视频
加载播放器…
  • 提供配置文件
  • 欢迎来到CIRG,部分雷丁大学系统工程学院药学院有关项目控制论智能和接口神经系统和机器之间控制论智能是研究智能及其应用的学科。这是一种强调子符号知识表示和自底向上的方法。数据驱动)解决问题。控制论智能描述了意识和智能的理论、数学和哲学方面,以及它们在智能机器设计和复杂系统控制中的应用。
产品组合
  • 人机界面

  • Cyborg项目
    美国教授、梦想家诺伯特·维纳(Norbert Wiener)在20世纪40年代创立了控制论领域。他设想有一天,他称之为“神经假体”的电子系统将被开发出来,可以让脊椎受伤的人通过在大脑中检测到的信号来控制他们瘫痪的四肢。在英国,雷丁大学系统工程学院的两位国际知名教授,布莱恩·安德鲁斯和凯文·沃里克,以及著名的神经外科医生彼得·泰迪,刚刚离这个梦想更近了一步。这个团队来自控制论和神经外科的不同分支。沃里克教授专攻人工智能和机器人领域,布莱恩·安德鲁斯专攻生物医学工程、神经假体和脊髓损伤领域。彼得·泰迪(Peter Teddy)长期从事神经植入手术,是牛津大学神经外科主任。虽然看起来是两个截然不同的世界,但这些领域有许多共同的线索。

    主要研究人员安德鲁斯、沃里克和泰迪领导了一个庞大的外科医生和研究人员团队,其中包括世界著名的国家脊髓损伤中心(NSIC)斯托克曼德维尔医院、牛津大学拉德克利夫医院和英国雷丁大学的布莱恩·加德纳、阿里·贾穆斯、阿姆贾德·沙德和马克·加森。该团队得到了大卫·托尔金信托、计算机协会、风滚草和富士通的支持。

    一种复杂的新型微电子植入物已经被开发出来,可以与神经系统双向连接。在一个方向上,神经的自然活动被检测到,在另一个方向上,神经可以被施加的电脉冲激活。据设想,在未来,这种神经连接可以帮助脊髓损伤或截肢的人。
      • 控制论机器人系
      • 控制论植入1 (1998)
      • 控制论植入1 (1998)
      • 控制论植入2 (2002)
      • 控制论植入2 (2002)
        凯文·沃里克教授
      • 迈向真正的半机械人的下一步是什么?
    • 神经控制机器人项目- Animat

    • 我们的研究小组对游离培养神经元相互作用的研究感兴趣,以及它们的网络水平相互作用如何在低水平的记忆和学习机制的形成中发挥作用。研究中有强有力的证据表明,神经元表现出一种内在的网络能力,在某种程度上允许基本的组织行为在随机网络中出现,即使没有体内自然存在的结构化空间组织。
      最近的多电极阵列(MEA)技术允许在多个位点记录和刺激这种神经元培养。
      我们的目标是利用这种计算能力,并将文化记录的输入/输出位置映射到移动机器人的实施例,旨在通过尝试解决物体回避和迷宫导航等基本任务来引入学习。
      Animat项目

      在系统工程学院的一个突破性项目中,CIRG的成员正在通过电极阵列将计算机与正在生长的神经元培养物连接起来,目的是让培养物学会控制移动机器人。这可能会使我们在理解神经元和神经元网络的功能和发育过程方面向前迈出一大步,并有助于我们理解支撑记忆或学习等基本特性的生物机制。Animat还可以构成一个可行的、道德上更可接受的平台,用于研究神经疾病,如阿尔茨海默病或帕金森病,并最终可用于测试新的药物治疗方法。这个令人兴奋的项目为智能机器人平台开辟了几乎无限的可能性,并可能创造出真正自主的机器人,可以部署在排除频繁人类干预的条件下,例如深空探索。

