布朗大学
视频播放
加载播放器
  • 提供配置文件
  • 布朗机器人集团努力实现机器人和自主系统,它们是有效协作者追求人类事业面向此目的,我们探索人机器人交互作用、机器人学习、机器人感知、自主控制、模范操纵和游戏开发问题人类机器人队 人形机器人队 机器人足球队 神经假肢等应用
产品组合

  • 项目

    • 物理模拟概率运动跟踪

    • 全体三维物理模拟用法探索贝叶斯滤波框架内单目多视图视频序列提高物理可行性, 我们认为人运动由 牛顿物理近似硬体运动动态结果是更忠实地建模人环境交互作用,如地面接触,由碰撞和人机控制产生

    • 多机器人Markov随机场

    • 探索Markov随机字段作为一种概率数学模型,以统一多机器人协调方法或更具体地说分布式动作选择方法我们描述多机器人协调现有方法如何适应基于管理成果框架模型,并描述这些方法在概念上如何统一并用多机器人MRF传播信教 替代分布式机器人动作选择

    • 学习机器人足球演示

    • 用户教个人机器人任意任务 允许机器人更好地服务用户需求 而不清晰编程机器人从演示中学习完全适合这一范式,因为机器人从任务本身观察新环境学习新任务当前许多机器人学习算法需要基本行为的存在,这些基本行为可合并执行期望任务机器人存在时间跨度可能耗尽此基础集具体地说,机器人可能被请求执行未知任务,而其行为构造可能不合适

    • 稀疏操作控制

    • 人对高自由机器人系统控制往往比较困难,因为多变量需要具体说明反之,我们建议使用嵌入机器人系统布局空间的稀疏子空间受人运动驱动,我们通过发现二维子空间解决稀疏控制问题,允许光标控制或最终解码神经活动驱动机器人手计及先前工作与阵容图构造和运动抓取噪声有关的问题, 我们引入方法去噪邻图嵌入二维空间空间允许使用二维界面控制高DOF系统,如光标控制鼠标或神经活动解码显示结果显示我们对交互稀疏控制方法使用13DOF机器人成功抓取和精度抓取

    • 操作处理

    • 我们探索使用多学习技巧发现感官时间序列结构 从远程操作人形操作任务Robonaut数据 NASA人形机器人记录 时它正在远程操作 通过四种工具操作任务显示一种算法Spatio-TemporIsomap能发现行为结构,而用其他维化技术(主构分析、多维分量化和Isomap)很难找到行为结构

    • humanPose与Action识别交互机器人

    • 现实世界人类性能与社会交互机器人决策划分具体地说,机器人决策需要信息 关于人际协作者决策出现这种情况的部分原因是难以估计机器人感知人的提示物,例如姿势和手势通向跨分数时, 我们通过动态人运动词汇表使用单目机器人视觉显示运动估计和动作识别法

    • 线性网状动画

    • 显示并搭建模片法 特别是面部片段 通过二维画像接口方法搭建三维模和二维画像界面 并推导引用与目标曲线引用曲线允许用户选择网格特征并操作与目标曲线匹配表达系统使用这些曲线说明字符机变形,形成网状布局坐标空间容下坐标空间 系统搭建使用参考值目标曲线 寻找网格最优配置图文输入并用视频人文特征编程动画通过我们的方法,我们的目标是为经验更丰富的用户提供新通路并搭建网状接口和快速复杂变形原型

    • 世界人文空间运动控制

    • Dynamot抓取法 控制动态虚拟世界动画字符使用现有方法时,字符同时模拟并驱动执行运动(来自mocap或其他来源)。连续模拟允许字符比方法更现实地交互 rashdell模拟和纯运动捕捉

      Dynamo新创贡献世界空间托盘增强稳定并弱根源实现似然平衡从传统父骨参考框架向世界空间参考框架推广联合目标角允许字符设置并保持强健动态交互并产生物理似然转换 运动而不显式混合

    • smurV机器人平台

    • SmURV平台相对廉价易编译机器人平台用于教育、研究和兴趣平台基本由iRobotCreate和小计算机组成由于设计非常简单,使用大型电子存储机可用组件,我们能够在极短时间内搭建自主机器人并专注于真正有趣的部分:即,让机器人做点刺激事下段显示构件SmURV需要哪些部件,约需多少费用以及如何组装并提供一种软件求解方法 控制smurv并写软件

    • 机器人学习博弈

    • 面向从演示向机器人提供无障碍教程,我们开发出混合现实分布多功能机器人博弈环境我们的目标是向机器人学习研究者提供收集大型数据公司代表人类决策的手段由运算符控制机器人(或远程操作)投送游戏风格接口,以利用游戏的广度和广度,同时在机器人训练中最小化

    • 发现机器人传感器数据分类

    • 通过数据驱动方法从机器人传感器数据衍生类别解决符号定位问题与模型法不同,在传感器读物和特征环境(corners、门等)间求取人直觉对应物时,我们的方法从原始数据本身学习固有类别(或自然类型)。使用Isomap非线性维化并应用Bayesian聚类(Gausian混合模型)和模型识别技术发现类别(或种类)我们通过学习感知类型展示方法 各种室内室外环境实验 不同感知模式知识类再用新传感器数据分类(样本外读取)。显示传感器数据分类一致性 使用非线性低维嵌入式混合模型