流式感知在移动生态系统中的认知智能代理
内容提要
该文汇总多项研究，聚焦流式感知与协同感知，涵盖：以深度强化学习权衡精度与延迟；提出流式准确性基准；学习通信组以降低带宽；借鉴认知科学构建感知系统；设计AI中心自适应感知框架；提出CASPER符号认知架构实现人机协作；用仿真评估感知误差对决策影响；提出DFP流式检测方法；构建SCOPE协同感知框架；以及移动设备隐私保护特征学习。
延伸解读
流式感知的精度与延迟权衡
文章指出，流式感知需在精度和延迟之间取得平衡。通过深度强化学习，代理可跨多个决策维度学习竞争策略，在公共数据集上胜过最先进策略。此外，提出的“流式准确性”基准将感知延迟和准确性结合，可将单帧任务系统性地转化为流式感知任务，并在城市视频流中的物体检测和实例分割等任务上得出令人惊讶的结论。
协同感知与通信优化
为降低带宽并保持性能，文章介绍了一种学习通信组和决定何时通信的框架，在两种感知任务上展示了广泛适用性，显著减少了通信带宽。同时，SCOPE协同感知框架通过聚合不同道路代理的时空感知特征，以连续方式显著提高自主车辆的感知性能，实验结果展示了其优越性和组件的必要性。
认知科学与符号架构的启发
文章借鉴认知科学构建人工智能研究模块，提供了一系列认知科学启发的方法以开发更好的感知系统。CASPER符号认知架构运用定性空间推理，使智能机器人理解他人意图并协作完成任务，在模拟厨房环境测试中，机器人能识别正在进行的目标并适当协作。
感知误差评估与隐私保护
文章提出基于仿真的方法，分析感知系统性能是否足以支持决策系统做出安全决策，并展示如何分析不同类型感知误差对自主系统行为的影响。在隐私方面，移动设备的特征学习体系结构可转换原始传感器数据，提供灵活的隐私保护传输，在MotionSense数据集上验证，活动识别平均损失仅约3个百分点，同时将性别分类可能性从90%以上降至50%左右。
Q&A
流式感知中如何平衡精度和延迟？
通过深度强化学习来最大化考虑到精度和延迟之间的权衡，代理可以跨多个决策维度学习一种竞争策略，在公共数据集上胜过最先进的策略。
什么是流式准确性基准？
流式准确性是一种将感知延迟和准确性相结合的方法，可用于任何单帧任务变成流式感知任务的系统性meta-benchmark，并在城市视频流中的物体检测和实例分割等任务上做出了令人惊讶的结论。
如何降低协同感知中的通信带宽？
提出一个学习通信组和决定何时通信的通信框架，可以在两种不同的感知任务上展示其广泛适用性，并显示它显著减少了通信带宽并保持了优异的性能。
CASPER是什么？它如何实现人机协作？
CASPER是一种符号认知架构，运用定性空间推理来实现智能机器人理解他人意图并协作完成任务的目的。通过模拟的厨房环境测试表明，机器人可以识别正在进行的目标并适当地协作完成任务。
如何评估感知误差对自主系统决策的影响？
提出了一种基于仿真的方法，以回答一个关键问题：感知系统的性能是否足以让决策系统做出强有力的、安全的决策，同时还展示了如何分析不同类型的感知误差对自主系统行为的影响。
移动设备上如何实现隐私保护的特征学习？
提出了移动设备的特征学习体系结构，以适当转换原始感测器数据提供灵活的、可协商的隐私保护传输，并将模型从当前的二进制设置向每个应用程序授予权限的范围内推进。该框架已在MotionSense数据集上验证，在保持转换数据对活动识别的有用性的同时，仅有约3个百分点的平均损失，同时将性别分类的可能性从使用原始感测器数据时的90％以上降至使用转换数据时的50％左右。