      移动机器人神经元细胞控制的体系结构

      通常认为机器人的智能控制机构是计算机系统。然而,目前正在进行的研究正在培养和训练生物神经网络,以充当交互式现实世界机器人的大脑,从而完全取代计算机系统或以合作的方式与计算机系统合作。研究这样的神经系统可以对生物神经结构有一个独特的见解,因此这样的研究具有直接的医学意义。特别是,使用啮齿动物初级分离培养神经元网络来控制可移动的“动物”
      (人造动物,动物和材料的缩写)是一种发现生物神经元网络计算能力的新方法。这种性质的游离培养需要以某种形式进行适当的体现,以便在受控环境中进行适当的发展,在这种环境中,可以通过感觉数据接收适当的刺激,但对运动动作的最终影响仍然保留。本研究的主要目的是评估游离培养神经网络的计算和学习能力,以期推进人工神经网络的网络级处理。为了解决这个问题,我们发明了一种人工混合系统(动画),通过分离培养大鼠神经元来闭环控制移动机器人。这种通过感知和影响与环境的“闭环”相互作用使研究其学习能力成为可能。

      来源:
      D. Xydas, D. Norcott, K. Warwick, B. Whalley, S. Nasuto, V. Becerra, M. Hammond, J. Downes和S. Marshall,“移动机器人神经元细胞控制的体系结构”,施普林格先进机器人手册- 2008年欧洲机器人研讨会论文集,第44卷,第23-31页,2008。

      • 典型的玻璃MEA,显示通向电极的大接触垫
        列行排列
      • 电极阵列在MEA的中心,如典型的所见
        在光学显微镜下,
      • 单电极特写,显示大量神经元细胞
        它们之间有大量的神经连接。
      • Miabot Pro 8路声纳阵列包
      • 虚拟动画设计使用
        主要是基本几何原始形状,导出为VRML文件
    • 具身机器智能

    • 该集团在自主智能机器人领域取得了相当大的成功。该团队的互动机器人在伦敦、伯明翰和林茨的科学博物馆进行永久性展览。

      这项研究已被记录在该领域的主要调查文本中(它是麻省理工学院RoboSapiens中唯一的英国条目),并在BBC和探索频道播放的众多电视纪录片中获得了高调的国际媒体曝光。

      该集团与Eaglemoss出版有限公司合作,开发了Cybot机器人套件,作为《真实机器人》杂志的一部分,为雷丁大学带来了超过120万英镑的国内和国际销售版税。其中超过50%的资金用于博士后研究助学金和研究生奖学金。
        • 人形机器人锦标赛

        • 第一个“机器人进步!”“人形机器人锦标赛的启动是作为一项试点研究,以评估作为公众参与工具的形式和基础设施,并提高人们对后续全国锦标赛的认识。”来自伦敦和英格兰东南部学校的16个团队参与了试点。每支队伍都必须“编程并升级”一个两足机器人,才能在一系列项目中获胜。这在伦敦科学博物馆举行的现场比赛日中达到了高潮。事实证明,android高级挑战赛在学校、公众和所有参与组织的人之间取得了巨大成功,为广泛的受众提供了高影响力的活动。
      • 智能控制

      • 该小组在智能控制方面的发展已被应用于优化航天器轨迹,并在欧洲航天局的资助下找到不变的相对卫星运动。

        有相当多的工作在基于数据建模的先验未知非线性系统组。新的算法已经为各种类型的应用开发出来,例如控制、信号处理、模式识别和通信。我们的研究实例包括具有异构噪声的非线性时间序列/动态系统的系统识别,用于不平衡数据集的新核分类器构建算法,用于模式识别的稀疏概率密度估计,以及用于OFDM无线通信系统的数据检测和相位噪声消除。

        最近完成的工作包括:开发有效的模糊控制器,映射小信号的线性控制律,但表现出比线性对手更大的鲁棒性;利用动态神经网络开发反馈线性化方法;研究了光流和CMAC网络在机器人平衡中的应用。

        该集团拥有大量的实验室设备,可以进行实时控制实验。该设备包括各种机器人机械手、移动机器人、3D起重机系统、移动机器人、单和双倒立摆、磁性轴承装置,以及最先进的数据采集设备和实时控制软件。
          • 重力辅助空间修剪(GASP)


          • 这项工作已经获得了欧洲航天局的资助,重点研究在多重重力辅助下优化航天器轨迹的问题。引力辅助发生在太空探测器绕行星飞行时,有效地窃取了行星的一些动量以获得速度(当然,行星减速的量可以忽略不计!)执行一个或多个重力辅助使探测器需要更少的燃料和到达更远的距离

