视频
载入播放器…
  • 提供配置文件
  • 我们的工作是计算性的，因为我们开发了新的算法和具有可证明属性的软件架构。我们专注于基础研究，从而产生可以在真正的机器人或传感器网络硬件上演示的基本新概念。
产品组合

  • 研究项目

  • 我们的工作是计算性的，因为我们开发了新的算法和具有可证明属性的软件架构。我们专注于基础研究，从而产生可以在真正的机器人或传感器网络硬件上演示的基本新概念。

    我们研究的具体问题包括:
    • 如何通过只有局部信息的分布式智能实体的动态交互生成全局一致的解决方案?
    • 异构实体如何共享功能来完成协作任务?
    • 分布式智能系统如何学习，从而随着时间的推移提高其性能，或者识别和管理故障或异常情况?

  • 移动和传感器网络中的分布式建模与异常检测

  • 在这个项目中，我们正在利用机器学习技术开发分布式传感器数据建模和传感器网络系统和自主移动机器人的异常检测算法。分布式系统中的数据建模对于确定系统的“正常”运行模式至关重要。在新型传感器和移动机器人系统的实际应用中，能够为典型操作建模预期的传感器特征大大简化了人类设计师的工作;通过使系统能够自主地描述预期的传感器数据流，系统可以了解要监视的环境的重要特征。这进而允许系统执行自主异常检测，以识别检测到的意外传感器信号。这种类型的分布式传感器建模和异常检测可用于广泛的传感器网络和移动机器人应用，如检测入侵者的存在、检测传感器故障、检测异常的人体运动模式、检测意外的化学特征，等等。这种方法的优点是，人工设计人员不必预先描述异常签名。相反，传感器节点和移动机器人系统可以自主学习这种特性，以便快速应用到新领域。我们的工作集中在这些问题的研究方面。正在开发的技术采用分布式统计机器学习方法进行传感器数据建模和异常检测。 The algorithms are being designed, developed, evaluated, and validated experimentally in laboratory application scenarios, such as intruder detection, or environmental coverage and exploration.

  • 多机器人团队故障诊断与恢复的自适应因果模型

  • 在复杂的多机器人团队中，我们开发了自动适应因果模型的学习技术，用于故障诊断和恢复。我们相信因果模型方法对于预测和从多种类型的机器人团队错误中恢复是有效的。我们实现了因果模型在复杂的多机器人团队中的第一个全面应用。然而，由于复杂的多机器人应用程序中存在大量可能的故障模式，并且很难提前预测所有可能的故障，我们的经验结果表明，不能保证生成一个完整的先验因果模型，该模型可以识别并指定系统中可能发生的所有故障。

    相反，需要一种自适应的方法，使机器人团队能够利用其经验更新和扩展其因果模型，以便随着时间的推移，在故障发生时更好地从故障中恢复过来。我们正在开发一种基于案例的学习方法，称为LeaF(基于学习的故障诊断)，它使机器人团队成员能够适应他们的因果模型，使它们能够从任务中遇到的故障中学习，并随着时间的推移提高它们诊断和从这些故障中恢复的能力。作为这个项目的一部分，我们也在开发用于测量多机器人团队的容错能力的指标。

      • 基于ASyMTRe的多机器人团队建构学习

      • 建构主义学习是在已有经验的基础上主动学习新技能的过程。该研究项目通过开发新的、计算效率高的技术，使机器人团队成员随着时间的推移不断提高他们的技能，扩展了多机器人团队中建构主义学习的艺术状态。目前的机器人建构主义学习方法是在现有的低级机器人动作和期望行为之间寻找相关性。然而，由于这些现有的方法从如此低的动作抽象级别开始，它们的计算非常密集。我们新的建构主义学习方法从一个更高层次的抽象开始——感觉-运动模式——这应该能使学习在计算上更有效。我们的方法建立在我们之前的工作之上，称为ASyMTRe，它通过自动组合感觉-运动模式构建块来形成多机器人联盟，以解决手头的任务。这项工作增加了一个重要的学习组件，允许机器人团队成员通过将现有的低级模式构建块“分块”成高效的高级任务解决方案来不断提高他们的技能。这种新方法将为多机器人团队提供重要的新的终身学习能力，从而显著促进它们在现实应用中的使用，如搜索和救援、安全、采矿、危险废物清理、工业和家庭维护、自动化制造和建筑。我们还打算表明，所提出的技术也适用于其他类型的机器人系统，包括人形和服务机器人，从而对整个机器人领域产生更广泛的影响。

      • 基于自动化任务解决方案综合的多机器人联合组队

      • 本项目涉及为异构多机器人团队自动合成任务解决方案的方法开发。与之前的方法不同，之前的方法需要手动预先定义机器人团队将如何完成其任务(同时可能自动化谁执行哪项任务)，我们的方法自动化如何和谁生成任务解决方案方法，这些方法没有由设计师事先明确定义。我们的方法，我们称之为ASyMTRe，是受信息不变量理论的启发。ASyMTRe基于将环境、感知和运动控制模式映射到通过多机器人系统所需的信息流，自动重新配置机器人内部和跨机器人的模式连接，以合成有效和高效的多机器人行为，以完成团队目标。

