视频
加载播放器…
  • 提供配置文件
  • 屡获殊荣的瑞士人工智能实验室IDSIA机器人实验室成立于2007年。它是一个将人工智能方法应用于各种类型的真实机器人的实验室:移动机器人，操纵机器人和人形机器人。该实验室位于瑞士Manno-Lugano的SUPSI基地。
产品组合

  • 学习机器人

      • 在部分可观察环境中学习机器人
        一些硬连接的、预编程的机器人，如慕尼黑工业大学的人形双足行走机器人和慕尼黑工业大学的快速机器人汽车，可以执行令人印象深刻的任务。但它们不像人类那样学习。

        那么我们怎样才能让他们从经验中学习呢?不幸的是，传统的强化学习算法仅限于简单的反应行为，并不能很好地应用于现实机器人。

        机器人在现实环境中的学习需要新的算法来学习识别感官输入流中的重要事件，并在自适应、动态、内部状态下暂时记忆它们，直到记忆可以帮助计算适当的控制动作。

        我们相信，学习记忆最有前途的方法是我们的循环神经网络、策略梯度和最优有序问题解决器。一个雄心勃勃的长期目标是为一个真正的学习型机器人实现一个成熟的Gödel机器。我们CoTeSys小组的研究课题包括:DLR人工手和iCub婴儿机器人的人工好奇心和创造力，AM的180cm步行两足动物的行为进化，自适应移动机器人和机器人汽车的视觉注意和无监督学习和顺序学习，人类与学习机器人互动的安全性。

        我们不仅研究真实的机器人，也研究虚拟的机器人，它们生活在三维视频游戏般的世界中，具有相当逼真的模拟物理。我们也对非轮式学习机器人感兴趣，比如人造蛇。它们的导航问题比轮式的要难。另一方面，它们可以应付崎岖的地形。

  • 生物形态可变刚度

  • 刚度和弹性如何提高人和机械臂的性能?我们的目标建模研究将结合详细的生物物理模型和机器学习，以实现一个具体化的、高维的、可变阻抗的机器人系统的最佳控制。

    许多工业机器人比人类强壮得多，但也非常不灵活。例如，人类可以把物体扔得更远，接得更优雅，暂时将能量储存在弹性肌腱和肌肉中。然而，这种灵活的驱动器需要比传统机器人更复杂的控制算法。STIFF联盟的目标是通过理解和模仿人类中枢神经系统有效使用的可变刚度范式，使高度仿生的机器人手臂系统具有人类运动系统的敏捷性、鲁棒性和多功能性。我们研究的一个关键组成部分将是人体手臂和手的解剖学上准确的肌肉骨骼模型。该项目将开发新的方法来理解人类手臂如何适应其阻抗，例如，通过改变共收缩水平或通过适应反射增益。手臂和手的阻抗将被研究使用强大的机器人操纵器能够施加力扰动。虽然刚度和弹性目前在人工实验室任务的背景下被利用，但我们将研究自然任务中的刚度依赖行为，如扔球或在洞中插入一个钉子。现有的闭环系统识别技术将通过非线性时变技术进行扩展，以识别在到达和抓取任务中的行为。抓取力调制和手部肌肉活动的相关性将通过机器学习技术获得，然后转移到机器人系统。 Finally, optimization techniques gleaned and validated on the detailed biophysical model will be transferred to the variable impedance actuation of the novel biomorphic robot.

  • 机器人数量激增

  • 几十年来，施米德休伯教授的演讲都使用了上面这张幻灯片。
    根据《自然》杂志的千年特刊，20世纪最具影响力的发明是触发并维持了人口爆炸的发明:哈伯-博世过程。如果没有它，几十亿人将无法生存。
    目前，我们正经历机器人数量爆炸。在人类感染已经停止的几个国家，这种现象最为明显。看看上面日本和德国奇怪的人口金字塔(2025年的预测):年轻人很少;很多老人。最终，所有国家的人口统计数据都将相似。
    那么谁来做所有的工作呢?当然是机器人。1980年，全球只有3万台机器人;到2002年，已经有100万辆，几乎一半在日本，三分之一在欧洲，特别是在世界第二大市场德国。
    一旦有认知能力的机器人不再需要硬连接，而是自己学习，机器人数量的爆炸式增长可能最终会超过人类。这就是他们在慕尼黑工业大学认知机器人实验室所做的工作。