            多重重力辅助(MGA)任务是连续对几颗行星进行环绕。例如,最近的卡西尼-惠更斯任务通过地球-金星-地球-木星-土星的摆动序列到达土星。

            由于所有行星都在同时相对运动,MGA任务的搜索空间具有大量的局部极小值,这意味着传统的优化技术难以找到好的解决方案。GASP背后的关键观察是,这些空间的绝大多数质量非常差,在任务期间需要不可行的大推力。相反,通过分别研究任务的每个阶段,这些不可行的区域可以被识别出来,并从问题中剔除,留下一个更小的空间,然后可以更有效地优化。原始的GASP技术基于高效的连续二维网格采样执行剪枝。该方法在时间和空间上的复杂度都是多项式,计算效率也很高。
            • 不变相对卫星运动


            • 这个最近的项目得到了欧洲航天局的资助,它采用了相对卫星运动的哈密顿公式和牛顿方法的一种变体来定位周期或准周期相对卫星运动。模型中考虑的扰动包括非线性引力效应、地球扁率(J2效应)和参考轨道的偏心率。使用牛顿方法的优点是实现简单,由于其非随机性,解具有可重复性,收敛速度快。为了评估用于生成周期参考轨迹的模型质量的效果,进行了模拟主/副卫星编队闭环控制的研究。详情见欧空局最终报告。
          • 神经网络

          • 神经网络或人工神经网络是由相互连接的处理单元组成的数学结构,可以通过训练来再现复杂的输入-输出模式。

            在CIRG进行的神经网络的开发和应用研究与其他子主题紧密交织,特别是智能控制、具身机器智能和计算神经科学。

            特别是,最近在动态神经网络的开发和分析方面进行了工作,动态神经网络是可以被描述为非线性动力系统的神经网络,在进化神经网络结构方面进行了工作,在塑性自组织映射(见图)的开发方面进行了工作。
              • 智能搜索

              • 随机扩散搜索(SDS)是一种基于种群的模式匹配算法。它属于群体智能家族和自然启发的搜索和优化算法,包括蚁群优化,粒子群优化和遗传算法。与蚁群优化中使用的标记通信不同,标记通信基于对模拟环境的物理特性的修改,SDS在代理之间使用一种形式的直接(一对一)通信,类似于一种蚂蚁(Leptothorax acervorum)使用的串联呼叫机制。

                在SDS中,代理对假设(搜索问题的候选解决方案)进行廉价的部分评估。然后,他们通过直接一对一的交流分享关于假设的信息(信息扩散)。由于扩散机制,可以从具有相同假设的药剂集群中确定高质量的解决方案。

                CIRG成员对随机扩散搜索(SDS)进行的研究已经导致了SDS的全面理论表征,这是迄今为止少数几个被证明具有全局收敛性的SI算法之一,并表征了其资源分配能力。我们正在与伦敦金史密斯学院(Goldsmiths College)合作,进一步研究SDS的扩展,并将其应用于强大的自组织计算资源管理框架。
                  • 应用认知系统

                  • “认知系统是自然或人工的信息处理系统,包括负责感知、学习、推理和决策以及沟通和行动的系统”(DTI Foresight倡议)。这一定义促成了目前的人工系统/机器人是认知能力较差的系统的结论。我们需要改进我们每天使用的设备,包括辅助技术,并产生医疗效益。我们的研究旨在创建灵活、健壮和自适应的应用认知系统。CIRG的主题有很多重叠和互利,在这里与体现的机器智能有很强的联系。ACS与环境(包括虚拟域)交互,通过与人类/动物行为的类比来寻求性能改进。EMI与物理环境相互作用,并通过任何适当的方法寻求性能改进。一个常见的思路是利用控制论反馈,与环境的交互可以提高性能。认知系统研究已经成为控制论的一个支柱,因为在50年代的研究领域的合并。
                    • 抽象

                    • 对抽象的需求来自钢铁行业规则的数据挖掘,通过应用基于遗传的机器学习技术的学习分类器系统,该技术利用q学习类型的更新进行强化学习。有人指出,许多规则具有类似的模式。例如,由于产品宽度不同,有许多“如果侧导轨设置<宽度,则产品质量差”类型的规则。这导致了一个不必要的难以解释和学习的规则库。抽象方法的最初发展是基于已知的Connect4问题,因为它具有广阔的搜索空间、时间性质和可用模式。在复杂的多步问题中,高阶抽象规则取代了广义状态-动作规则,成功地提高了域性能。希望该算法将有助于实现LCS技术作为人工认知过程测试平台的预期用途。该图显示了训练过程中基本规则与抽象规则(实线)的百分比图(圆线)。
                    • 情绪

