关于“非意图的结果”

"非意图的结果"是西方经济学说史上的一个存在争议的问题,具有丰富的理论内涵和独特的思想价值。斯密等人对"非意图的结果"的论证主要从横向的人际关系的角度展开,门格尔和哈耶克等人的阐述则着重于纵向的制度演进。对于中国这样一个有着特定文化传统和制度惯性的经济体制而言,"非意图的结果"在哲学伦理、知识信息、思想方法、体制转型等方面具有不可忽视的启迪意义。

虚拟语境下高校德育的“非意图的结果”现象剖析

科技发展与新媒介的广泛运用所形成的高校德育虚拟语境,更容易出现相悖于德育主体初衷的"非意图的结果"现象。出现这种现象的原因可从虚拟语境下高校德育主体选择欲求与选择能力的冲突、德育主客体之间回馈链条的断裂以及德育中介因素"虚拟性"的不足等方面加以分析;可以从提升虚拟语境下高校德育主客体的媒体素养、协调与疏通德育主体间的利益沟通关系以激发德育客体的回馈欲望、优化与整合德育中介因素等路径探讨规避德育实践中出现"非意图的结果"现象的思路。

“非意图的结果”

最近，读了上海社会科学院研究员钟祥财先生的文章《历史发展的不确定性》。他说，思考“非意图的结果”这一命题，在哲学伦理、知识信息、思想方法、体制转型等方面具有重要意义。

基于强化学习的对抗意图识别

未来智能化战争复杂多变,敌我双方往往以对抗博弈情况出现,当我方作为攻击者时,如何有效隐藏我方意图实施有效打击,以及我方作为防御者时如何识别敌方意图实施有效防御,对战争局势的走向起到决定性作用。为把握战争局势,做到“知己知彼,百战不殆”,基于强化学习方法针对对抗意图识别问题提出了解决方案。仿真结果表明,基于强化学习被识别者可以有效地进行意图欺骗,而识别者可以通过意图识别设计方法有效地迫使被识别者暴露意图,从而采取攻防措施。

联合多意图识别与语义槽填充的双向交互模型

意图识别与语义槽填充是口语理解的两个主要任务,两者具有高度相关性,通常进行联合训练。随着口语理解任务的深入,研究发现用户在现实场景中的话语往往含有多个意图。但部分联合模型只能识别用户话语中的单个意图,未能充分建模多个意图和语义槽之间的关联性。考虑到话语中多个意图的信息可以引导语义槽填充,语义槽信息也可以帮助意图更好的识别,模型采用图注意力网络建立意图和语义槽之间的双向交互。具体的,将两个任务双向关联以便模型能够挖掘多个意图与语义槽之间的关系,同时引入两个任务的标签信息使模型能够学习到话语上下文和标签的关系,从而提高意图识别与语义槽填充的准确率,优化口语理解的整体性能。实验表明,模型在MixATIS和MixSNIPS两个多意图数据集上对比其他模型性能得到了显著提升。

结合用户共同意图及社交关系的群组推荐方法

已有的群组推荐模型,在求解用户表示时大多比较单调且仅简单利用用户间的社交关系,使得用户表示不够准确,并且大都未考虑用户共同意图以及社交关系对群组偏好的影响,导致推荐的项目很难符合用户的需求。基于此,提出一种结合用户共同意图及社交关系的群组推荐模型(GR-UCISI)。首先构造用户-项目交互历史与社交关系相结合的用户意图分离模型,利用图神经网络采集每个用户的用户-项目交互以及社交关系信息,求解用户意图和项目表示;其次利用网络游走算法与K-means聚类算法将用户分组,结合用户群组、用户意图以及群组意图聚合过程获取群组共同意图表示;最后根据群组共同意图表示与项目表示得出群组推荐项目列表。该方法充分考虑到用户的个性以及群组成员间的共性对群组偏好的影响,同时结合社交关系缓解数据稀疏性问题,提升模型性能。实验结果表明,与9个对比模型中推荐效果最好的模型相比,在Gowalla数据集上,GR-UCISI的Precision和NDCG指标值分别提高3.01%和5.26%;在Yelp-2018数据集上,GR-UCISI的Precision和NDCG指标值分别提高2.96%和1.12%。

