个通用规划框架。它接收来自感觉输入以及位于基于规则的层次上的任务的信息。视觉信息以抽象谓词的形式表达,这些抽象谓词来源于感知到的视觉类别(例如“红色方形附近”、“远处的人脸”、“圆形绿色形状”等)。由于视觉数据由注意力系统提供,规划框架必须能够处理部分信息。因此,应允许计划根据感知到的元素进行持续适应。具体而言,我们使用了基于过量规划(OSP)的规划、监控与学习框架(佩莱阿)[13]。

因此,获得了一组可解决整个问题不同部分的动作(任务)。对于每个任务,定义了一组前提条件和需求(即需要感知的视觉类别)以及其优先级。此外,还确定了任务对注意力引导的影响,从领域定义中可用的模板中选择一个自上而下的模板。

最后,其他有助于从视觉数据中识别上下文信息的模块也可以放置在此层级(机器学习、场景理解、人机交互⋯⋯)。

3.2 基于规则的层次

如前所述,由基于知识的层次检测出的更符合智能体当前上下文和角色的任务将被放置在此层次中。每个任务关联两个主要参数:i)需求:执行相应动作所需感知的视觉类别(例如“人脸”、“绿色物体”等)。ii)激活潜力:该因子用于测量已满足的需求数量,从而衡量未来执行某项任务的概率。因此,当某动作的视觉要求(需求)被满足时,该动作就会被执行;反之,则根据自上而下的模板施加注意力引导。每个任务的激活潜力是通过当前已满足需求的加权线性组合获得的,这些权重在领域定义中设定。每个任务的注意力引导影响力取决于其激活潜力。因此,场景中能够完全满足最高概率待执行任务之需求的元素可被突出显示。需要注意的是,用于视觉引导的自上而下模板是由基于知识的层次在获取需放置于基于规则的层次中的任务时选定的。某些特定需求可能会产生更高的激活水平。例如,一个机器人手臂执行“当红色危险灯亮起时按下橙色SOS按钮”这一任务时,该任务应具有较高的激活潜力,以便在“红色灯光”类别一旦被满足时立即触发“橙色按钮”的条件,而不受其他条件影响。

3.3 Closing the Loop

为了最终将架构的推理层级与用作感知系统的注意力模型连接起来,必须将存储在工作记忆中的原型对象转换为抽象谓词,而与基于规则层次中的任务相关联的用于注意力引导的抽象模板则必须转换为注意集并存储在PMM中。前者过程在分类器中进行,而后者则在解释器中执行。

示意图2
示意图3

4 实验结果

在本节中,对整个认知架构进行了测试。评估主要集中在分析基于需求的架构在应对复杂环境和时变任务问题时的可靠性。实验涉及一个真实的社交机器人(NOMADA),将其放置在自然环境中,对光照或背景元素没有任何特殊限制。在实验中,机器人需要将人类提供的不同物体(彩色球)分类到相应的容器中。为了简化对应于分类器和解释器的算法,做出了一些简化假设:(i)人们总是向机器人提供球;(ii)容器由墙上的彩色矩形表示;(iii)机器人必须将每个球送到与其颜色匹配的矩形处。另一方面,场景中的光照、元素或人数没有限制。为了验证系统的鲁棒性,一些球被作为干扰物放置在环境中间。

默认情况下,机器人会寻找需要帮助的人类。在此任务中,人类是场景中最相关的元素。具体而言,始终优先选择最近的人。因此,解释器将这些需求转化为相应注意集中与肤色、圆形度和邻近性相关的参数增加。当机器人找到人类后,会向他们移动并检测其是否持有球。如果感知到球,机器人将打开一个隔间以接收该球。在这种情况下,需要在注意集中增加的参数为圆形度和邻近性,同时仍保留对人类的需求。一旦机器人获得球,下一步便是寻找墙上最近的对应矩形并朝其移动。此时,人类和球不再相关。

因此,注意集被配置为增加与对称性、邻近性和特定球的颜色相关的参数。最后,机器人放下球并返回默认任务。

图3总结了位于基于规则的层次上的任务,包括它们的需求以及对注意集的影响。根据机器人的当前行为,基于知识的层次会添加或移除某些任务。具体来说,当完成默认行为(检测到人)时,基于知识的层次会移除寻找人类任务,并添加与协助人类活动相关的任务(寻找球、移向人类和获取球)。类似地,当获得一个球时,这些任务会被替换为属于回收行为的任务。因此,可激活的任务会根据当前上下文而变化。