                    • “情感”在自主代理控制机制中的重要性已经通过真实和虚拟机器人平台得到了证明。开发了一种新的代理架构,为基于“情感”的控制提供了基础。这个新系统没有把状态映射到动作,而是把状态映射到类似的情绪,然后再映射到状态。这提供了一种非确定性的非线性时间控制策略,因此在测试的探索领域具有优势。创建了一个适当的测试平台,允许真实和虚拟代理共存,并允许产生许多情感规则。与传统方法相比,基于情感的架构提供了许多好处,包括更简单的行为编程和提高复杂探索任务的性能。下面两幅图显示了常规和情感机器人路径规划的结果。
                    • 价值体系

                    • 人工认知系统已经在单个目标、单个领域取得了成功,在这些领域中,每个行为的价值都可以被评估/估计。然而,如果系统需要在多个目标之间进行选择,或者在价值估计很低的情况下选择一个行动,例如,由于当前状态和最终收益之间存在很长的链,那么就需要一个价值系统。目前人们对奥赛罗游戏的研究很感兴趣,因为策略学习得益于其价值系统在每个给定状态下的更新。这样,学习就变成了一个两阶段的过程;1.学习每个状态下的移动值,2。学习通过状态移动的最优策略。
                    • 内存

                    • 有人提出,可以创建一个生物学上非难以置信的工作记忆模型,将其纳入一般认知架构,并嵌入到人工代理中(模拟并嵌入到真实的移动机器人中),这样就可以测试其与复杂环境的相互作用。生物认知主体(如人类、老鼠和其他哺乳动物)位于现实世界中,因此必须在现实世界中行动,同时受到现实世界的约束。
                  • 计算神经科学

                  • 计算神经科学涉及使用计算机对大脑进行建模和理解。作为CIRG正在进行的研究的一部分,我们正在从许多不同的角度研究大脑,从上至下(脑电图分析)到下至上(单神经元重建)。这些研究方向一方面与人机界面的努力相关联,另一方面与机器学习的研究相关联。

                    脑电图分析
                    随着时间的推移,测量头皮上各个点的电势可以推断出大脑中电活动的来源。脑电图(EEG)波动是由于大量神经元池的同步活动模式,似乎包含了关于大脑认知加工状态和健康状态的有用信息。CIRG的研究集中在描述同步模式的新技术及其在记忆障碍早期诊断中的应用。这种研究非常有趣,因为它描述了基本的认知过程,也因为它对痴呆症的早期诊断具有实际潜力。这项研究是与雷丁大学心理学和应用语言学学院以及德国马格德堡大学继续合作进行的。与心理学和应用语言学学院合作的新项目,建立在脑机接口应用和记忆功能脑电图分析项目的成功基础上,专注于描述语言处理的脑电图特征,而不需要对多次试验进行平均。这是非常重要的,因为标准的平均方法可能会掩盖大脑中信息处理的重要特征,并且对于诊断脑损伤的受试者来说是最不理想的,因为几乎从定义上来说,这将是特定的受试者。在与巴西乌贝兰迪亚大学的合作中,研究描述来自听觉通道早期阶段的脑电图样信号,可能有助于从业者早期诊断听力障碍或诊断听觉通道肿瘤。

                      • 神经重建

                      • 该小组成员一直致力于研究从显微镜下获得的大量图像中重建神经元。这是一项复杂且耗时的任务,通过neuromance应用程序的开发,已经在自动化方面取得了重大进展,尽管图像数据在视觉上可能非常模糊。

                        通过这种技术创建的3D重建是有用的,有几个原因。首先,它们可以通过允许通过电生理测试和模拟获得的结果之间的比较来帮助验证神经元行为模型。其次,在生物试验中比较控制组和实验组之间的各种形状统计测量可以确定可能与神经疾病相关的显著差异,并有助于了解如何治疗/预防这些疾病。