导航:EXPO21XX>机器人21 xx>H21:人形和机器人研究>德克萨斯大学奥斯汀分校
德克萨斯大学奥斯汀分校
  • 提供配置文件
  • 我是德克萨斯大学奥斯汀分校计算机科学系人工智能实验室学习代理研究小组(LARG)的创始人和主任。

    我在人工智能方面的主要研究兴趣是了解我们如何最好地创建完整的智能代理。我认为适应、交互和体现是这些代理的基本能力。因此，我的研究主要集中在机器学习、多主体系统和机器人。对我来说，最令人兴奋的研究课题是那些受到现实世界挑战启发的课题。我相信，完全成功的研究既包括精确、新颖的算法，也包括充分实现和严格评估的应用程序。
产品组合

  • 研究

  • 我的应用领域包括机器人足球、自主竞价代理、自动驾驶汽车、自主计算和社交代理。我的长期研究目标是创建完整的、健壮的、自主的代理，它可以学习在广泛的复杂动态环境中与其他智能代理交互。

  • 当前的项目

    • 强化学习

    • 实验室的很大一部分研究重点是开发新的强化学习算法，特别关注规模化的大规模应用。

    • 可替换主体系统

    • 该实验室的一个主要主题是研究独立自主代理(包括机器人)之间的相互作用，无论它们是队友、对手，还是两者都不是。我们对这一主题的一些研究有助于并利用博弈论。

    • 机器人足球

    • 整个实验室使用的主要应用领域之一是机器人足球，包括模拟和真实机器人。我们多次赢得机器人世界杯冠军。

    • 贸易代理

    • 另一个主要应用领域是自主交易代理，包括供应链管理、广告拍卖和机制设计。我们曾多次赢得贸易代理比赛。

    • 自治区交通管理

    • 我们引入了一种新颖、高效的多主体机制，用于未来的自动驾驶汽车在十字路口导航。

    • 自主驾驶

    • 我们有一辆全尺寸自动驾驶汽车，用来研究现实世界中的自动驾驶。

    • 通过评估强化(TAMER)手动教学代理

    • TAMER项目旨在创建一种可以由外行人通过积极和消极的反馈信号(类似于动物训练中的奖惩“塑造”)有效地教授行为的代理。

    • 机器人视觉

    • 我们开发了适用于移动机器人上物理世界实时视觉感知的算法。

  • 过去的项目

    • 转移学习

    • 我们已经开发出了将知识从先前学习的任务转移到类似但不同的新学习任务的算法。我们特别关注强化学习任务。

    • 学习机器人行走

    • 我们让Aibo机器人学会了比以前更快的走路速度。

    • 一般的游戏

    • 我们成功地参加了最初的几场游戏比赛。

    • 自主计算

    • 我们正在为计算机系统应用开发机器学习方法。

    • 社会代理

    • 我们在2007年RoboCup@Home竞赛中获得第二名。

    • 发展机器人技术

    • 我们已经为机器人开发了自动发现它们自己的传感器和执行器模型的方法。

    • 预测状态表示

    • 我们对完全通过预测一个智能体的未来感觉作为其可能行动的函数来表示其状态的文献做出了贡献。因此，它不需要对对象进行显式推理。

    • 分层学习

    • 我的博士论文介绍了一个通用的分层机器学习范式，通过它，复杂的任务可以通过几个相互作用的学习层来学习。

    • 规划

    • 我在读博士时的第一项研究是在经典人工智能规划领域。我们目前的一些研究属于现代计划和调度领域