PerceptiSync：利用循环中的众包技术实现网络物理系统中的可靠对象检测

《ACM Transactions on Cyber-Physical Systems》：PerceptiSync: Trustworthy Object Detection using Crowds-in-the-Loop for Cyber-Physical Systems

分布式环境下的可靠目标检测研究提出PerceptiSync框架，通过整合CITL概念和Dirichlet-Categorical信任模型，实现多源感知数据融合与系统可靠性提升，实验显示其Kendall’s Tau系数达0.228优于现有AI框架。

　　

摘要

在分布式环境中实现可靠的物体检测具有挑战性，尤其是在信任结果依赖于多个计算机视觉系统输出的情况下。在这篇论文中，我们介绍了一种新颖且值得信赖的具身人工智能（Embodied-AI，简称EAI）框架——PerceptiSync。该框架专为利用物体检测技术的分布式信息物理系统（Cyber-Physical Systems，简称CPS）设计，适用于联网自动驾驶车辆、无人机群以及闭路电视（CCTV）摄像网络等应用场景。PerceptiSync基于“循环中的群体”（Crowds-in-the-Loop，简称CITL）概念进行设计，通过结合四种不同的用户配置和Dirichlet-Categorical信任模型来提升系统可靠性。该框架经过了两阶段的评估：首先使用基准计算机视觉（Computer Vision，简称CV）数据集来测试其性能随时间的变化情况；其次通过集成多种用户配置来评估其信任判断的准确性以及应对误报的能力。测试结果表明，PerceptiSync的表现优于现有的仅基于人工智能的信任框架，其平均Kendall’s Tau系数达到了0.228，而现有框架仅为0.051，这充分证明了其在长期使用中的稳定性和有效性。