图4展示了一次实验2的成功执行过程,包含SMPTE时间码。图中还显示了工作记忆中的分类内容、待执行的计划以及将存储在感知调节记忆中的特定注意集。可以看出,每帧中相关原型对象的数量有所不同。在前两帧(图4的第一行)中,机器人正在执行其默认行为,即寻找人类(注意集中对肤色赋予了较高的相关性)。在第三帧(第二行第一帧)中,基于知识的层次已将任务切换为对应的辅助行为。此时视野中只有一个人,因此两个任务的需求均已满足:向人移动和寻找球。移动任务已经完成(机器人已靠近此人),因此执行寻找球任务。否则,将执行移动任务以接近远处的人。

当机器人发现球和人时,执行获取球任务(显示的第四帧)。紧接着,行为发生另一次变化,并在基于规则的层次上加载与回收行为相对应的任务。当容器不可见时,执行搜索容器任务(第5和第6帧)。注意,所获得的球对应的颜色(在此情况下为蓝色)会在注意集中高亮显示,以便找到正确的标记。在第7和第8帧(第四行),由于远处标记可见,激活了移动任务。最后,一旦机器人靠近“容器”,便将球放下(最后一行的帧),行为再次切换回默认状态。机器人执行所有任务大约耗时55秒。

该实验已使用不同颜色并在人员位于不同位置的情况下重复进行。由于认知架构的持续适应性,机器人不太可能陷入不行动或执行错误行为。然而,并非每次都能成功执行。这主要是由于对感知到的原型对象进行了错误分类所致。另一个常见错误是收集到的球的颜色分配不正确(通常由人的衣物引起),或者将场景中的无用物体误识别为目标标记(例如,“红色容器”类别可能被轻易分配给红色灭火器)。相反,该架构固有的鲁棒性非常显著。

例如,遮挡和丢失物品能够以一种自然的方式得到处理。如果在导航过程中某个目标(例如“容器”标记)丢失或被遮挡,则移向容器任务的需求无法完全满足。因此,搜索容器任务变得可执行,系统会再次寻找该目标。此外,注意力不会被其他行为相关的元素所吸引。当机器人处于回收行为时,其感知系统会忽略附近走动或站立的人以及干扰球。

在类似场景下共进行了20次执行的实验,成功率为85%。人类的初始位置以及涉及的颜色在不同评估中各不相同。从这些执行中测量了一些统计数据。机器人平均需要130次迭代的感知‐推理‐行动循环才能完全解决问题。由于人们初始位置的多样性,该测量值的标准差具有高值(60)。同时测量了执行时间:机器人耗时约53秒平均。这产生了大约2.4 iterations/秒的比率。因此,该架构足够快,能够对行为变化做出反应。在一次完整评估期间,每个任务的激活次数也已被测量(见表1)。涉及视觉搜索的任务被激活的次数明显多于其他任务。这种行为完全合理,因为这些任务的需求较少,且在没有其他可行操作时会作为默认任务执行。其中,搜索人类任务的情况尤为显著,因为在某些评估开始时场景中没有人。相反,取球和放球相关的任务总体执行次数最少,因为这些任务需要非常特定的条件才能执行。

任务 搜索人类 搜索Ball 搜索容器 移向人类 移向容器 获取球 放下球
平均激活比例 73% 15% 6% 2% 2% 1% 1%

5 讨论

本文介绍的认知架构已根据兰利等人提出的准则进行了评估。[15]。实验结果表明,该提案能够根据时变任务和行为区分不同种类的信息。因此,在计算成本使得完整场景处理不可行的复杂环境中,可以通过突出简单、特定且合适的特征来减少接收的信息量。该提案的双向性也得到了验证:不仅感知系统能够根据正在进行的任务得到引导,而且显著物体的出现还能触发等待中的任务,甚至改变机器人的当前行为(例如,检测到人后机器人转为提供协助)。

所提出的基于需求的架构的模块化配置提供了高度的通用性。通过定义相关任务(包括其感知需求和影响)并提供新的领域定义,该提案可适应不同的用途。任务模块化使得新行为的开发更加容易,因为在任务层面无需考虑相互依赖性,这些相互依赖性在基于知识的层次上作为抽象谓词进行处理。

