在典型的自主驾驶堆栈中，计划和控制系统代表了两个最关键的组件，其中传感器检索并通过感知算法处理的数据用于实施安全舒适的自动驾驶行为。特别是，计划模块可以预测自动驾驶汽车应遵循正确的高级操作的路径，而控制系统则执行一系列低级动作，控制转向角度，油门和制动器。在这项工作中，我们提出了一个无模型的深钢筋学习计划者培训一个可以预测加速度和转向角度的神经网络，从而获得了一个单个模块，可以使用自我自我的本地化和感知算法处理的数据来驱动车辆-驾车。特别是，在模拟中进行了全面训练的系统能够在模拟和帕尔马市现实世界中的无障碍环境中平稳驱动，证明该系统具有良好的概括能力，也可以驱动驱动在培训方案之外的那些部分。此外，为了将系统部署在真正的自动驾驶汽车上，并减少模拟和现实世界中的差距，我们还开发了一个由微小的神经网络表示的模块，能够在期间重现真正的车辆动态行为模拟的培训。

我们根据功能性隐藏动态地理模型（F-HDGM）的惩罚最大似然估计器（PMLE）提出了一种新型的模型选择算法。这些模型采用经典的混合效应回归结构，该结构具有嵌入式时空动力学，以模拟在功能域中观察到的地理参考数据。因此，感兴趣的参数是该域之间的函数。该算法同时选择了相关的样条基函数和回归变量，这些函数和回归变量用于对响应变量与协变量之间的固定效应关系进行建模。这样，它会自动收缩到功能系数的零部分或无关回归器的全部效果。该算法基于迭代优化，并使用自适应的绝对收缩和选择器操作员（LASSO）惩罚函数，其中未含量的F-HDGM最大likikelihood估计器获得了其中的权重。最大化的计算负担大大减少了可能性的局部二次近似。通过蒙特卡洛模拟研究，我们分析了在不同情况下算法的性能，包括回归器之间的强相关性。我们表明，在我们考虑的所有情况下，受罚的估计器的表现都优于未确定的估计器。我们将该算法应用于一个真实案例研究，其中将意大利伦巴第地区的小时二氧化氮浓度记录记录为具有多种天气和土地覆盖协变量的功能过程。

现实生活过程的日志通常具有与记录的时间戳，数据值和/或事件有关的不确定性。我们考虑检查不确定日志与数据吸引参考过程的不确定日志的问题。具体来说，我们展示了如何通过SMT编码来解决它，从而将基于数据感知的SMT符合性检查的先前工作提升为更复杂的设置。我们的方法是模块化的，因为它同质可容纳不同类型的不确定性。此外，使用适当的成本功能，可以解决不同的符合性检查任务。我们通过概念验证实施来展示我们的方法的正确性，并见证了可行性。

对不合作空间居民对象的姿势估计是近距离操作中自治的关键资产。在这种情况下，单眼相机是一个有价值的解决方案，因为它们的系统要求低。但是，关联的图像处理算法要么在实时实现实时实现的计算上太昂贵，要么准确地计算不足。在本文中，我们提出了利用神经网络体系结构的姿势估计软件，可以将其缩放到不同的准确性延迟权衡。我们设计的管道与Edge Tensor处理单元兼容，以显示低功率机学习加速器能够在空间中实现人工智能开发。在基准航天器姿势估计数据集以及有意开发的Cosmo Photorealistic数据集上测试了神经网络，该数据集在各种随机姿势和可触摸的太阳能电池板方向上描绘了Cosmo-Skymed卫星。我们体系结构的最轻版本可在两个数据集上达到最新的精度，但在网络复杂性的一小部分中，每秒以每秒7.7帧的速度在珊瑚开发板中以2.2W的速度运行。

AI的蓬勃发展提示建议，AI技术应该是“以人为本”。然而，没有明确的定义，对人工人工智能或短，HCAI的含义。本文旨在通过解决HCAI的一些基础方面来改善这种情况。为此，我们介绍了术语HCAI代理商，以指配备有AI组件的任何物理或软件计算代理，并与人类交互和/或协作。本文识别参与HCAI代理的五个主要概念组件：观察，要求，行动，解释和模型。我们看到HCAI代理的概念，以及其组件和功能，作为弥合人以人为本的AI技术和非技术讨论的一种方式。在本文中，我们专注于采用在人类存在的动态环境中运行的单一代理的情况分析。