        我们开发了一个集中式的随时不对称配置算法，证明了该配置算法是正确的，并正式解决了完整性和最优性问题。此外，我们还开发了一个名为ASyMTRe- d的分布式版本，它使用多机器人通信来实现分布式团队。通过将ASyMTRe方法应用于两个不同的团队合作场景:多机器人运输和多机器人推箱子，我们验证了集中式方法。我们正在多机器人运输任务中验证分布式非对称- d实现，并展示了与集中式方法相比，该版本如何在解决方案质量和鲁棒性之间进行权衡。这种联合团队的新方法的优点是:(1)使机器人团队能够合成新的任务解决方案，针对不同的团队组成使用从根本上不同的机器人行为组合。(2)提供了一个在网络机器人之间共享感官信息的通用机制，这样能力更强的机器人可以帮助能力较弱的机器人完成他们的目标。

          • 异构机器人团队的自主辅助导航

          • 本研究旨在研究异质机器人团队紧密耦合合作的自主行为，特别是针对导航辅助任务。这些合作行为使有能力的、传感器丰富的“领导者”机器人能够帮助传感器有限(“简单”)的机器人导航，这些机器人没有障碍物规避或定位的机载能力，只有最小的亲属识别能力。由于资源受限机器人的导航限制，它们无法自主分散自己或独立移动到计划的传感器部署位置。为了应对这一挑战，我们为异构机器人开发了合作行为，通过更有能力的领导者机器人的协助，使传感器受限的机器人能够成功部署。这些异构的协作行为相当复杂，涉及多个行为组件的组合，包括基于视觉的标记检测、自主远程操作、机器人链中的颜色标记跟随、基于激光的定位、基于地图的路径规划和自组织移动网络。我们已经在物理机器人上的大量测试中验证了我们的方法。据我们所知，这是迄今为止在物理机器人上尝试过的最复杂的异构机器人团队合作任务。考虑到整个异构系统的复杂性，我们认为达到如此高的系统有效性是一个重大的成功。

          • 分布式移动声传感器网络

          • 本研究的重点是分布式移动声传感器网络的开发和部署。该方法假设室内环境已经被预先映射，并且传感器节点知道它们在地图中的位置。目标在传感器网络中的定位是基于局部最大的声波音量。当前目标定位信息报告给拦截器机器人，该机器人利用双波前路径规划器从当前位置移动到目标可见范围内的位置。这种方法已经在物理机器人上进行了严格的测试。据我们所知，这是首个多机器人系统的实现，该系统结合了用于目标检测的声学传感器网和可以有效到达室内环境中被检测目标的移动位置的拦截机器人。

              • 搜索应用的异构群机器人

              • 这个DARPA项目的目标是演示大量(100多个)物理异构机器人合作解决室内搜索应用。该项目是科学应用国际公司(SAIC)、田纳西大学、Telcordia技术公司和南加州大学的共同努力。该项目开发并利用了许多新颖的协同控制算法，使这个机器人团队能够探索未知的建筑(一层)，找到感兴趣的物体，并在24小时内“保护”感兴趣的物体，在必要时自动返回充电。机器人的所有动作都是高度自主的，并由一名操作员在大楼入口处使用复杂的用户界面进行监控。

                  • 分布式行为目录和评估

                  • 这个DARPA项目的目标是分析现有的机器人搜索应用的基于群体的方法的理论和实践能力和局限性。在这种情况下，搜索应用程序包括各种各样的室内和室外搜索方法，以及实际和理想的搜索环境。搜索可以包括探索多个对象或一个对象，确定对象的位置或位置，确定搜索的准确性概率，等等。目的是发展对已经开发的算法和技术的广泛理解，并记录和分类与每种方法相关的方法、所需的资源、假设和评估技术。重点是各种方法的具体细节，使它们对机器人在军事领域的应用有用(或可能不切实际)。诸如传感器能力的假设及其对行为的影响等问题将被分析。通信需求将被确定，以及算法对通信可用性退化的敏感性。将发展对实际权衡空间的理解，包括各种故障点的影响。


                    这个项目开始于对现有的蜂群搜索应用技术的详尽文献搜索。定义了这些算法的权衡空间及其在实际军事应用中的适用性的关键问题。这种折衷空间最初是在对现有的群集技术进行粗略分析的基础上定义的。然后，对这些方法进行了详细的分析，形成了一个广泛的群技术及其能力、假设、需求和限制的目录。该项目对技术的理论分析和编目将用于确定哪些搜索的实际军事应用(如羽流跟踪或排雷)可以用现有技术解决，哪些应用需要在群机器人技术中进一步研究和发展。