车辆视角下的行人穿行意图识别与行为预测

预测行人穿行马路的行为一直是智能驾驶汽车研究领域的重点方向,对于行人安全保护至关重要。现有研究通常使用轨迹或姿势对行人的行为进行建模,但是行人行为复杂多变,需对其进行更加深层的语义解读。将行人的穿行意图与行为相结合,设计多任务网络来识别行人意图并预测行人行为。行人的穿行意图会影响其行为,故使用行人未来的行为作为先验来检测行人目前的意图和行为,同时考虑到行人周围的交通目标与自车运动对于行人的影响,设计特征融合模块来融合行人特征与交通目标特征。在自动驾驶数据集(PIE和JAAD)上验证实验模型,结果表明,该模型展现了其在行人意图与行为建模方面的优势。

基于动作条件交互的高效行人过街意图预测

城市化的进程不断加速,人车冲突问题已成为现代社会亟待解决的重大难题。复杂交通场景下,行人横穿马路行为导致交通事故频发,准确、实时地预测行人过街意图对避免人车冲突、提高驾驶安全系数和保障行人安全至关重要。本文提出基于动作条件交互的高效行人过街意图预测框架(efficient action-conditioned interaction pedestrian crossing intention anticipation framework,EAIPF)来预测行人过街意图。EAIPF引入行人动作编码模块增强多模态动作模式下的表征能力,挖掘深层骨架上下文信息。同时,引入场景对象交互模块挖掘与对象交互信息,理解交通场景中高级语义线索。最后,意图预测模块融合行人动作特征和对象交互特征,实现行人过街意图的鲁棒预测。所提出的方法在两个公共数据集JAAD和PIE上验证算法性能,准确率分别达到了89%和90%,表明本文方法可以在复杂交通场景下准确预测行人穿越意图。

意图信息透明与互惠意图促进人际信任:来自噪音信任博弈的证据

信任决策是个体在不确定性下作出是否信任他人的风险性社会决策,是人类社会生活的重要组成部分。研究采用噪音信任博弈范式,旨在从互动环境与主体的双视角出发,验证意图信息透明度以及意图类型与决策结果在信任决策中的重要作用。实验1以无噪音条件作为基线,探索意图信息透明度(清晰vs.模糊)对信任决策的影响。结果发现:被试在意图信息模糊条件下的信任水平显著低于无噪音和意图信息清晰条件;实验2探索在意图信息清晰时,意图类型(互惠vs.违背)与决策结果(收益vs.损失)对信任决策的影响。结果发现:不论结果是收益或损失,互惠意图组被试的信任水平都显著高于违背意图组。研究揭示了在人际互动中意图信息透明和互惠意图均是个体作出信任他人决策的重要依据。

意图注意力引导的小样本3D点云目标检测

现有的点云目标检测方法往往要求严苛的监督式数据集,这带来了人力、物力等方面的挑战。因此提出一种创新性的解决方案,即采用元学习框架来克服大量标注数据的困扰。对小样本学习技术在3D点云目标检测中的应用进行研究。这一方法能够基于有限的新类别标注样本,预测未标注样本的分类,从而在有限数据条件下仍能取得良好效果。引入原型投票网络来学习类别的几何原型以及支持集的类别原型。此外,为了学习点云上下文信息,引入意图注意力机制,以实现更加精准的信息融合。在原型生成方面,为避免点云原型过度依赖最大池化而丧失大量信息,采用平均池化方法来生成原型。与基准数据集上的基线模型相比,该方法呈现出显著且一致的提升效果,为点云目标检测领域的研究和应用提供了有力支持。

时序数据图像化:战术意图识别及可移植框架

通过将时序编码为图像,提出了一种结合曲线滤波技术和EfficientNetV2图像识别网络的鲁棒且可移植的战术意图识别框架。曲线滤波技术可以有效地减少大量时域特征、模型参数和训练时间的冗余,基于此,提出了一种改进的格拉姆角场方法将时序编码为图像,提高了卷积神经网络的特征提取能力。EfficientNetV2网络能够有效地处理意图图像,并成为预训练模型,使得在不同系统之间进行迁移学习成为可能。实验结果表明,所提框架相对于机器学习及深度学习等方法提高了0.99%以上的准确率,具有更好的性能、可扩展性、鲁棒性和可迁移性。