高度特异性语义课程和复杂形状的全自动语义分割可能无法满足科学家所需的准确性标准。在这种情况下，能够帮助操作员在维护对复杂任务的人类控制的同时提供人为的AI解决方案是加速图像标记的良好折衷，同时保持高精度水平。Taglab是一个开源AI辅助软件，用于注释大型OrthoImages，可利用不同程度的自动化;它通过辅助工具速度从划痕加速图像注释，创建定制全自动语义分段模型，最后允许快速编辑自动预测。由于OrthoImages分析适用于几个科学学科，因此Taglab已经设计有灵活的标签管道。我们在两种不同的情景，海洋生态和建筑遗产中报告了我们的结果。

为了有效地使用抽象（PDDL）规划域来在未知环境中实现目标，代理必须将这样的域与环境的对象及其属性实例化。如果代理具有Enocentric和环境的部分视图，则需要采取行动，感知和抽象规划域中的感知数据。此外，代理需要将符号规划器计算的计划编译成其执行器可执行的低级动作。本文提出了一个旨在实现上述角度的框架，并允许代理执行不同的任务。为此目的，我们集成了机器学习模型来摘要传感数据，符号规划目标成就和导航路径规划。我们在准确的模拟环境中评估了所提出的方法，其中传感器是RGB-D板载相机，GPS和指南针。

图像的美学质量被定义为图像美的度量或欣赏。美学本质上是一个主观性的财产，但是存在一些影响它的因素，例如图像的语义含量，描述艺术方面的属性，用于射击的摄影设置等。在本文中，我们提出了一种方法基于语义含量分析，艺术风格和图像的组成的图像自动预测图像的美学。所提出的网络包括：用于语义特征的预先训练的网络，提取（骨干网）;依赖于骨干功能的多层的Perceptron（MLP）网络，用于预测图像属性（attributeNet）;一种自适应的HyperNetwork，可利用以前编码到attributeNet生成的嵌入的属性以预测专用于美学估计的目标网络的参数（AestheticNet）。鉴于图像，所提出的多网络能够预测：风格和组成属性，以及美学分数分布。结果三个基准数据集展示了所提出的方法的有效性，而消融研究则更好地了解所提出的网络。

分层时间记忆（HTM）是一种无监督的学习算法，其灵感来自Neocortex的功能，可用于连续处理流数据并检测异常，而无需大量数据进行培训，也不需要标记数据。 HTM还能够从样本中不断学习，提供一个始终是关于观察的模型。这些特性使HTM特别适用于支持云系统中的在线故障预测，这是具有动态变化行为的系统必须监视以预测问题。本文介绍了在故障预测的背景下评估HTM的第一个系统研究。考虑到72个HTM配置所获得的HTM配置到Clearwater云系统中引入的12种不同类型的故障表明，HTM可以帮助预测具有足够有效性（F-Measure = 0.76）的失败，代表有趣的实际替代方案（半 - ）监督算法。

Computational units in artificial neural networks follow a simplified model of biological neurons. In the biological model, the output signal of a neuron runs down the axon, splits following the many branches at its end, and passes identically to all the downward neurons of the network. Each of the downward neurons will use their copy of this signal as one of many inputs dendrites, integrate them all and fire an output, if above some threshold. In the artificial neural network, this translates to the fact that the nonlinear filtering of the signal is performed in the upward neuron, meaning that in practice the same activation is shared between all the downward neurons that use that signal as their input. Dendrites thus play a passive role. We propose a slightly more complex model for the biological neuron, where dendrites play an active role: the activation in the output of the upward neuron becomes optional, and instead the signals going through each dendrite undergo independent nonlinear filterings, before the linear combination. We implement this new model into a ReLU computational unit and discuss its biological plausibility. We compare this new computational unit with the standard one and describe it from a geometrical point of view. We provide a Keras implementation of this unit into fully connected and convolutional layers and estimate their FLOPs and weights change. We then use these layers in ResNet architectures on CIFAR-10, CIFAR-100, Imagenette, and Imagewoof, obtaining performance improvements over standard ResNets up to 1.73%. Finally, we prove a universal representation theorem for continuous functions on compact sets and show that this new unit has more representational power than its standard counterpart.