University of Massachussetts
Videos
Loading the player ...
  • 提供个人资料

  • 具有柔性，适应系统的计算原理的感知机器人技术实验室实验室。我们关注的是必须在非组织环境中产生多种行为的机器人系统。这意味着行为的目标正在不断变化，例如，当电池电量变化或环境中的非确定性时，会导致危险情况（或机会）发生。我们将这类问题域称为开放系统 - 它们仅部分可观察到部分可控。为了估算隐藏状态并扩大可实现的控制过渡的集合，我们分别实施了时间扩展的观察和行动。在这种系统中开发的世界模型种类是天然结构，奖励，环境刺激和经验的产物。

    我们还考虑了冗余机器人系统 - 即那些有多种方法来感知重要事件的方法，以及许多操纵世界以实现变化的方式。我们采用分布式解决方案来解决多目标问题，并提出应以受到人类婴儿感觉运动发展的启发的方式逐步获取层次机器人程序。我们建议通过观察机器人系统具有大量的内在结构（运动学，动态，感知，运动，运动）来发展功能性的机构代理，我们在与世界进行持续的互动过程中发现并利用了这些结构。

    Finally, we study robot systems that collaborate with humans and with other robots. A mixed-initiative system can take actions derived from competing internal objectives as well as from external peers and supervisors. Part of our goal concerns how such a robot system can explain why it is behaving in a particular way and can communicate effectively with others.
产品介绍

  • Robots

  • Research Robots

    • 德克斯特

    • 德克斯特is a platform for studying bi-manual dexterity designed to help us study the acquisition of concepts and cognitive representations from interaction with the world.

    • uBot-0,5 - uBot-5

    • NSF/NASA关于自动移动操作的2005年最终报告确定移动操纵技术对于下一代机器人应用至关重要。它还确定了需要进行适当的移动操作研究平台。我们预测，绝大多数有趣且有用的移动操作应用程序将需要获取，运输和放置对象 - 所谓的“选择”任务。为了满足这种需求，Ubot-5是建立的。

    • ATRV

    • 由Irobot Co.制造的ATRV系列机器人是配备了声纳传感器和无线以太网通信的四轮移动平台。LPR当前具有ATRV-JR。和一个Atrv-Mini。我们已经将一个全景相机附加到ATRV-JR，以及用于控制的Dell Inspiron 8200笔记本电脑。

  • 研究目标

    • Control Basis

    • Learning in the Control Basis

      基于马尔可夫决策过程（MDPS？）等机器学习技术（例如增强学习（RL））用于学习测序控制决策的政策，以优化奖励。学习算法通过将信用与导致奖励的行为序列的要素相关联，可以解决时间信用分配问题。但是，RL取决于随机探索，对于有趣的机器人来说，我们的状态空间可能是巨大的。此外，任何依赖完全随机探索的算法都将需要很长时间，并且偶尔会做一些非常不幸的事情来了解后果。以下是控制基础框架中的许多学习示例。

    • 抓握和操纵

    • 事实证明，掌握多手指操纵器的计划是一个非常具有挑战性的问题。传统方法依赖于接触计划的模型，该模型导致了计算上棘手的解决方案，并且通常不扩展到三维对象或任意数量的触点。我们已经构建了一种闭环控制控制方法，该方法可证明对常规凸对象的两个和三个触点是正确的。该方法采用“ N”异步控制器（每个触点）来实现从等效类别的GRASP溶液中的几何形状。该方法生成一个抓握控制器 - 闭环，对触觉反馈的差异响应 - 以删除抓紧配置中的扳手残差。平衡为定期，凸对象上的扳手闭合而建立必要条件，并确定良好的掌握良好的grasps。掌握控制器的序列，引人入胜的接触资源序列可用于优化掌握性能并产生操纵步态。结果是一个非常独特的基于传感器的GRASP控制器，不需要先验对象的几何形状。

    • 通过演示编程

    • 远程遥操作机器人的dominant modes of robot control in applications involving hazardous environments, including space. Here, a user is equipped with an interface that conveys the sensory information being collected by the robot and allows the user to command the robot's actions. The difficulty with this form of interface is the degree of fatigue that is experienced by the user, often within a short period of time. To alleviate this problem, we are working with our colleagues at the NASA Johnson Space Center to develop user interfaces that anticipate the actions of the user, allowing the robot to aid in the partial performance of the task, or even to learn how to perform entire tasks autonomously.

    • Knowledge Acquisition

    • 了解形状

      One embellishment that Dexter learned for his pick and place policy was how to preshape grasps. The first and second moments of foreground blobs were used to inform, probabalistically learn approach angles and offsets from object center. This image shows Dexter's visual representation of an object placed on the table.