视频
加载播放器…
  • 提供配置文件
  • 具身智能是指拥有身体的智能体。生物智力发展的证据表明,一个活跃的身体对于获得智力是不可或缺的。

    我们的研究领域包括但不限于:人机交互;图像与信号处理;模式识别;计算机视觉;基于内容的信息检索;语音识别;触觉识别;机器学习;生物驱动的认知、学习和发展模式;自主导航; language processing and understanding; reasoning; action; decision making, intelligent robots (construction, control and training) and artificial intelligence.
产品组合
  • 发展型机器人与自主智力发展

  • 心理发展过程
    这一研究方向是利用我们所说的发展方法来推进人工智能。这种新方法是由人类从婴儿期到成年期的认知和行为发展所驱动的。这需要一种完全不同的方式来解决机器智能的问题。我们引进了一种新的项目:发展项目。通过发展程序发展心智的机器人被称为发展型机器人。SAIL是我们研制中的第一个机器人原型机的名字。这是一台“活的”机器。Dav是SAIL之后的下一代。

    开发程序的概念并不仅仅意味着让机器从小到大,从简单到复杂。它必须使机器能够学习人类程序员在编程时不知道的新任务。这意味着机器人学习的任何任务的表示都必须由机器人自己生成,这是人工智能中众所周知的圣杯,也是机器理解的基础。

    与传统认为人工智能应该在一个狭窄的范围内研究,否则其复杂性就会失控的思想相反,发展方法旨在提供一个广泛而统一的发展框架,适用于各种各样的感知能力(如视觉、听觉和触觉)、认知能力(如情境意识、语言理解、推理、计划、沟通、决策、任务执行)、行为能力(例如,说话、跳舞、走路、演奏音乐)、动机能力(例如,避免痛苦、寻求快乐、判断对错)以及这些能力的融合。根据自主开发的本质,开发程序不需要人工建模特定于任务的表示。最近神经科学的一些证据表明,我们大脑中的发育机制可能在不同的感知模式中非常相似。这是个好消息,因为这意味着设计开发程序的任务可能比传统的特定于任务的编程更容易处理。

    实用AMD的八个要求
    具有实际自主智力开发(AMD)能力的发展型机器人必须满足以下八个要求:

    1. 环境开放性:由于任务非特异性,AMD必须处理未知和不受控制的环境,包括各种人类环境。
    2. 高维传感器:传感器的维数是单位时间内标量值的数量。AMD必须直接处理来自高维传感器(如视觉、听觉和触觉)的连续原始信号。
    3. 感官信息使用的完整性。由于环境的开放性和任务的非特异性,发展性项目在项目设计阶段就抛弃可能对某些未来未知任务有用的感官信息是不可取的。当然,它在出生后自主派生的特定于任务的表示会丢弃对特定任务没有用的信息。
    4. 在线处理:在每个时刻,机器接下来将感知什么取决于机器现在做什么。
    5. 实时速度:感官/记忆刷新速率必须足够高,以便每个物理事件(例如,运动和语音)可以实时采样和处理(例如,视觉约为15Hz)。即使使用一个完整的(非常大但有限的)物理“机器大脑尺寸”,也必须保持这种速度。它必须处理单实例学习:从一个经验实例中学习。
    6. 增量处理:获得的技能必须用于帮助获得新技能,作为“脚手架”的一种形式。“这需要增量处理。因此,批处理对于AMD来说是不实际的。每一次新的观测都必须用于更新当前的复杂表示,原始的感官数据在用于更新后必须被丢弃。
    7. 边学习边执行:传统机器在制造完成后才能执行。一台AMD机器必须在“精神上构建”自己的同时运行。
    8. 扩展到大内存:对于大型感知和认知任务,AMD机器必须处理多模态上下文、大型长期内存和泛化,以及提高成熟度的能力,所有这些都以实时速度进行。
      • 13个自由度
      • 主处理器双奔腾IV
        2.1 GHZ
        50千兆SCSI驱动器,
        1gb内存
      • 两个彩色CCD相机,
        听觉传感器,力传感器
      • 帆发展
        自主项目
        心理发展过程
      • 202公斤
    • Dav