基于驾驶员意图采集的车辆状态控制系统分析

驾驶员操作意图是整车状态变化的基础,对整车运行具有重要影响。以驾驶员操作意图为研究的出发点,对驾驶员执行车辆各种操作时,车辆的状态进行分析,主动包括启动自检工况,档位变化、加速、制动、转向等工况;基于分析结果对各工况的控制流程进行分析和设计;提出了实现车辆基本功能的控制模式,并对控制电路进行设计。在此基础上,应用实车调试,对控制系统进行了测试。结果可知:对车辆进行准确控制的前提是对驾驶员意图进行准确的分析采集,控制流程应简洁明了,尽可能减少控制器的执行周期,缩短控制周期;实车测试表明系统能准确的实现驾驶员的操作意图,实现加速、减速、制动等,表明所设计的控制系统的可靠性与准确性,为此类设计提供参考。

考虑前车制动意图的自动紧急制动策略及其测试评价方法

为提高车辆自动紧急制动(AEB)系统的避撞性能,提出了一种考虑前车制动意图的AEB策略及其测试评价方法。通过搭建“PreScan+Simulink+驾驶模拟器”联合仿真平台采集驾驶人制动数据,基于K-均值(K-Means)聚类方法对制动意图进行分类,采用滑动时间窗口提取了意图识别模型训练数据集;通过双层隐马尔可夫模型识别前车制动意图,主车根据不同制动意图计算临界安全距离阈值并制定避撞控制策略;建立PreScan+Simulink虚拟仿真测试环境,提出了基于层次分析法的AEB策略综合评价方法,通过与4种典型AEB控制模型进行对比,验证了所提出方法在不同制动程度场景下均可及时触发制动以避免碰撞,同时可减少过早制动造成的驾驶不适感。

意图驱动的无人机集群网络:管理架构、关键技术与未来展望

作为空天地一体化网络的重要组成部分,无人机集群已在紧急搜救、攻防对抗、情报侦察与监视等复杂任务中展示出广阔的应用前景。无人系统技术的升级革新和多机协同智能应用的日益丰富对无人机集群网络的信息交互能力提出新的要求。意图驱动网络架构下,无人机集群自主管理网络,简化了网络管理的复杂性。将意图驱动网络引入无人机集群系统,亟须突破智慧自治网络技术,提升智能群体面对高动态性和不确定性环境的适应能力,这为无人机集群的协同操作和智能决策提供了新的视角和方法。围绕意图驱动的无人机集群网络管理架构、关键技术和未来展望展开了深入的分析和讨论,旨在为无人机集群网络的未来发展提供坚实的理论基础和技术参考。

基于博弈的干支交汇水域船舶汇入意图识别

文中基于博弈理论和船舶碰撞危险度量方法,构造包含安全收益、时间收益和规则约束的汇入决策收益函数,采用船舶冲突排序运算方法量化确定汇入决策时机,构建干支交汇水域船舶汇入意图识别模型.为精准估计模型权重,以决策收益最大化为下层目标,意图识别误差最小化为上层目标,设计基于双层优化方法的模型参数估计框架.运用长江江苏段实测数据验证了所提模型的有效性.结果表明:本文所提模型的汇入意图识别准确率达到了94.64%.

基于攻击意图的工业网络抗毁性评价研究

随着工业网络的迅猛发展,安全事件层出不穷,网络抗毁性成为了该领域关注的焦点之一。针对工业网络中的安全问题,以攻击意图为切入点,开展了工业网络抗毁性评价问题的研究。首先,通过对已知攻击案例的分析,识别了多种攻击类型及其潜在影响;然后,区别于现有针对网络系统本身特性的评价方法,将攻击的潜在意图纳入考量,构建了一个综合性的抗毁性评价方法;最后,在一个工业网络系统模型上,通过与现有流行的网络系统抗毁性评价方法对比,发现所提出的基于攻击意图的工业网络抗毁性评价方法具有更加客观、稳定的评估效果。该抗毁性评价方法综合考虑了外界攻击的意图、发生概率、影响范围以及可能的后果,有效刻画了不同场景下系统面对相同规模外界攻击时的抗毁性。

