Trajectory prediction is an integral component of modern autonomous systems as it allows for envisioning future intentions of nearby moving agents. Due to the lack of other agents' dynamics and control policies, deep neural network (DNN) models are often employed for trajectory forecasting tasks. Although there exists an extensive literature on improving the accuracy of these models, there is a very limited number of works studying their robustness against adversarially crafted input trajectories. To bridge this gap, in this paper, we propose a targeted adversarial attack against DNN models for trajectory forecasting tasks. We call the proposed attack TA4TP for Targeted adversarial Attack for Trajectory Prediction. Our approach generates adversarial input trajectories that are capable of fooling DNN models into predicting user-specified target/desired trajectories. Our attack relies on solving a nonlinear constrained optimization problem where the objective function captures the deviation of the predicted trajectory from a target one while the constraints model physical requirements that the adversarial input should satisfy. The latter ensures that the inputs look natural and they are safe to execute (e.g., they are close to nominal inputs and away from obstacles). We demonstrate the effectiveness of TA4TP on two state-of-the-art DNN models and two datasets. To the best of our knowledge, we propose the first targeted adversarial attack against DNN models used for trajectory forecasting.

本文解决了不确定和动态环境中的新语义多机器人计划问题。特别是，环境被不合作，移动，不确定的标记目标占据。这些目标受随机动力学的控制，而它们的当前和未来位置及其语义标签尚不确定。我们的目标是控制移动传感机器人，以便他们可以完成根据这些目标的当前/未来位置和标签定义的协作语义任务。我们使用线性时间逻辑（LTL）表达这些任务。我们提出了一种基于抽样的方法，该方法探讨了机器人运动空间，任务规范空间以及标记目标的未来配置，以设计最佳路径。这些路径在线修订以适应不确定的感知反馈。据我们所知，这是解决不确定和动态语义环境中语义任务计划问题的第一项工作。我们提供了广泛的实验，以证明该方法的效率

本文提出了一种新的方法，用于设计对自主系统的神经网络（NN）控制器的验证组合，并具有线性时间逻辑（LTL）公式捕获的任务。特别是，LTL公式要求系统以时间/逻辑顺序到达并避免某些区域。我们假设该系统配备了有限的训练有素的NN控制器。每个控制器都经过培训，以便它可以将系统推向特定的感兴趣区域，同时避免其他人。我们的目标是检查是否存在训练有素的NN控制器的时间组成（如果是这样，则将其计算）产生复合系统行为，以满足属于给定集合的任何初始系统状态的用户指定的LTL任务。为了解决这个问题，我们提出了一种依赖于自动机理论的新颖集成以及最近提出的NN控制系统的可及性分析工具的新方法。 We note that the proposed method can be applied to other controllers, not necessarily modeled by NNs, by appropriate selection of the reachability analysis tool.由于缺乏健壮性，我们专注于NN控制器。提出的方法在航空车的导航任务上得到了证明。

本文解决了在通信和传感器有限的动态环境中运行的移动机器人的安全计划和控制问题。在这种情况下，机器人无法感知周围的对象，而必须像在水下应​​用中那样依靠间歇性的外部信息。在这种情况下，挑战是机器人必须仅使用此陈旧数据计划，同时考虑到数据中的任何噪声或环境中的不确定性。为了应对这一挑战，我们提出了一种构图技术，该技术利用神经网络仅使用间歇性信息来快速通过拥挤和动态的环境来计划和控制机器人。具体而言，我们的工具使用可及性分析和潜在领域来训练能够生成安全控制动作的神经网络。我们通过跨越拥挤的运输渠道的水下车辆以及在通信和传感器限制环境中进行地面车辆进行的真实实验，展示了我们的技术。

本文解决了以未知的马尔可夫决策过程（MDP）建模的移动机器人的学习控制策略的问题，该问题负责为时间逻辑任务，例如测序，覆盖或监视。 MDP捕获工作空间结构的不确定性和控制决策的结果。控制目标是合成一个控制策略，该策略最大化完成高级任务的可能性，该任务指定为线性时间逻辑（LTL）公式。为了解决这个问题，我们提出了一种针对LTL控制目标的新型基于模型的增强算法（RL）算法，该算法能够比相关方法更快地学习控制策略。它的样本效率依赖于偏见探索可能导致任务满意度的方向。这是通过利用LTL任务的自动机表示以及连续学习的MDP模型来完成的。最后，我们提供了比较实验，这些实验证明了针对LTL目标的最新RL方法的样本效率。