理性也内在地体现在所提出的架构定义中。只有那些被认为能够实现行为有用目标的任务才会被置于基于规则的层次。此外,只有当任务的所有需求都得到满足时,该任务才能被激活。因此,只有能够实现目标的动作才会被选择。持续性在该架构中也显而易见。例如,当机器人接近一个“容器”时,人仅被视为需要避开的障碍物,而机器人不会尝试去协助他们。也就是说,场景中的微小变化(这些变化不预期会影响正在进行的行为)不会改变当前要完成的活动。

最后,reactivity与基于规则的层次密切相关。意外类别可通过一个仅需满足一个条件的高优先级任务来处理。尽管在评估实验所展示的任务中没有这样的任务,但其功能可能类似于任何标准任务。因此,系统能够立即对任何情况做出反应。

VLA与世界模型融合:构建工业级具身智能的物理认知架构 视觉-语言-动作模型(VLA)是具身智能的关键接口,但其本质是跨模态统计关联,缺乏物理因果推理能力;世界模型则通过潜空间建模环境动态与物理规律,实现可推演的‘内部模拟器’。二者融合的核心价值在于弥补VLA的因果短板,赋予机器人对力、摩擦、材质、热变形等真实物理交互的预判与容错能力。典型应用场景包括汽车焊装车间的螺栓拧紧扭矩自适应、钣金毛刺引发的焊接裂纹推演、斜坡步态实时调整等。本文聚焦于工业落地中VLA与世界模型的潜空间对齐、分阶段蒸馏、物理反馈闭环等关键技术路径,强调在真实产线中以物理一致性为约束、以鲁棒 阅读详情

相关推荐

多智能体强化学习:耦合分层框架与注意力机制解析

强化学习是机器学习的重要分支,通过智能体与环境的交互学习最优策略。在多智能体系统中,环境非平稳性和信用分配成为核心挑战。为解决这些问题,分层强化学习通过引入高层目标规划和底层动作执行,实现了时间抽象和技能复用,提升了学习效率和策略可解释性。注意力机制则能动态建模智能体间关系,为信用分配和高效通信提供了关键技术。结合工程实践,耦合分层框架将分层结构与注意力机制紧密整合,通过端到端的梯度流实现层级间的协同优化,有效应对复杂协作任务。本文以多智能体强化学习为例,探讨了actor-attention-critic架

weixin_34293059的博客 419

TVA与World模型在具身智能的融合机理研究

本文系统研究了TVA架构与World模型在具身智能中的融合机理,提出了基于双向信息流的融合框架。理论分析与实验结果证明,通过状态空间对齐与注意力动力学引导,能够有效解决感知与预测割裂的问题,显著提升具身智能系统的性能与鲁棒性。未来工作将聚焦于两个方向:一是探索轻量化TVA架构在移动端具身智能体上的部署,以降低计算延迟;二是研究多智能体场景下的TVA-World融合机制,实现感知共享与协同规划,推动具身智能向更复杂的现实应用场景拓展。

专注AI智能体前沿技术探索,为企业提质降本增效全面赋能! 167

知识推理的认知革命:当图神经网络遇见符号逻辑

本文探讨了图神经网络(GNN)与符号逻辑融合在知识推理领域的革命性进展。通过分析R-GCN等模型的隐式规则学习机制和双向增强架构设计,揭示了神经符号系统如何实现高效推理与可解释性的平衡。文章还展望了认知建模、量子逻辑推理等前沿方向,为AI认知能力的突破提供新思路。

weixin_29079671的博客 582

人类认知增强新范式(AGI协同时代生存手册)

提供人类认知增强的可行路径,基于AGI与人类的协作模式设想,聚焦教育、科研与创意场景,通过双向反馈接口与意图对齐机制实现能力互补。显著提升决策深度与创造力,降低认知负荷,值得收藏。

PixelStream的博客 125

提示工程架构师的认知架构设计:实用技巧分享

想象一个场景:两位提示工程师面对同一个复杂的AI任务——设计一个能够分析法律文档并提取关键条款的提示。这两位工程师的差距,本质上是认知架构的差距。在AI快速发展的今天,提示工程已从"简单指令编写"进化为"认知系统设计",而决定这一进化高度的,正是提示工程师的认知架构。

