视频
加载播放器…
  • 提供配置文件
  • 布朗机器人小组致力于实现机器人和自主系统，这些机器人和自主系统是追求人类努力的有效合作者。为此，我们探索了人机交互、机器人学习、机器人感知、自主控制、灵巧操作和游戏开发方面的问题。我们对这些问题的解决方案的应用包括人机团队、类人机器人、机器人足球和神经假肢。
产品组合

  • 项目

    • 概率运动跟踪的物理模拟

    • 我们探索了在贝叶斯滤波框架内，从单目和多视图视频序列中使用全身3D物理模拟进行人体运动学跟踪。为了更大的物理合理性，我们认为人类的运动是由一个“反馈控制回路”产生的，在这个回路中，牛顿物理学通过力的应用和整合，近似于人类和环境的刚体运动动力学。其结果是对人与环境之间的相互作用(如碰撞和人类运动控制引起的地面接触)进行了更真实的建模。

    • 多机器人马尔可夫随机场

    • 我们探索了马尔可夫随机场(MRFs)作为一种概率数学模型，用于统一多机器人协调方法，或者更具体地说，分布式动作选择。我们描述了现有的多机器人协调方法如何适合基于mrf的模型，以及它们如何在概念上统一。此外，我们提供了多机器人MRF上的信念传播作为分布式机器人动作选择的替代方法。

    • 从示范学习机器人足球

    • 我们寻求使用户能够教个人机器人执行任意任务，让机器人在没有明确编程的情况下更好地满足用户的需求。机器人从演示中学习是一种非常适合这种范式的方法，因为机器人通过观察任务本身来学习新环境中的新任务。目前许多机器人学习算法要求存在基本行为，这些行为可以组合起来执行预期的任务。然而，长期存在于世界上的机器人可能会耗尽这个基础集。特别是，机器人可能会被要求执行一项未知的任务，而其内置的行为可能并不合适。

    • 操作的稀疏控制

    • 由于需要指定的变量数量太多，人类对高自由度机器人系统的控制通常很困难。相反，我们建议使用嵌入在机器人系统姿态空间中的稀疏子空间。在人类运动的驱动下，我们通过发现二维子空间来解决这个稀疏控制问题，这些子空间允许光标控制，或最终解码神经活动，以驱动机械手。考虑到以往工作中与姿态图构建和运动捕获中的噪声相关的问题，我们引入了一种用于将手部运动嵌入二维空间的邻域图去噪的方法。这种空间允许使用2D界面控制高dof系统，例如通过鼠标控制光标或解码神经活动。我们给出的结果证明了我们的交互式稀疏控制方法，成功地利用13自由度机械手进行力量抓取和精确抓取。

    • 操纵阀组

    • 我们探索了多种学习技术的使用，以揭示来自遥操作类人操作任务的感觉运动时间序列中的结构。NASA的人形机器人Robonaut的数据是在通过四项工具操作任务进行远程操作时记录的。我们展示了一种算法，时空等距地图，能够发现其他降维技术(主成分分析，多维尺度和等距地图)难以发现的行为结构。

    • 交互式机器人人体姿态和动作识别

    • 目前，现实世界的人类表现和社会互动机器人的决策之间存在着分歧。具体来说，机器人的决策需要有关于人类合作者决策的信息。这种情况的部分原因是很难从机器人感知中估计人类的线索，如姿势和手势。为了跨越这一界限，我们提出了一种通过使用动态人体运动词汇表从单目机器人视觉中进行运动学姿态估计和动作识别的方法。

    • 基于草图的网格动画

    • 我们提出了一种通过2D草图界面来表达和放置网格，特别是面部网格的方法。该方法通过参考曲线和目标曲线的推断，建立了三维网格和二维草图之间的接口。参考曲线允许用户选择网格上的特征，并对其进行操作以匹配目标曲线。我们的清晰度系统使用这些曲线来指定角色钻机的变形，形成网格姿势的坐标空间。给定这样的坐标空间，我们的摆姿系统使用参考曲线和目标曲线来找到网格相对于草图输入的最佳姿态。我们展示的结果证明了我们的网格清晰度方法的有效性，网格姿势与在Maya和基于草图的系统中生成的清晰度，以及使用视频中的人体特征的网格动画。通过我们的方法，我们的目标是为更有经验的用户提供新手可访问的关节和提出网格接口，以及复杂变形的快速原型。

    • 类人类世界空间运动控制

    • 动态动作捕捉(Dynamo)是一种在动态虚拟世界中控制动画角色的方法。利用现有的方法，角色同时进行物理模拟，并被驱动执行运动学运动(来自动作捕捉或其他来源)。连续模拟让角色之间的互动比布娃娃模拟和纯动作捕捉之间交替的方法更真实。

      发电机的新贡献是增加稳定性的世界空间扭矩和合理平衡的弱根弹簧。将关节目标角度从传统的父-骨坐标系提升到世界-空间坐标系，可以使角色对动态交互具有鲁棒性。它还在运动之间产生了物理上合理的过渡，而没有明确的混合……

    • SmURV机器人平台

    • SmURV平台(小型通用机器人车辆)是一种相对便宜且易于组装的机器人平台，用于教育、研究和业余爱好。从本质上讲，这个平台由一个iRobot Create和一个安装在上面的小型计算机组成。由于这种非常简单的设计，使用任何大型电子商店都可以买到的组件，我们能够在很短的时间内构建一个自主机器人，并可以专注于真正有趣的部分:即，让机器人做一些令人兴奋的事情!在下面的段落中，我们将展示构建SmURV需要哪些部件，它们大约需要多少成本以及如何组装。此外，我们还提供了一种特定的(在许多可能的)软件解决方案来控制SmURV并为其编写软件。

    • 机器人学习与游戏

    • 为了实现机器人从演示开始的无障碍教学，我们开发了一个混合现实分布式多人机器人游戏环境。我们的目标是为机器人学习研究人员提供一种收集代表人类决策的大型语料库的方法。机器人由操作员(或远程操作)控制在视频游戏风格的界面上，以利用游戏的普遍性和流行度，同时最大限度地减少机器人训练的单调性。

    • 在机器人传感器数据中发现类别

    • 我们通过从机器人传感器数据中派生类别的数据驱动方法来解决机器人感知的符号接地问题。不同于基于模型的方法，在传感器读数和环境特征(角落、门等)之间寻求人类直觉的对应关系，我们的方法从原始数据本身学习内在类别(或自然类别)。我们使用Isomap非线性降维近似多个底层传感器数据，并应用贝叶斯聚类(高斯混合模型)与模型识别技术来发现类别(或种类)。我们通过在不同的室内和室外环境中使用不同传感器模式的试验中学习感官种类来演示我们的方法。然后使用学习的种类来分类新的传感器数据(样本外读数)。我们提出的结果表明，在非线性低维嵌入中使用混合模型对传感器数据进行分类时具有更大的一致性。