在本文中，审计了利用了用于路径规划和碰撞避免的强化学习算法的室内自主输送系统的语用实现。所提出的系统是一种成本效益的方法，用于促进覆盆子PI控制的四轮驱动非正度机器人映射网格。该方法计算并导航从源键点到目的地键点的最短路径以执行所需的递送。Q学习和深度学习用于找到最佳路径，同时避免与静态障碍物碰撞。这项工作定义了一种在机器人上部署这两个算法的方法。还提出了一种新颖的算法，将方向阵列解码为特定动作空间中的准确运动。遵循将该系统分发的程序，描述了我的要求，呈现我们对室内自治送货车的概念证明。

为了在高移动性虚拟环境中实现柔软物体的高富度触觉渲染，我们提出了一种新颖的触觉显示dandeliontouch。一群无人机将触觉执行器传递给用户的指尖。 DandelionTouch的用户能够在不受设备工作区域限制的大空间中体验触觉反馈。重要的是，在与虚拟物体的长时间互动中，他们不会经历肌肉疲劳。手动跟踪和群控制算法允许用手动运动引导群，并避免在编队内部发生冲突。在这项研究中，研究了群体之间的阻抗连接的几种拓扑结构。该实验在实时在正方形轨迹上执行了一个遵循的实验，该实验表明，在恒星拓扑中连接的无人机执行了平均位置误差较低的轨迹（与其他阻抗拓扑相比，RMSE降低了20.6 \％与潜在的基于现场的群体控制相比，为40.9 \％。在所有具有阻抗行为的地层中，无人机的达到的速度比通过潜在场算法控制的群体高28％。此外，在与7名参与者的用户研究中评估了几种纤维骨架模式的感知。该研究表明，提议的时间延迟和频率调制的组合使用户可以同时成功识别VR中的表面特性和运动方向（平均识别率为70 \％，最大为93 \％）。 DandelionTouch建议在VR系统中提出一种新型的触觉反馈，无需手持或可穿戴界面。

本文介绍了用于自动赛车的多层运动计划和控制架构，能够避免静态障碍，进行主动超越并达到75 $ m/s $以上的速度。使用的脱机全局轨迹生成和在线模型预测控制器高度基于车辆的优化和动态模型，在该模型中，在基本的Pacejka Magic公式的扩展版本中，轮胎和弯曲效果表示。使用多体汽车运动库鉴定并验证了所提出的单轨模型，这些模型允许正确模拟车辆动力学，在丢失实际实验数据时尤其有用。调整了控制器的基本正规化项和约束，以降低输入的变化速率，同时确保可接受的速度和路径跟踪。运动计划策略由一个基于Fren \'ET框架的计划者组成，该计划者考虑了Kalman过滤器产生的对手的预测。策划者选择了无碰撞路径和速度轮廓要在3秒钟的视野中跟踪，以实现不同的目标，例如跟随和超车。该提议的解决方案已应用于达拉拉AV-21赛车，并在椭圆形赛道上进行了测试，可实现高达25 $ m/s^{2} $的横向加速度。

类型多样的语言提供了词汇和语法方面的系统，使演讲者可以以与他们所面临的特定交流环境和话语约束的方式专注于事件结构的方面。在本文中，我们专门研究了阿拉伯语，中文，德语，德语，俄语和土耳其语的图像标题，并描述了预测词汇方面的计算模型。尽管这些语言具有异质性，以及在其标题语料库中对独特语言资源的显着调用，但这些语言的说话者在框架图像内容的方式方面表现出令人惊讶的相似之处。我们利用这种观察到零拍的跨语性学习，并表明，尽管没有观察到这种语言的任何带注释的数据，但可以预测给定语言的词汇方面。

部署的AI系统通常不起作用。它们可以随意地构造，不加选择地部署并欺骗性地促进。然而，尽管有这一现实，但学者，新闻界和决策者对功能的关注很少。这导致技术和政策解决方案的重点是“道德”或价值一致的部署，通常会跳过先前的问题，即给定系统功能或完全提供任何好处。描述各种功能失败的危害，我们分析一组案例研究，以创建已知的AI功能问题的分类法。然后，我们指出的是政策和组织响应，这些策略和组织响应经常被忽略，并在功能成为重点后变得更容易获得。我们认为功能是一项有意义的AI政策挑战，是保护受影响社区免受算法伤害的必要第一步。

数据增强是自然语言处理（NLP）模型的鲁棒性评估的重要组成部分，以及增强他们培训的数据的多样性。在本文中，我们呈现NL-Cogmenter，这是一种新的参与式Python的自然语言增强框架，它支持创建两个转换（对数据的修改）和过滤器（根据特定功能的数据拆分）。我们描述了框架和初始的117个变换和23个过滤器，用于各种自然语言任务。我们通过使用其几个转换来分析流行自然语言模型的鲁棒性来证明NL-Upmenter的功效。基础架构，Datacards和稳健性分析结果在NL-Augmenter存储库上公开可用（\ url {https://github.com/gem-benchmark/nl-augmenter}）。

AI中的不同子场倾向于储存一小部分有影响力的基准。这些基准作为一系列涂抹的常见问题的支架运作，这些常见问题经常被录制为朝向灵活和更广泛的AI系统的道路上的基础里程碑。这些基准最先进的性能被广泛理解为表明对这些长期目标的进展。在这个位置纸中，我们探讨了这种基准的限制，以便在其框架中揭示构建有效性问题，作为功能“一般”的进展措施，他们被设置为。

基于模型的深度学习（MODL）依赖展开的算法是作为图像恢复的强大工具。在这项工作中，我们介绍了一种新颖的单调运营商学习框架，以克服与当前展开框架相关的一些挑战，包括高记忆成本，缺乏对扰动的鲁布利的保证，以及低的可解释性。与使用有限数量迭代的展开架构不同，我们使用深度均衡（DEQ）框架来迭代算法来收敛，并使用Jacobian迭代评估卷积神经网络块的梯度。这种方法显着降低了内存需求，促进了ModL算法的扩展到高维问题。我们将CNN限制为单调运算符，允许我们引入具有保证收敛性的算法和鲁棒性保证。我们在平行MRI的背景下展示了所提出的方案的效用。

Trained machine learning models are increasingly used to perform high-impact tasks in areas such as law enforcement, medicine, education, and employment. In order to clarify the intended use cases of machine learning models and minimize their usage in contexts for which they are not well suited, we recommend that released models be accompanied by documentation detailing their performance characteristics. In this paper, we propose a framework that we call model cards, to encourage such transparent model reporting. Model cards are short documents accompanying trained machine learning models that provide benchmarked evaluation in a variety of conditions, such as across different cultural, demographic, or phenotypic groups (e.g., race, geographic location, sex, Fitzpatrick skin type [15]) and intersectional groups (e.g., age and race, or sex and Fitzpatrick skin type) that are relevant to the intended application domains. Model cards also disclose the context in which models are intended to be used, details of the performance evaluation procedures, and other relevant information. While we focus primarily on human-centered machine learning models in the application fields of computer vision and natural language processing, this framework can be used to document any trained machine learning model. To solidify the concept, we provide cards for two supervised models: One trained to detect smiling faces in images, and one trained to detect toxic comments in text. We propose model cards as a step towards the responsible democratization of machine learning and related artificial intelligence technology, increasing transparency into how well artificial intelligence technology works. We hope this work encourages those releasing trained machine learning models to accompany model releases with similar detailed evaluation numbers and other relevant documentation.