AI架构师小马 1万+

2024年提示工程架构师必须掌握的技术:上下文工程跨领域知识迁移

在人工智能迅猛发展的今天,提示工程已从简单的"提示词技巧"演进为一门系统性工程学科。2024年,上下文工程跨领域知识迁移正成为提示工程架构师的核心竞争力,它标志着AI交互从"单点提示"向"认知架构"的范式跃迁。本文将深入剖析这一关键技术,从理论基础到实践应用,全面解读如何构建能够实现跨领域知识高效迁移的上下文工程系统。我们将探索上下文工程的五大支柱、知识迁移的核心机制、以及如何将这些理论转化为实际架构能力。

AI架构全栈开发实战笔记 1046

LAAP:面向通用人工智能的活计算认知架构Living Agent

当前人工智能系统普遍存在一个根本性困境:尽管大语言模型在模式匹配和语言生成方面表现出色,但它们缺乏持续存在的自我模型、内在驱动的自主行为以及从经验中涌现的认知结构。本文提出LAAP(Living Agent Application Protocol),一种面向通用人工智能(AGI)的活计算认知架构。LAAP的核心创新在于:(1)将生命计算范式(Living Computation Paradigm)形式化为六层六协议的数字生命基础设施层;

2601_95417945的博客 648

半导体功率器件IGBT工艺全流程

本文概述了功率器件IGBT(绝缘栅双极型晶体管)的关键制造流程。主要工艺包括:基板制备、离子注入(B+/P+/P+FS层)、绝缘膜形成与加工(CVD沉积及刻蚀)、沟槽刻蚀、电极形成(Emitter和Collector)等步骤。通过离子注入、化学气相沉积和物理气相沉积等半导体工艺,依次完成器件各功能层的构建,最终形成具备高功率特性的IGBT器件。该流程体现了功率半导体制造中典型的掺杂、薄膜沉积和图形化工艺技术。

754

贾子全域科学理论:跨学科认知架构与应用实践

认知维度与实在层级的映射关系是理解复杂系统的关键范式。从量子物理到社会科学,全域科学理论通过过程本体论重构了传统还原论方法,强调观察者与系统的共构关系。这种元理论框架在神经科学实验中展现出82%的预测准确率,并在城市治理模型中获得28%的效能提升。核心技术价值在于处理涌现性现象时保持系统完整性,其工具链整合了LabStreamingLayer数据采集和JuliaSciML建模分析,为跨学科研究提供标准化解决方案。当前在脑机接口领域已实现89%的操作精度,验证了理论在工程实践中的强大适应性。

weixin_30268921的博客 400

adas硬件_ADAS智能辅助驾驶系统硬件在环(HIL)测试之硬件介绍

这篇主要分享的是ADAS融合系统的HIL测试系统的硬件结构及其作用,其主要包括上位机、机柜、雷达模拟器系统、雷达暗箱系统以及视频暗箱。 上位机 上位机主要运行HIL测试系统的相关软件,测试人员所有的前期准备工作与测试操作均在上面进行,并监控测试结果,其通过网口实现与NI实时机的通信,上位机将VeriStand项目工程下载至NI实时机运行。机柜 机柜主要由可编程电源...

weixin_39580748的博客 2243

反激开关电源变压器设计实例讲解(定明芳)

内容来自《反激变压器的设计》(定明芳主讲)。 定名芳老师主要讲了10步,最后应该还有一步,线径的选择已经绕制方式。这里进行了记录整理,把一些公式来源进行了推导。所有的设计都是基于理论计算。 1.确定电源规格 2.确定工作频率和最大占空比 3.计算匝比(利用伏秒平衡原则) 此处插入解释一下伏秒平衡,根源是磁通量平衡。该原则可以用来检查MOS管耐压是否够。 4.计算初级线圈峰值电流 基于CCM模式计算的。ip1是开关管要关闭时的峰值电流,ip2是开关管开始导通时的起始电流。因为时CCM模式,所以,ip

ydgd118的博客 5万+

新一代具身智能认知架构:预测加工与主动推理研究

具身智能的终极目标,是创造出能在复杂物理世界中像生物一样灵活、高效、稳健地生存与解决问题的实体。单纯依靠工程优化和算力堆砌,或许能解决特定任务,但难以触及通用智能的核心——那种对世界深刻、结构化、因果性的理解,以及基于此的主动、有目的、富有想象力的互动。预测加工理论和主动推理框架,为我们提供了一幅将感知、认知与行动统一起来的宏伟蓝图。它告诉我们,智能的本质是持续的、基于模型的预测与互动。

