基于超宽带（UWB）范围的多机器人系统中相对定位的系统最近已成为GNSS贬低环境的强大解决方案。可伸缩性仍然是主要挑战之一，尤其是在临时部署中。最近的解决方案包括系统中不同机器人或节点的主动和被动定位模式的动态分配。随着较大规模的系统的分布越来越多，关键的研究问题出现在此类本地化系统的安全性和可信度领域。本文研究了协作决策过程与分布式分类帐技术的潜在整合。具体而言，我们研究了一种方法，用于在区块链中智能合约中运行UWB角色分配算法的方法。在以前的作品中，我们分别研究了ROS2与HyperLeDger织物区块链的集成，并引入了一种用于基于UWB的本地化的新算法。在本文中，我们通过（i）运行实验扩展了这些工作移动机器人。这使我们能够通过增强的身份和数据访问管理在安全且可信赖的过程中提供相同的功能。我们的结果表明，UWB角色分配对六个自动移动机器人的连续变化空间形成的有效性，同时证明对添加不影响本地化过程的区块链层的潜伏期和计算资源的影响很小。

近年来，多机器人系统已受到行业和学术界的越来越多的关注。除了需要对相对本地化的准确和强大的估计，对系统的安全性和信任对于实现更广泛的采用至关重要。在本文中，我们提出了一个使用HyperLeDger Fabric在工业应用中进行多机器人协作的框架。我们依靠区块链身份来进行地面和空中机器人的相互作用，并使用智能合约进行协作决策。使用超宽带（UWB）本地化进行自动导航和机器人协作，这扩展了我们以前在基于面料的车队管理方面的工作。我们专注于使用地面机器人和空中机器人检查仓库般的环境，并存储有关区块链中发现的对象的信息。我们衡量添加区块链层，分析交易延迟的影响，并将与区块链相关过程的资源利用与已经运行的数据处理模块进行比较。

在工业应用中，对系统的安全和信任是广泛采用的要求。区块链技术已成为解决身份管理并保护数据聚合和控制的潜在解决方案。但是，迄今为止的绝大多数作品都利用以太坊和智能合约，这些合同不可扩展或适合工业应用。据我们所知，本文介绍了ROS 2与Hyperledger织物区块链的首次集成。通过通过GO应用程序利用面料智能合约和ROS 2的框架，我们深入研究了使用区块链控制机器人，收集和处理其数据的潜力。我们证明了拟议框架对库存管理用例的适用性，其中使用不同的机器人检测给定区域中感兴趣的对象。旨在满足分布式机器人系统的要求，我们表明机器人的性能不会受到区块链层的显着影响。同时，我们提供了开发其他应用程序的示例，这些应用程序将面料智能合约与ROS 2集成在一起。我们的结果为在自主机器人系统中进一步采用区块链技术铺平了道路，以构建可信赖的数据共享。

A recent explosion of research focuses on developing methods and tools for building fair predictive models. However, most of this work relies on the assumption that the training and testing data are representative of the target population on which the model will be deployed. However, real-world training data often suffer from selection bias and are not representative of the target population for many reasons, including the cost and feasibility of collecting and labeling data, historical discrimination, and individual biases. In this paper, we introduce a new framework for certifying and ensuring the fairness of predictive models trained on biased data. We take inspiration from query answering over incomplete and inconsistent databases to present and formalize the problem of consistent range approximation (CRA) of answers to queries about aggregate information for the target population. We aim to leverage background knowledge about the data collection process, biased data, and limited or no auxiliary data sources to compute a range of answers for aggregate queries over the target population that are consistent with available information. We then develop methods that use CRA of such aggregate queries to build predictive models that are certifiably fair on the target population even when no external information about that population is available during training. We evaluate our methods on real data and demonstrate improvements over state of the art. Significantly, we show that enforcing fairness using our methods can lead to predictive models that are not only fair, but more accurate on the target population.

