视频
载入播放器…
  • 提供配置文件
  • 布朗机器人集团致力于实现机器人和自主系统的有效合作，以追求人类的努力。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等方面的问题。我们对这些问题的解决方案的应用包括人-机器人团队、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下使用全身三维物理模拟从单眼和多视角视频序列进行人体运动学跟踪。为了获得更大的物理合理性，我们认为人类的运动是由一个“反馈控制回路”产生的，在这里，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造成的地面接触，进行更可靠的建模。

    • 多机器人马尔可夫随机场

    • 我们将马尔可夫随机场(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。进一步，我们提出了基于多机器人MRF的信念传播作为分布式机器人动作选择的替代方法。

    • 从演示学习机器人足球

    • 我们寻求让用户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都需要基本行为的存在，这些行为可以组合起来执行所需的任务。然而，在世界上长期存在的机器人可能会耗尽这个基础集。特别是，机器人可能被要求执行一项未知的任务，它的内置行为可能不适合。

    • 操作稀疏控制

    • 由于需要指定的变量太多，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，我们通过揭示二维子空间来解决这个稀疏控制问题，该空间允许光标控制，或最终解码神经活动，以驱动机械手。考虑到以往工作中在姿态图构建和运动捕获中存在的噪声问题，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方法。这样的空间允许使用二维界面(如通过鼠标控制光标或解码神经活动)控制高自由度系统。我们展示了我们的交互式稀疏控制方法，以成功地抓取13自由度的机器人手和精确抓取。

    • 操纵阀组

    • 我们探索使用多种学习技术来揭示从远程操作的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在进行四项工具操作任务的远程操作时记录了数据。我们展示了一种算法，时空异构图，能够发现其他降维技术(主成分分析、多维标度和异构图)难以发现的行为结构。

    • 交互式机器人的人体姿态与动作识别

    • 目前，在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其人类合作者决策的信息。这种情况部分是由于从机器人感知中估计人类的暗示，如姿势和手势的难度。为了跨越这一界限，我们提出了一种利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。

    • Sketch-based网格动画

    • 我们提出了一种方法，通过二维草图界面，连接和提出网格，特别是面部网格。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。我们的关节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输入草图的最佳姿态。我们展示了我们的网格拼接方法的有效性，在Maya和基于草图的系统中生成的网格拼接，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初学者可访问的关节和提出网格接口和复杂变形的快速原型。

    • 人形物体的世界空间运动控制

    • 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，角色将同时进行物理模拟并执行运动学运动(来自动作捕捉或其他来源)。与布娃娃模拟和纯动作捕捉交替使用的方法相比，连续模拟使角色之间的互动更加真实。

      发电机的新贡献是世界空间扭矩增加稳定性和一个弱根弹簧似乎平衡。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的姿态具有鲁棒性。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)是一个相对便宜和容易组装的机器人平台，用于教育，研究和爱好的目的。从本质上说，这个平台由一个iRobot Create和安装在它上面的一台小型计算机组成。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!在接下来的段落中，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，我们提供了一个特定的(从许多可能的)软件解决方案来控制SmURV和为它编写软件。

    • 机器人学习与游戏

    • 为了实现从演示到机器人教学的可访问性，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方法，以收集代表人类决策的大型语料库。机器人由操作员(或远程操作)控制在电子游戏风格的界面中，以利用游戏的普遍性和普及性，同时最小化机器人训练的单调乏味。

    • 在机器人传感器数据中发现类别

    • 我们通过一种数据驱动的方法从机器人传感器数据中导出类别，解决了机器人感知的符号接地问题。与基于模型的方法不同，我们的方法是从原始数据本身学习内在类别(或自然类别)，而基于模型的方法是寻找传感器读数和环境特征(角落、门等)之间的人类直觉对应关系。我们使用Isomap非线性降维方法对传感器数据进行近似，并应用贝叶斯聚类(高斯混合模型)和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和不同的传感器模式的试验中学习感官种类来演示我们的方法。学习到的类型然后用于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分类传感器数据有更大的一致性。