视频
加载播放器…
  • 提供配置文件
  • 我们的工作是计算性的，因为我们开发了具有可证明属性的新算法和软件架构。我们专注于基础研究，从而产生可以在真实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，因为我们开发了具有可证明属性的新算法和软件架构。我们专注于基础研究，从而产生可以在真实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?
    • 异构实体如何共享能力以完成协作任务?
    • 分布式智能系统如何学习，从而随着时间的推移提高性能，或者识别和管理故障或异常情况?

  • 移动与传感器网络中的分布式建模与异常检测

  • 在这个项目中，我们正在使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异常检测的算法。分布式系统中的数据建模对于确定系统的“正常”操作模式至关重要。能够为典型操作建模预期的传感器特征极大地简化了人类设计师在新型传感器和移动机器人系统的实际应用中的工作;通过使系统能够自主地描述预期的传感器数据流，系统可以学习要监控的环境的重要特征。这反过来又允许系统执行自主异常检测，以识别检测到意外的传感器信号。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，例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，设计者不必预先描述异常签名的特征。相反，传感器节点和移动机器人系统可以自主学习这种特征，以便快速应用到新的领域。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

  • 我们开发了自动适应因果模型的学习技术，用于复杂的多机器人团队的故障诊断和恢复。我们相信因果模型方法对于预测和从许多类型的机器人团队错误中恢复是有效的。我们已经实现了因果模型在复杂的多机器人团队中的第一个完整应用。然而，由于在复杂的多机器人应用中存在大量可能的故障模式，并且难以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，需要一种自适应方法，使机器人团队能够利用其经验来更新和扩展其因果模型，使团队能够随着时间的推移，在故障发生时更好地恢复。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)，使机器人团队成员能够适应他们的因果模型，使他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他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，我们还在开发衡量多机器人团队容错能力的指标。

      • 在多机器人团队中使用ASyMTRe的建构主义学习

      • 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高效的技术，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。目前机器人中的建构主义学习方法在现有的低级机器人动作和期望的行为之间找到相关性。然而，由于这些现有的方法都是从非常低水平的动作抽象开始的，因此它们的计算量非常大。我们新的建构主义学习方法开始于一个更高的抽象层次——感觉-运动模式——这应该能使学习的计算效率更高。我们的方法建立在我们之前的工作基础上，称为ASyMTRe，它通过自动结合感觉-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”为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，从而极大地促进了它们在实际应用中的使用，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，包括人形机器人和服务机器人，从而对整个机器人领域产生更广泛的影响。

      • 基于自动任务解决方案综合(ASyMTRe)的联合多机器人团队

      • 该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。以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(同时可能自动化由谁执行哪个任务)，与此相反，我们的方法自动化了如何和谁来生成任务解决方案方法，这些方法不是由设计师事先明确定义的。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，以综合有效和高效的多机器人行为，以实现团队目标。

        我们开发了一种集中式的随时ASyMTRe配置算法，证明了该配置算法的正确性，并正式解决了完整性和最优性问题。此外，我们还开发了ASyMTRe的分布式版本，称为ASyMTRe- d，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场景:多机器人运输和多机器人推箱，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sretred实现，并展示了与集中式方法相比，该版本是如何在解决方案质量和鲁棒性之间进行权衡的。这种新方法的优点是:(1)使机器人团队能够综合新的任务解决方案，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)提供了一种通用机制，用于在联网的机器人之间共享感官信息，以便能力较强的机器人可以帮助能力较弱的机器人完成其目标。

          • 异构机器人团队中的自主辅助导航

          • 本研究旨在发展异质机器人团队中紧密耦合合作的自主行为，尤其针对导航辅助任务。这些合作行为使有能力的、传感器丰富的“领导者”机器人能够协助传感器有限(“简单”)的机器人导航，这些机器人没有机载障碍躲避或定位能力，只有最低限度的亲属识别能力。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踪、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，我们认为实现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。该方法假定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。基于声量的局部极大值，将目标定位在传感器网络中。当前目标定位信息被报告给拦截机器人，拦截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，这是第一个多机器人系统的实现，该系统结合了声学传感器网用于目标检测和拦截机器人，可以在室内环境中有效地到达被检测目标的移动位置。

              • 搜索应用的异构群机器人

              • DARPA项目的目标是展示大量(100+)物理异构机器人合作解决室内搜索应用。这个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作控制算法，使该机器人团队能够探索未知的建筑物(一层)，找到感兴趣的对象，并在24小时内“保护”感兴趣的对象，并在必要时自主返回充电。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

                  • DARPA该项目的目标是分析现有基于群体的机器人搜索应用方法的理论和实践能力和局限性。在这种情况下，搜索应用程序包括最广泛的室内和室外搜索方法，以及实用和理想的搜索环境。搜索可以包括探索多个对象或一个对象，确定对象的位置或不在位置，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，并记录和编目与每种方法相关的方法、所需资源、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)。将分析传感器能力的假设及其对行为的影响等问题。将确定通信需求，以及算法对通信可用性退化的敏感性。将开发对实际权衡空间的理解，包括各种故障点的影响。


                    该项目开始于对现有的蜂群方法搜索应用技术进行详尽的文献搜索。定义了这些算法的权衡空间及其对实际军事应用的适用性的关键问题。这种权衡空间最初是基于对现有蜂群技术的粗略分析来定义的。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目录及其功能、假设、需求和限制。本项目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，哪些应用需要在群体机器人中进一步研究和开发。