#报告1

信息-物理约束下的无人系统协同感知、规划与控制

报告人：方浩

北京理工大学教授

方浩教授详细介绍了在实际应用中如何应对严格的信息-物理约束。他强调了这些约束对无人系统的影响，并从挑战性场景下的视觉特征提取与主动SLAM、严格时序约束下的任务建模及可信行为规划、时变安全空间约束下的分布式在线优化控制等方面，分别介绍了无人系统协同感知、规划与控制的最新研究进展。

在视觉特征提取与SLAM方面，方浩教授探讨了在复杂环境中如何提高无人系统的视觉感知能力。他介绍了一系列改进的算法，这些算法能够在动态环境中提取稳定的视觉特征，并且通过主动探索环境来增强SLAM的性能。这些技术的发展对于无人系统在未知或敌对环境中的自主导航和地图构建至关重要。

在任务建模与行为规划方面，方浩教授讨论了在严格的时序约束下，如何对无人系统的任务进行精确建模，并提出规划可信行为策略的新思路。这些策略不仅需要考虑任务的效率，还要确保无人系统能够应对各种突发状况。方浩教授展示了一些先进的算法，这些算法能够帮助无人系统在复杂的决策环境中做出快速准确的行为选择。

在分布式在线优化控制方面，方浩教授强调了时变安全空间约束的重要性。他提出了一种新的控制策略，该策略能够在保证安全的前提下，实时调整无人系统的行为以适应环境变化。这种策略特别适用于多无人系统协作的场景，可以有效地提高整体系统的适应性和鲁棒性。

方浩教授对未来无人系统协同技术的发展趋势进行了预测，并指出了当前技术面临的关键挑战。他提到，未来的研究需要关注算法效率、算力、关键帧选择和评分优化等方面，以提升系统的整体性能。报告中还提到了一些具体的技术实现，如通过融合点的优化、评分函数的设计以及在线规划的方法来提升无人系统的性能。

最后，方浩教授强调了进一步研究的重要性，尤其是在优化系统的自主决策和感知能力方面。他呼吁学术界和工业界共同努力，确保无人系统能够在不断变化的环境中持续有效地发挥作用。

#报告2

涌现、因果与人工智能

报告人：张江

北京师范大学教授

从鸟群、鱼群到AI大模型，涌现现象无处不在，然而，什么是涌现，我们究竟如何刻画涌现，从而展开定量研究，都是非常重要和关键的问题。

张江教授首先从涌现现象的普遍性引入，指出涌现现象在自然界和人工智能系统中的普遍性。从生物群体的行为到大语言模型的智能表现，涌现现象都是一个核心特征。涌现现象表现为系统整体的行为和特性不能简单归因于单个组成部分，而是整体相互作用的结果。接下来，张江教授介绍了因果涌现理论，这是由Erik Hoel和Giulio Tononi在2013年提出的，用于量化复杂系统中涌现现象的一个理论框架。该理论通过有效信息（Effective Information）的概念来量化涌现现象，帮助我们理解复杂系统如何从微观层面的简单互动中产生宏观层面的复杂行为。

面对大数据，我们如何借助人工智能、机器学习等工具在数据中自动发现因果涌现？张江教授团队开发了“神经信息压缩机”框架，这是一个结合了机器学习、信息论和多尺度建模的神经网络框架，借助因果科学、机器学习、信息论、多尺度建模等研究方法，用于自动识别和量化数据中的涌现现象。该框架能够处理大规模数据集，识别出数据中的宏观模式，并量化这些模式的涌现特性。

张江教授通过几个案例展示了因果涌现理论的应用。在传染病模型案例中，通过模拟感染数据和加入噪声，展示了如何从微观状态预测宏观动态。在鸟群飞行轨迹案例中，通过分析鸟群的运动数据，展示了如何从个体行为中涌现整体飞行模式。生命游戏实验和脑电数据案例进一步证明了该理论在不同领域的适用性。张江教授还探讨了涌现现象与意识状态之间的可能联系。他提出，在清醒状态下，大脑的因果涌现可能更为宏观，而在麻醉状态下可能更偏向于微观层面。这表明涌现现象可能与意识水平有关，这一发现为未来的研究提供了新的方向。

最后，张江教授提出了未来研究的方向，包括进一步探索涌现现象与意识的关系，以及如何将涌现理论与人工智能的算法能力提升相结合。张江教授鼓励与会者参与到这一领域的研究中来，共同推动该领域的发展。

#报告3

博弈交互中的群智行为涌现与激励机制

报告人：陈小杰

电子科技大学教授

陈小杰教授首先分享了关于博弈交互中群智行为涌现的思考，强调了新一代人工智能发展规划中群体智能研究的重要性。他讨论了群体博弈交互中的合作难题，并指出具有决策自主性的个体不倾向于选择合作策略。陈小杰教授提到了诺贝尔奖获得者Aumann和Schelling在运用博弈论解释个体之间合作与冲突方面的贡献，提出网络演化博弈是研究群体合作行为如何在博弈交互中涌现的有效范式，指出了群智涌现研究中值得关注的内容和方向。

接下来，报告从20世纪90年代开始的研究出发，探讨了如何从演化博弈的角度理解群体合作行为，以及如何寻求群体合作行为的涌现条件。此外，陈小杰教授讨论了新一代人工智能发展规划中的群体智能基础理论研究，包括群体智能结构理论与组织方法、群体智能激励机制与涌现机理、群体智能学习理论与方法、群体智能通用计算范式与模型。

陈小杰教授近期的工作主要围绕公共品博弈模型展开，探讨了无结构群体和结构群体中群体合作行为涌现的激励优化分配问题。他强调了深入分析促进群体合作行为涌现的激励机制的重要性。陈小杰教授的报告为群体智能领域的研究人员和实践者提供了洞见和指导。                   

#报告4

大规模蜂群测试与评估

报告人：薛云志

中国科学院软件研究所研究员

薛云志研究员首先讨论了智能系统测试的复杂性与挑战，分析了当前研究方法以及大规模测试面临的挑战，强调了物理测试的重要性，以及如何通过稀缺案例评估系统能力。针对装备研究中的测试评估重要性，报告探讨了测试评估的需求，包括建立合理的指标体系和模型，以及工程应用中的升级。

大规模蜂群任务完成效果的关键在于智能协同算法的能力涌现。针对当前大规模蜂群智能能力测试技术的不足，薛云志研究员团队梳理了蜂群智能协同核心算法的范围与种类，形成了相应的智能能力度量指标体系，研发了一个具备可配置任务场景的大规模蜂群核心算法虚拟测评平台，并通过举办“群智杯”国际集群智能算法挑战赛，测试并挖掘算法的失效场景，以此牵引智能协同算法研发的路径。

薛云志研究员进一步介绍了上海举办的无人机数据分析比赛。比赛涵盖了无人机选择、水电计算等多个领域。团队对比赛结果进行了分析，并通过分析算法结构分层，对算法的感知、决策、规划、编队和行动五个方面进行了分类，筛选出多种科学算法。此外，薛云志研究员还对团队设计的蜂群和谐项目支付系统及系统中虚拟实验用户构建、仿真环境大规模场景制定、交互配置、任务管理和生产能力等方面进行了详细阐述。

薛云志研究员最后强调了深入分析促进群体合作行为涌现的激励机制的重要性，并提出了通过优化算法效率、算力、关键帧选择和评分优化等方面来提升系统性能的方法。报告中还提到了一些具体的技术实现，包括如何通过融合点的优化、评分函数的设计以及在线规划的方法来提升无人系统的性能。