      • 有弹性的、自我建模的机器人

      • 2004年，机器人世界杯世界冠军亚历山大Gloye-Förster(目前在IDSIA)和他的团队使用连续自我建模制造了第一批有弹性的机器。他们的机器人可以从某些类型的意外损伤中自主恢复，通过从驱动-感觉关系中衍生的自适应自我模型，用于产生向前运动。参考资料是Gloye的博士学位

        以下是Gloye等人2005年文章中的一些相关节选:“在前一节中应用于不够精确的机器人的相同技术现在可以应用于解决损坏的电机问题。[…我们的机器人有四个全向轮，当一个电机损坏时，机器人仍然有足够的冗余来进行全向驱动，但机器人上的PID控制器试图控制四个电机。当然，我们可以在机器人中安装不同的PID控制器，当马达故障时，我们可以从四轮控制器切换到三轮控制器。然而，如果电机只是部分故障(它开始提供更少的功率，例如，如果电机已经变得非常热)，这将是可取的有一种方法来适应高层次控制发送的命令。此外，机器人的电子设备可能是一个我们不想要或无法修改的黑匣子。在我们的实验中，我们拿了一个有四个马达的机器人，断开其中一个。视觉系统跟踪机器人一段时间，并学习预测其对命令的响应函数，如上所述。然后，我们将在线修正应用于损坏的机器人，取得了很大的成功。可以看出……] the driving behavior of the damaged robot is similar to that of a fault-free robot. The robot is somewhat slower, but it can drive accurately again. As this simple experiment shows, it is then feasible to make these types of corrections during RoboCup games. If a motor completely fails, or loses power, the high-level control can let the robot drive for some time, relearn its driving behavior, and apply the online correction. The result is a robot that heals after a few seconds because the coach (the central computer) knows which commands to send ..."
        • 2004年决赛的场景。
        • 在2004年快速联赛中赢得机器人世界杯冠军的Gloye-Förster的FU-Fighters之一(使用操纵杆的人类对手没有机会)。该机器不断使用人工神经网络来模拟其四轮全向驱动的电流特性。
        • 左:损坏的RoboCup机器人无法再执行精确的星形驾驶模式。
          正确的:同样的机器人快速调整其运动指令和感官输入之间关系的神经模型，并成功地利用它来规划和优化其驾驶轨迹，这与J. Schmidhuber的一篇论文的精神如出一辙

      • 慕尼黑理工大学认知实验室

      • 使命:制造会学习的机器人。
        工具:循环网络，贝叶斯方法，强化学习，进化，最优搜索，等等。
        理论:最优通用学习器，通用贝叶斯归纳，Kolmogorov复杂度，Gödel机器。

        我们正生活在机器人数量爆炸的时代。1980年，全球只有3万台机器人;到2002年，已经有100万台，几乎一半在日本，三分之一在欧洲，特别是在世界第二大机器人市场德国。
        但几乎所有的机器人都是预先连接的;它们不能像人类一样从经验中学习。少数能够适应的人通常只是对当前的感官输入做出反应，而不会利用过去的相关事件。在一般的未知环境中，是否存在学习非反应性行为的最佳方法?我们最近的理论见解肯定了答案是肯定的。我们在生物学上可行的方法是使用具有内部状态的自适应递归神经网络来控制现实的、部分可观察的环境中的自主机器人。
        根据《自然》杂志的千年特刊，20世纪最具影响力的发明是触发并维持了人口爆炸的发明:哈伯-博世过程。如果没有它，几十亿人将无法生存。
        机器人数量的爆炸式增长在少数几个国家最为明显，在这些国家，人类数量已经停止增长，并可能最终超过人类，一旦认知机器人不再需要硬连接，而是自己学习。

        • 为什么来TUM?

        • 它是自动化和机器人领域的领导者，拥有许多独特而昂贵的机器人，与慕尼黑的宝马和西门子等行业领导者有着密切的联系。14位诺贝尔奖获得者(最近的一次是2005年)与慕尼黑有关，其中4位与慕尼黑工业大学有关。2004年9月20日的FOCUS调查显示，慕尼黑工业大学在德国大学中排名第一，领先于慕尼黑大学。2006年10月13日，TUM和LMU被“卓越计划”选为德国三所“精英大学”中的两所，该计划在未来5年内资助19亿欧元。这是所有德国频道的黄金时段新闻。

        • 为什么来慕尼黑?