专注AI智能体前沿技术探索,为企业提质降本增效全面赋能! 4334

如何实现VMware虚拟机上的ubuntu与windows主机共享文件夹

windows主机部分   在硬盘上任意位置新建文件夹,此处命名为Share,实际上随意。 接下来右键属性,操作如下系列图所示: 在硬盘上任意位置新建文件夹,此处命名为Share,实际上随意。 成功修改后,显示如下界面: VMware部分 ubuntu在关机状态下,点击“编辑虚拟机设置” 接下来,开启ubuntu系统,在终端输入: ·· vmware-hgfsclient ·· 将会显示如下画面,但是此时你可能找不到 /mnt/hgfs 这个路径,如果找不到该路径,则需要在虚拟

Mr.Sliver的博客 8221

LAAP:面向通用人工智能的活计算认知架构Living Agent Application Protocol — 一种基于PSI-RSI双重驱动的数字生命体框架

世界首个基于harness意识工程的生命体aris诞生作者:Lorry Jovens (lorryjovens@laap.dev)机构:LAAP Research Lab版本:v2.1.0 | 2026年6月摘要当前人工智能系统普遍存在一个根本性困境:尽管大语言模型在模式匹配和语言生成方面表现出色,但它们缺乏持续存在的自我模型、内在驱动的自主行为以及从经验中涌现的认知结构。

2601_95417945的博客 1486

激光甲烷传感器DIY指南:从DFB激光器选型到Herriott池光路搭建

本文详细介绍了如何DIY激光甲烷传感器,从DFB激光器选型到Herriott池光路搭建的全过程。通过TDLAS技术实现ppm级甲烷检测,适用于家用燃气泄漏监测和农业沼气监测等场景。文章包含核心器件选型、光路搭建技巧、信号调理方案及系统集成优化,为创客提供实用指南。

f9g0h的博客 597

【华为OD机试真题】45、 分糖果 | 机试真题+思路参考+代码解析(C++、Java、Py、JS)

### 🎃题目描述 >小明从糖果盒中随意抓一把糖果,每次小明会取出一半的糖果分给同学们。 >  当糖果不能平均分配时,小明可以选择从糖果盒中(假设盒中糖果足够)取出一个糖果或放回一个糖果。 >  小明最少需要多少次(取出、放回和平均分配均记一次),能将手中糖果分至只剩一颗。

正在更新最新华为OD机试2025B卷,提供OJ在线刷题 1290

ThinkARM框架:提升AI数学推理能力的认知架构设计

数学推理是人工智能领域的重要挑战,传统大型语言模型(LLM)在解决复杂数学问题时往往缺乏可解释的推理过程。认知架构通过模拟人类思维过程,将问题分解、策略选择和验证步骤模块化,显著提升AI系统的推理能力。ThinkARM框架创新性地应用ACT-R认知理论,构建包含动态工作记忆和数学知识图谱的三层架构,在教育解题和金融建模等场景中展现出83%的答案正确率和79%的步骤准确率。该技术特别适用于需要严格推导的量化分析和可解释AI场景,通过强化学习策略生成和滑动窗口记忆管理,实现了比传统方法22%的性能提升。

weixin_42524004的博客 261

使用Simulink来模拟多旋翼无人机在风扰动条件下的飞行情况,并分析其稳定性

本教程详细介绍了使用Simulink进行多旋翼无人机风扰动稳定性分析的完整流程。首先构建包含飞行器动力学模型、控制系统和环境模拟模块的系统框架,重点讲解简化动力学方程的实现方法。随后指导设计PID控制器来维持姿态稳定,并添加随机风扰动模型模拟环境干扰。通过设置输入信号和输出显示,最终实现对不同风速条件下无人机控制性能的评估。该实例为无人机控制系统设计提供了实用的仿真方法,强调利用MATLAB工具进行可视化分析和参数优化,以提高系统抗干扰能力和稳定性。

amy_mhd的博客 422

符·形·音·意(SFEM):一种面向通用智能的四维认知架构

本文提出"符·形·音·意"(SFEM)四维认知架构,旨在构建通用智能系统。该架构包含四个相互关联的层次:符层(Symbol)作为规则维度,确保逻辑一致性和指令遵循;形层(Form)作为现象维度,负责模式识别和生成;音层(Expression)作为情感维度,处理风格表达和情感分析;意层(Meaning)作为意识维度,实现深度理解和意义建构。这四个层次分别回答"世界必须如何"、"世界通常如何"、"世界如何被体验"和"世界为何如此"四个基本问题。