这项研究是有关阿拉伯历史文档的光学特征识别（OCR）的一系列研究的第二阶段，并研究了不同的建模程序如何与问题相互作用。第一项研究研究了变压器对我们定制的阿拉伯数据集的影响。首次研究的弊端之一是训练数据的规模，由于缺乏资源，我们的3000万张图像中仅15000张图像。另外，我们添加了一个图像增强层，时间和空间优化和后校正层，以帮助该模型预测正确的上下文。值得注意的是，我们提出了一种使用视觉变压器作为编码器的端到端文本识别方法，即BEIT和Vanilla Transformer作为解码器，消除了CNNs以进行特征提取并降低模型的复杂性。实验表明，我们的端到端模型优于卷积骨架。该模型的CER为4.46％。

在本文中，我们基于非线性模型预测控制（NMPC）方法提出了一种分散的控制方法，该方法采用屏障证书在具有静态和/或动态障碍的未知环境中安全导航的多个非独立轮式移动机器人。该方法将学习的屏障功能（LBF）纳入NMPC设计中，以确保安全机器人导航，即防止机器人与其他机器人和障碍物的碰撞。我们将我们提出的控制方法称为NMPC-LBF。由于每个机器人都没有关于障碍物和其他机器人的先验知识，因此我们使用每个机器人实时运行的深神经网络（DEEPNN），仅从机器人的刺激镜头和探针测量中学习屏障功能（BF）。深文经过训练，可以学习分离安全和不安全地区的BF。在不同情况下，我们对模拟和实际Turtlebot3汉堡机器人实施了建议的方法。实施结果显示了NMPC-LBF方法在确保机器人安全导航方面的有效性。

在本文中，我们解决了在高分辨率上运行的神经网络质量中降解的问题。覆盖网络通常无法在高于其培训集的分辨率下产生全球连贯的结构。尽管图像分辨率增加，但这部分归因于持续静态场。尽管在介入之前降低图像会产生连贯的结构，但它固有地缺乏更高分辨率的细节。为了获得两全其美，我们通过最大程度地减少推断时多尺度的一致性损失来优化网络的中间功能。此运行时优化改善了覆盖效果，并为高分辨率介绍建立了新的最先进。代码可在以下网址获得：https：//github.com/geomagical/lama-with-refiner/tree/refinement。

随着在敏感应用中广泛使用复杂的机器学习模型，了解他们的决策已成为一项重要任务。对表格数据进行培训的模型在解释其基本决策过程的解释方面取得了重大进展，该过程具有少量的离散功能。但是，将这些方法应用于高维输入（例如图像）并不是一项琐碎的任务。图像由原子水平的像素组成，并不具有任何解释性。在这项工作中，我们试图使用带注释的图像的高级可解释特征来提供解释。我们利用游戏理论的Shapley价值框架，该框架在XAI问题中广泛接受。通过开发一条管道来生成反事实并随后使用它来估计莎普利值，我们获得了具有强大的公理保证的对比度和可解释的解释。

尽管它们的准确性很高，但由于未知的决策过程和潜在的偏见，现代复杂的图像分类器不能被敏感任务受到信任。反事实解释非常有效地为这些黑盒算法提供透明度。然而，生成可能对分类器输出产生一致影响并揭示可解释的特征更改的反事实是一项非常具有挑战性的任务。我们介绍了一种新颖的方法，可以使用验证的生成模型为图像分类器生成因果关系但可解释的反事实解释，而无需进行任何重新训练或调节。该技术中的生成模型不可能在与目标分类器相同的数据上进行训练。我们使用此框架来获得对比度和因果关系，并作为黑盒分类器的全球解释。在面部属性分类的任务上，我们通过提供因果和对比特征属性以及相应的反事实图像来展示不同属性如何影响分类器输出。

在文献中提出了各种各样的公平度量和可解释的人工智能（XAI）方法，以确定在关键现实环境中使用的机器学习模型中的偏差。但是，仅报告模型的偏差，或使用现有XAI技术生成解释不足以定位并最终减轻偏差源。在这项工作中，我们通过识别对这种行为的根本原因的训练数据的连贯子集来引入Gopher，该系统产生紧凑，可解释和意外模型行为的偏差或意外模型行为。具体而言，我们介绍了因果责任的概念，这些责任通过删除或更新其数据集来解决培训数据的程度可以解决偏差。建立在这一概念上，我们开发了一种有效的方法，用于生成解释模型偏差的顶级模式，该模型偏置利用来自ML社区的技术来实现因果责任，并使用修剪规则来管理模式的大搜索空间。我们的实验评估表明了Gopher在为识别和调试偏置来源产生可解释解释时的有效性。