        • 它是世界上最宜居的地方之一(根据这项调查，在世界上人口超过100万的城市中排名第二，仅次于维也纳)，并一直被评为德国最具吸引力的城市。许多文化和乐趣，10万名学生，世界上最大的节日(慕尼黑啤酒节)，世界上最古老和最大的技术博物馆，风景优美的巴伐利亚环境，湖泊，河流，山丘，草地，自行车道，城堡和啤酒花园，靠近主要的滑雪区等。施米德胡贝尔周游了世界，他说没有比慕尼黑和阿尔卑斯山之间的前阿尔卑斯地区更美丽的地方了。(不过他是有偏见的——他出生在慕尼黑。)

        • 为什么来德国?

        • 为什么来德国?它是科学家和发明家的好地方，有着定义当今世界的基本突破的悠久传统，包括西方的印刷学，计算器，二进制算术和微积分，手表和其他小型机器，高斯数学，基于内燃机和汽车的第二次工业革命，第一次实用的发电机和电力运动，疾病的细菌理论，现代研究型大学，广义相对论，量子物理，人口爆炸，晶体管、计算机控制了重型飞机、直升机、喷气式飞机、巡航导弹、铀裂变、x射线以及无数其他东西。

      • 统计机器人

      • 统计机器人将众所周知的统计学和概率论技术(以前已经广泛应用于计算机视觉)应用于机器人问题。典型的方法有卡尔曼滤波、EM、贝叶斯网络、粒子滤波等。机器人对其当前状态的信念是一个关于可能状态的概率密度函数;基于新的感官输入和行为效果的先验概率模型，信念不断更新。

        例如，机器人汽车先驱恩斯特·迪克曼斯(Ernst Dickmanns)(20世纪80年代和90年代)使用卡尔曼滤波器来处理他的自动驾驶汽车的不确定传感器读数。

        自1990年左右以来，“概率机器人”领域的大部分工作都集中在机器人定位和地图构建上，这是由Durrant-Whyte的团队(Kalman滤波器/同步定位和地图构建SLAM)以及Smith等人的开创性工作引发的。


        终极概率方法
        参考文献是关于定位的(在较早但非常相似的视觉方法中，一个等价的目标是对象跟踪)。然而，我们的长期目标是构建能够在未知环境中学习复杂动作序列以解决给定任务的机器人(本地化只是其中的一部分)。
        目前，越来越多的机器学习研究人员开始意识到，至少在我们暂时忽略计算时间的情况下，有一种通用的、贝叶斯的、理论上最优的方法可以做到这一点。它基于所罗门诺夫的可计算概率分布的通用混合M。如果世界对机器人行动的反应概率确实是可计算的(每个人都假设)，那么机器人可能会使用M来预测其未来的感官输入和奖励，而不是使用真实但未知的分布。根据Hutter最近的定理(当时在Schmidhuber的SNF授权20-61847上)，机器人确实可以通过选择那些最大化m预测奖励的动作序列来做出最佳行为。这可能被称为机器人的无敌终极统计方法——它展示了可能性的极限。

      • Cotesys

      • CoTeSys代表有限公司gnitiveTechnicalSys比如自动驾驶汽车、人形机器人和机器人工厂。我们CoTeSys的研究课题包括:
        1.人工好奇为DLR人工手
        2.AM的180cm行走双足动物的行为进化
        3.自适应移动机器人和机器人汽车的视觉注意、无监督学习和序列学习
        4.人类与学习型机器人互动的安全性

        CoTeSys结合了TUM, LMU, UniBW, DLR, MPI在神经科学，自然科学，工程，计算机科学和人文科学方面的专业知识。在2006年激烈的全国竞争中，这是为数不多的被接受的方案之一。
        慕尼黑大学。根据FOCUS和SPIEGEL最近的调查，CoTeSys的合作伙伴TUM和LMU在德国大学中排名第一。14位诺贝尔奖得主(最近的一位是2005年在慕尼黑工业大学获得的)与慕尼黑有关。2006年10月13日，TUM和LMU被“卓越计划”选为德国三所“精英大学”中的两所，该计划为期5年，资助金额为19亿欧元。这是所有德国频道的黄金时段新闻。

        慕尼黑(m nchen)是世界上最宜居的地方之一(根据最近的调查，在世界上人口超过100万的城市中排名第二，仅次于维也纳)。许多文化和乐趣，10万名学生，世界上最大的节日(啤酒节)，世界上最古老和最大的技术博物馆，宝马和西门子的总部，风景优美的巴伐利亚周围有湖泊，河流，山丘，草地，自行车道，城堡和啤酒花园，靠近主要的滑雪区等。许多人声称没有比慕尼黑和阿尔卑斯山之间的前阿尔卑斯地区更美丽的了。