      • 48个自由度
      • 主处理器四奔腾,2gb内存,
        100千兆SCSI驱动器
      • 11嵌入式处理器
      • 两个彩色CCD摄像头,听觉,激光测距扫描仪,触摸传感器
      • 无线网络
      • 自主心理发展
      • 242公斤
  • DARPA微型机器人项目-可重构适应性微型机器人

  • 该项目的目标是设计、建造和测试微型机器人的原型,该机器人将展示多种形式的运动。这将通过位于机器人四肢的吸盘来实现。吸盘还提供了爬墙和翻越障碍物的能力。机器人可以单独工作,也可以与其他机器人合作完成既定任务。

    完成的里程碑
    • 设计并测试机器人运动机构
    • 制造机械结构,传感器和吸盘
    • 展示爬墙行为
    • 演示了其作为侦察应用的远程传感器(摄像机)的用途
    • 展示了Khepera机器人的合作行为

    短期的里程碑

    • 演示滑动和翻转运动模式
    • 演示无线操作
    • 验证基于传感器的个体行为学习
    • 制造机器人原型
    • 用几个机器人演示协作行为
  • SHOSLIF用于多模态学习

  • 综合感官学习是对计算机系统的理论和技术的处理,使其自动学习理解全面的视觉、听觉和其他感官信息,并将人类强加的关于世界的规则降至最低。这里的综合学习的概念包含了两个方面:感官世界的综合覆盖和识别算法的综合覆盖。SHOSLIF是一个框架,旨在为全面的传感器-执行器学习提供统一的理论和方法。它的目标不只是针对特定的感觉或执行器问题,而是针对各种此类问题。它解决了一些关键问题,比如如何自动选择最有用的功能;如何使用从粗到细的空间划分树自动组织感官和控制信息,这将导致从大型可视化知识库中基于内容的检索非常低的对数时间复杂度,如何处理基于学习的不变性,如何实现在线增量学习,如何进行自主学习等。
  • 摄像头辅助虚拟现实构建器

  • 使用传统的计算机图形技术创建真实的自然纹理映射的3-D对象是非常繁琐的。用户通常通过计算机辅助设计过程构建物体的三维形状,然后手工选择纹理补丁,并手动将其一块一块地映射到物体表面。或者,有一些系统使用激光扫描被测对象,以获得被测对象的距离图和表面反射率图,但这些系统非常昂贵,并且对人类和动物被测对象具有干扰性,而且它们不适用于建筑物等大型物体,在黑暗或高光表面上失败。在这个多媒体时代,虚拟现实(VR)的真正腾飞需要一种易于使用、价格低廉并能给出真实结果的虚拟现实构建器。相机辅助虚拟现实构建器(CAVRB)只需要建模对象的一些图像。它通过直观的、基于图形的用户界面,使用用户指定的匹配对象点,从这些图像中计算物体的3-D形状。将目标点分组为多边形或bezier表面斑块,并在三维空间中重建。然后,自然纹理直接从这些图像映射到3-D形状上,3-D场景也可以编辑以改善特征。使用CAVRB,可以非常方便地从真实物体构建逼真的VR场景或物体,或者将额外的VR物体合并到使用现有方法构建的VR场景中。几乎任何现实世界的物体都可以使用CAVRB转换成VR对象,如人脸、人体、建筑物、树木、花园、汽车、机器部件、地质地形、房间内部、家具等。

    优点包括:(1)易于使用。该系统不需要用户提供物体的三维形状。(2)成本较低。该系统使用商用CCD视频或静止摄像机拍摄的图像,而不是昂贵的计算机辅助设计系统或激光扫描仪。这两种方法都需要专家操作,而且激光扫描仪的适用性有限。(3)现实的结果。直接从相机图像映射的纹理给人类观察者一个非常逼真的印象,因为人类视觉系统能够从阴影、高光、纹理和纹理变化中感知3-D形状和表面材料。(4)生成的VR对象真正具有可导航性和存储紧凑性。有些技术要求每个热点(观看位置)有多个视图,用户将这些图像拼接到每个热点的全景屏幕上。观察者只能通过从一个热点跳到下一个热点来观察物体,但不能在任何两个热点之间或以外进行观察。 Such a hot-spot-based representation is redundant for those surface patches that are visible from more than one hot spot.
    • 用于建造模型的八张照片之一
    • 重建三维模型的快照