面向行人导航意图探测的脑电分类研究

行人导航意图的自动识别是行人导航研究的一个难点问题,对建立智慧导航服务与新型的人机交互方式至关重要。目前,利用行为模式推估导航意图成为主流的解决方案,但是,这种方案依赖多种传感器且具有时滞性。本文提出了一种基于脑成像技术的行人导航意图探测方法,通过多导联的、高时间分辨率的脑电信号解译行人的转向意图。首先,在处于道路交叉口的场景下,依照标准的运动想象范式采集得到4类导航意图对应的脑电原始数据,包括直行、停止、左转和右转;然后,融合脑电在时频域、空间域与功能连接上的特征,构建表达脑电活动过程的脑电时空连接网络,便于捕获与导航意图高度相关的脑电特征;最后,采用图卷积神经网络编码脑电时空连接网络,完成由脑电到4类导航意图的映射,并利用9个被试者的脑电数据作为样本集对本文方法的有效性进行验证。试验结果表明,采用短时窗(1 s)探测4类导航意图的平均精度为0.443±0.062,最高精度可达0.571。采用长时窗(6 s)探测4类导航意图的平均精度为0.525±0.084,最高精度可达0.665。该方法的探测精度略优于其他脑电解译算法,且对前进和停止意图的识别能力优秀,最高可达0.740和0.700。

高职院校在线课程的学生持续使用意图研究——基于信息系统持续使用模型

在线课程建设在高校如火如荼,提高学生对在线课程的持续使用影响着在线课程功效的发挥。本研究以信息系统持续使用模型为基础,围绕高职学生在线课程学习中的线上学习准备度、学习成效和持续使用意图构建研究模型,并对此进行了实证分析。结果表明:线上学习准备度分别显著部分正向影响学习成效、持续使用意图,学习成效与持续使用意图之间也成显著正向影响,学习成效在线上学习准备度与持续使用意图之间发挥中介效应。因此,高职院校应围绕学习成效提升为中心,以激发学习动机为基础,并发挥其它子维度的功效,是有利于提升高职学生在线课程的持续使用意图;同时多维度多层次来倡导、实施和推进自主学习是持续提升高职学生在线课程持续使用意图的突破口之一。

基于尾灯灯语的混行交通流车辆驾驶意图识别模型研究

针对长期存在自动驾驶车辆(autonomous vehicle,AV)与人工驾驶车辆(human-driven vehicle,HV)混行的交通现状,结合深度学习和HSV颜色特征提取方法,提出了一种在混行交通环境下基于尾灯灯语的车辆驾驶意图识别模型。以Mask R-CNN(mask region proposal convolutional neural network)车辆模型检测出的感兴趣区域RoI(region of interest)为限制,将区域内的HV作为研究对象,根据尾灯位置相关性,在HV车尾区域添加纵横向约束来定位传递灯语信号的左右尾灯;在规定的灯语组合及转向灯闪烁频率基础上,提出了一种基于时间序列的灯语识别算法,运用多目标判别相关性滤波CSRT(channel and spatial relatability tracking)跟踪HV尾灯并统计尾灯时序状态;以动态灯语作为输入,构建基于尾灯灯语的驾驶意图识别模型;使用基于真实路况信息的Cityspaces数据集和交通流视频数据对模型进行训练、验证和测试。研究结果表明:基于尾灯灯语的驾驶意图识别模型对视频流车辆尾灯检测准确率和召回率分别为96.0%、98.2%,对驾驶意图识别的平均准确率达到了95.9%,单帧识别耗时为20 ms,为高速混行环境下的AV决策规划提供了有效的理论依据。

鲸鱼算法优化CNN-BiGRU-ATTENTION的车辆换道意图识别模型

针对时空多样特征、超参数敏感性影响车辆行为意图识别精度的问题,提出一种改进的CNN-BiGRU-ATTENTION混合换道意图识别模型。采用目标车辆轨迹序列和与周围车辆互动特征作为模型输入进行训练,实现考虑车辆动态变化状态的意图识别预测;使用鲸鱼优化算法对模型调整参数进行多目标寻优,降低模型调优难度;利用NGSIM数据集对模型进行评估校验。结果表明:所提出的WOA-CNN-BiGRU-ATTENTION模型与CNN-BiGRU-ATTENTION模型、Transformer模型相比,准确率分别提升了4.53%、0.97%,达到97.64%;WOA-CNN-BiGRU-ATTENTION模型在不同预判时间下的意图识别准确率最高,在换道前2.5 s的识别精度均能达到91%以上,证明模型具有较强的车辆换道意图识别性能。