        德国是科学家和发明家的好地方，有着定义当今世界的重大突破的悠久传统，包括西方的印刷业、计算器、微积分和比特、手表等小型机器、高斯数学、基于内燃机、汽车、廉价电力和现代化学的第二次工业革命、疾病的细菌理论、现代研究型大学、广义相对论、量子物理学、人口爆炸、晶体管、计算机、控制重型飞行、直升飞机、喷气式飞机、铀裂变、导弹、x射线以及无数其他技术。在20世纪的大部分时间里，德国是获得诺贝尔奖最多的国家(1901-1956;或者直到1965年，如果我们只考虑获奖者的出生国;直到1975年(如果我们只考虑科学的话)。它仍然是世界上最大的出口国。中国也是仅次于日本的世界第二大机器人制造和使用国，也是第一批机器人汽车的诞生地。许多德国球队在最引人注目的机器人比赛——机器人世界杯上获得了世界冠军。
        • CoTeSys结合了TUM, LMU, UniBW, DLR, MPI在神经科学，自然科学，工程，计算机科学和人文科学方面的专业知识。在2006年激烈的全国竞争中，这是为数不多的被接受的方案之一。
        • 自我意识认知技术系统看到了光明
        • CoTeSys自动驾驶汽车。早在20世纪80年代，UniBW就制造了世界上第一辆真正的机器人汽车，1995年，其视觉引导的梅赛德斯机器人已经在慕尼黑和丹麦之间行驶，在交通中以高达180公里/小时的速度自动超过其他车辆
        • CoTeSys认知工厂大纲，旨在评估各种CoTeSys领域的基础和应用研究。

      • 机器人汽车

      • Schmidhuber教授的机器人汽车历史亮点
        1980年以前的史前史:        简单的自动驾驶汽车
        1977:日本机械工程实验室的一辆汽车以最高30公里/小时的速度行驶50米
        1980年代:传奇人物恩斯特·迪克曼斯(右)和他在慕尼黑联邦国防军大学(UniBW)的团队利用跳视、卡尔曼滤波等概率方法和并行计算机，制造了世界上第一辆真正的机器人汽车
        1987 - 1995:近10亿美元用于泛欧普罗米修斯项目，这是有史以来最大的机器人汽车项目(与UniBW和许多其他公司合作)
        1990年代:Kanade, Thorpe (CMU);神经网络学会驾驶(波默劳)
        1994:Dickmanns @ UniBW基于自动视觉的VaMP机器人在巴黎的交通中行驶，同时跟踪多达12辆其他汽车
        1995:“全美无手”(CMU)。不过油门和刹车需要人工控制
        1995:UniBW慕尼黑的快速奔驰机器人在没有GPS的情况下，在高速公路上自动行驶了1000英里!
        2005:DARPA“大挑战”(仅限于美国团队):无交通，土路，由GPS驱动:由2935个GPS点预定义的路线(每个街道曲线最多4个GPS点)。预先知道障碍类型
        2006:欧洲陆地机器人试验(ELROB):自动越野车辆的演示
        2007:ELROB和DARPA的新型机器人汽车演示和挑战

        未来会带来什么?2005年，每美元计算的速度大约是迪克曼斯时代的1000倍，而下一个十年将再增加1000倍左右。这种硬件的进步是机器人控制进步的主要原因——软件的进步似乎不那么重要，因为模式识别和概率推理的基本算法在过去十年中没有根本改变，除了这里和那里的epsilon改进。然而，令人惊讶的是，许多领先汽车公司的代表，如宝马和戴姆勒-克莱斯勒(该公司拥有世界上最大的私人研究预算:截至2005年为67亿美元)并不都对自动驾驶汽车充满热情。为什么不呢?因为他们觉得完全自动驾驶的汽车并不一定符合他们客户群的自我形象。因此，他们目前的研究集中在更温和的主题，如驾驶辅助。即使没有商业自动驾驶汽车的大市场，自动驾驶汽车仍然可以找到重要的军事应用-比较美国陆军研究实验室(自20世纪90年代中期以来)，通用动力机器人系统和NIST (J. Albus &团队的系统架构)的工作。