本文在具有部分未知语义的环境中解决了多机器人规划问题。假设环境具有已知的几何结构（例如，墙壁），并且由具有不确定位置和类的静态标记的地标占用。这种建模方法引发了语义SLAM算法生成的不确定语义地图。我们的目标是为配备有嘈杂感知系统的机器人设计控制策略，以便他们可以完成全局时间逻辑规范捕获的协同任务。为了指定考虑环境和感知不确定性的任务，我们采用了线性时间逻辑（LTL）的片段，称为CO-Safe LTL，定义了基于感知的原子谓性建模概率满意度要求。基于感知的LTL规划问题产生了通过新型采样的算法解决的最佳控制问题，它产生了在线更新的开环控制策略，以适应连续学习的语义地图。我们提供广泛的实验，以证明拟议的规划架构的效率。

牡蛎是海洋的活真空吸尘器。由于过度收获，牡蛎人口呈指数下降。随着自动化和AI的当前发展，机器人正成为环境监测过程中不可或缺的一部分，该过程也可以用于牡蛎礁保存。然而，水下环境构成了许多困难，包括实用的危险和耗时的操作以及技术观点 - 扭曲的感知和不可靠的导航。为此，我们提出了一个模拟环境，可用于改善牡蛎礁监测。模拟环境可用于创建具有多个传感器数据和远程操作车辆（ROV）的地面真相位置的照片真实的图像数据集。当前，没有用于牡蛎礁监视的照片真实图像数据集。因此，我们希望为水下社区提供新的基准套件。

牡蛎在海湾生活生态系统中起着关键作用，被认为是海洋的生命过滤器。近年来，牡蛎礁经过商业过度收获造成的重大破坏，需要保存以维持生态平衡。该保存的基础是估计需要准确的牡蛎检测的牡蛎密度。但是，用于准确的牡蛎检测系统需要大量数据集获得，这是水下环境中一项昂贵且劳动密集型的任务。为此，我们提出了一种新颖的方法，可以数学上对牡蛎进行建模并在模拟中渲染牡蛎的图像，以使用最小的真实数据来提高检测性能。利用我们的合成数据以及用于牡蛎检测的真实数据，与仅使用牡蛎网络仅使用真实数据相比，我们获得了高达35.1％的性能。我们还将最先进的工作提高了12.7％。这表明，使用对象的基本几何属性可以帮助成功提高有限数据集上的识别任务准确性，我们希望更多的研究人员对难以实现的数据集采用这种策略。

长期以来，可变形的物体操纵任务被视为具有挑战性的机器人问题。但是，直到最近，对这个主题的工作很少，大多数机器人操纵方法正在为刚性物体开发。可变形的对象更难建模和模拟，这限制了对模型的增强学习（RL）策略的使用，因为它们需要仅在模拟中满足的大量数据。本文提出了针对可变形线性对象（DLOS）的新形状控制任务。更值得注意的是，我们介绍了有关弹性塑性特性对这种类型问题的影响的第一个研究。在各种应用中发现具有弹性性的物体（例如金属线），并且由于其非线性行为而挑战。我们首先强调了从RL角度来解决此类操纵任务的挑战，尤其是在定义奖励时。然后，基于差异几何形状的概念，我们提出了使用离散曲率和扭转的固有形状表示。最后，我们通过一项实证研究表明，为了成功地使用深层确定性策略梯度（DDPG）成功解决所提出的任务，奖励需要包括有关DLO形状的内在信息。

随着越来越强调降低海上风（OSW）行业的运营和维护成本（O $ \＆$ M），因此需要探索深度学习（DL）的新方法和应用到域中的要求。基于条件的监控（CBM）一直处于最新研究开发基于警报的系统和数据驱动决策的最前沿。本文简要介绍了该领域正在进行的研究，特别关注警报序列建模以及其实施中面临的相关挑战。本文提出了一个新颖的想法，以比较长期记忆（LSTM）和双向LSTM（BILSTM）模型，预测一组相关的修复动作。使用Bilstm实现高达80.23 $ \％$的培训准确性结果，并且测试准确性结果高达76.01 $ \％$，这表明了未来研究中可以进一步进一步研究所提出方法的潜在好处。本文介绍了一个框架，该框架将拟议的方法集成到o $ \＆$ m程序中，并讨论了潜在的好处，其中包括减少过多的警报，以及不必要的船只转移到涡轮机进行故障诊断和矫正。