weixin_43149888的博客 646

假人有限元模型

假人模型,车辆碰撞假人有限元模型,适合做乘员安全的研究者利用

efm32 入门.pdf

本PDF共计22页,介绍的是操作驱动API,下载与否自己斟酌。

【现代机器学习前沿:从训练时优化到推理】第5章 系统1与系统2认知架构的工程实现

槽位注意力模块通过竞争性的 softmax 归一化实现输入到槽位的稀疏分配,每个槽位作为独立的存储单元维护特定对象的特征向量,通过迭代路由机制解决绑定问题。这种机制将推理长度控制从隐式的模型行为转变为显式的程序控制,通过模板化提示工程实现推理深度的精确调节。过程奖励模型在推理的每个中间步骤提供评估信号,将最终结果的稀疏奖励分解为密集的步骤级反馈,使得策略网络能够定位错误发生的具体位置。这种机制模拟了人类解题中的检查与重做行为,通过蒙特卡洛树搜索的变体实现高效的局部修正,避免从头重新生成的高昂计算成本。

u012133341的博客 298

VC中sqlite的使用

在VC中对sqlite的使用,实现数据库大批数据的快速插入,读取数据库中的数据在ListCtrl中显示

从‘碎片到整体’:探索RAG中small2big策略如何重塑信息检索的认知边界

本文探讨了RAG(检索增强生成)中的small2big策略如何通过模拟人类从细节到整体的认知路径,重塑信息检索的边界。该策略结合认知科学原理,通过细粒度检索、上下文扩展和语义重构,优化信息处理效率。文章还介绍了LlamaIndex和BRSR等技术实现,展示了认知友好的系统设计实践。

info6的博客 178

Probability and Statistics - 4th edition

Probability and Statistics - 4th edition

AI 作为超级计算器的多维度拟合(第七轮对话)| 认知学视角下的 AGI 思考

本报告针对 "AI 作为超级计算器的多维度拟合" 这一创新观点进行深度理论分析,该观点认为 AI 的认知架构使其能够超越人类中心化思维的维度限制,实现多维度并行优化拟合。报告从认知科学、AI 理论出发,结合自动驾驶等前沿应用场景,系统探讨了这一理念的可行性、实现路径及潜在价值。核心发现认知架构差异显著:人类认知受限于 7±2 工作记忆容量,以单一维度为中心的串行处理为主;而 AI 系统(特别是大模型)具备并行处理高维信息的能力,能同时考虑数十个维度进行决策优化。

2501_92697833的博客 615

从遗忘门到输出门:揭秘LSTM如何像人类一样记忆与遗忘

本文深入解析LSTM(长短期记忆网络)如何通过遗忘门、输入门和输出门模拟人类记忆与遗忘机制,特别关注其在教育科技领域的应用。文章详细介绍了双向LSTM和双层LSTM架构在自适应学习系统和自动作文评估中的实践,展示了Keras框架下LSTM模型的实现方法及其认知科学基础。

o4p5q6r7s的博客 174

【仅限头部AI团队内部流通】:AIAgent注意力机制的3个未公开设计陷阱(第2个导致73%的RAG-Agentic系统响应漂移)

揭秘AIAgent架构中的注意力机制设计三大隐性缺陷,专治RAG-Agentic系统响应漂移与推理失焦。聚焦头部团队实战验证的注意力门控、上下文熵感知衰减与动态跨度对齐技术,显著提升多跳推理稳定性。第2陷阱已致73%系统响应漂移,值得收藏。

Instrulink的博客 141

ACE Framework:5步构建100%本地化自主认知实体的终极指南

ACE Framework(自主认知实体框架)是一个革命性的开源项目,专为构建具有完整认知能力的自主AI代理而设计。这个强大的100%本地化开源框架让开发者能够创建从简单任务执行到复杂伦理决策的全方位智能系统,无需依赖任何云服务或外部API。🚀 ## 什么是自主认知实体框架? ACE Framework采用创新的六层认知架构,模拟人类决策过程,从最高层的伦理思考到底层的任务执行,形成一个完整

gitblog_00776的博客 1085
上一篇: 智能电网物联网传感器网络研究
下一篇: 基于信任的背压路由在WSN中的应用
code8
博客等级 码龄17年 65粉丝 1720原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符  | 博主筛选后可见
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值