导航 : EXPO21XX> 机器人21XX> H21:人形 Androids研究南加利福尼亚大学
南加利福尼亚大学
视频播放
加载播放器
  • 提供配置文件

  • 计算学习机控实验室研究焦点领域为感官控制学习神经计算神经计算尝试将生物知识与物理和工程知识相结合,以发展对复杂系统信息处理的更基础和正式理解

产品组合

  • 统计学习

  • 可缩放机器人统计学习

    对监督学习方法感兴趣 实现非线性坐标变换 并实现强健内部模型

    我们的重点是开发复杂运动系统新学习算法,学习可逐步展开(即:顺序提供数据点)使用贝叶斯方法图形模型, 我们的目标是创建算法快速、稳健并基于坚实统计基础, 但仍可伸展至极高维

    近期工作包括贝叶斯回装适向量机和一相关变方(应用到环管组活动预测中)。都生成高效计算解决方案并提供特征检测和自动关联性判定等属性扩展版算法图形模型提供贝叶斯因子分析回归模型进行噪声清理高超化性能大有提高,我们机器人平台参数识别任务就证明了这一点。

  • 强化学习

  • 可缩放机器人统计学习

    对监督学习方法感兴趣 实现非线性坐标变换 并实现强健内部模型

    我们的重点是开发复杂运动系统新学习算法,学习可逐步展开(即:顺序提供数据点)使用贝叶斯方法图形模型, 我们的目标是创建算法快速、稳健并基于坚实统计基础, 但仍可伸展至极高维

    近期工作包括贝叶斯回装适向量机和一相关变方(应用到环管组活动预测中)。都生成高效计算解决方案并提供特征检测和自动关联性判定等属性扩展版算法图形模型提供贝叶斯因子分析回归模型进行噪声清理高超化性能大有提高,我们机器人平台参数识别任务就证明了这一点。

    • .机器人计算机控

    • 受监督期间统计学习技术大有模型应用仿学并不足以解决所有运动学习问题,特别是当没有专家教师或理想化理想行为可用时。机器人和理解人机控制需要奖赏(或代价)自提升开发高效增强学习方法对运动控制学习成功至关重要
      高维空间强化学习,如操作器人形机器人极难完全探索基础状态空间是不可能的,很少现有技术尺度进入此域
      人也从不需要如此深入探索学习新运动技巧,更多技术术语:第一,通过仿真获取控制策略,然后使用强化学习提高关键是只应用局部政策搜索技术,例如策略梯度方法,因为快速改变策略会导致完全不学习策略,并可能导致不稳定控制策略,可能损害机器人
      向机器人学习和计算电机控制,我们开发出各种新颖增强学习算法,如自然作用者-批评学和自然作用者-批评算法这些方法特别适合基于政策运动原语并应用运动技巧学习人形机器人并腿起步.

  • 仿真学习

  • 可缩放机器人统计学习

    对监督学习方法感兴趣 实现非线性坐标变换 并实现强健内部模型

    我们的重点是开发复杂运动系统新学习算法,学习可逐步展开(即:顺序提供数据点)使用贝叶斯方法图形模型, 我们的目标是创建算法快速、稳健并基于坚实统计基础, 但仍可伸展至极高维

    近期工作包括贝叶斯回装适向量机和一相关变方(应用到环管组活动预测中)。都生成高效计算解决方案并提供特征检测和自动关联性判定等属性扩展版算法图形模型提供贝叶斯因子分析回归模型进行噪声清理高超化性能大有提高,我们机器人平台参数识别任务就证明了这一点。
    • 人类和许多动物不单通过试错学习任务取知识处理问题 从观察其他人执行相似任务从计算运动控制角度讲,从演示中学习是一个高度复杂问题,需要映射外部(世界)坐标框架所显示的动作,并编成全然不同的内部参照框架以激活monteurons并随后生成肌肉行为神经科学最近的工作显示,灵长类前皮层中有一些专业神经元(“虚元神经元”),这些神经元似乎是感知运动和生成运动之间的界面,即当向灵长类显示特定运动时这些神经元极有选择地点火,同时当灵长类本身执行运动时也是如此。模拟人类研究证实了这些结果的有效性研究从演示中学习为未来自主机器人提供巨大潜力,但也为医学和临床研究提供巨大潜力如果我们能开始教机器显示, 我们与机器的互动会变得更自然机器若能理解人运动,也可以在复健中使用,个人教程旁观病人并提供新剖析方法提高机能减退最后,从演示中学习对生物运动控件的洞察力可帮助搭建自适应假肢装置,教它提高假肢性能
      几个项目中,我们开始学习从学习理论的透视点学习我们的工作假设 感知运动映射 有限运动集原语这一过程可在竞争性学习框架内制定。每一种运动原生预测感知运动结果并试图调整参数实现更好的预测,直到确定优胜者人类变形机器人初步研究中 我们展示出方法的可行性尽管如此,未来研究仍有许多未解决问题协作者日本实验室 并尝试开发理论 小贝鲁姆如何 参与学习运动原语未来研究中,我们将使用上方人形机器人学习从人形环境示范学习

  • 汽车原创

  • 可缩放机器人统计学习

    对监督学习方法感兴趣 实现非线性坐标变换 并实现强健内部模型

    我们的重点是开发复杂运动系统新学习算法,学习可逐步展开(即:顺序提供数据点)使用贝叶斯方法图形模型, 我们的目标是创建算法快速、稳健并基于坚实统计基础, 但仍可伸展至极高维

    近期工作包括贝叶斯回装适向量机和一相关变方(应用到环管组活动预测中)。都生成高效计算解决方案并提供特征检测和自动关联性判定等属性扩展版算法图形模型提供贝叶斯因子分析回归模型进行噪声清理高超化性能大有提高,我们机器人平台参数识别任务就证明了这一点。
    • 运动协调需要某种形式的规划:每个自由度需要随时配配配适当的运动命令命令选择时必须实现期望任务,但也不得违反运动系统能力复杂运动系统多家DOF使用并随时间推移几乎无限多家DOF使用的可能性,因此实际上存在无限数项可能执行的任何任务。冗余是有利的,因为它允许运动系统避免发生状况,例如DOF运动范围饱和或障碍需要绕过以达标从学习角度讲,它也使寻找良好的运动计划变得相当复杂,因为状态空间遍历所有可能的计划,规模极大。令高维系统学习易行需要的是某种形式的附加约束,这些约束以合理方式减少状态空间而不消除好解决办法

      约束求解空间的经典方式是强制优化规划标准,例如要求系统在最小时间或最小耗能完成任务发现正确成本函数产生适当行为并非无关紧要因此,我们研究traecotry规划时一直注重一种替代方法限制运动规划,即要求运动建自运动原语将运动原语看成简单动态系统 产生离散或节奏运动启动运动只需要速度和振荡参数学习需求微调某些附加参数以改善运动这种方法使我们能够通过调整相对小的参数集学习运动当前我们正在探索如何用这些动态系统生成全体运动,如何用新增强学习法学习参数,以及如何排序并叠加原语实现复杂运动任务并思考我们开发模型如何比较生物行为 以找出原始生物系统使用运动

      生物感知还驱动着一个相关轨迹规划项目 由我们执行脑中常见特征是使用地形图作为感官信号基本反射可使用各种神经网络方法构建这些地图,例如Kohonen自组织地图或Martinetz的地形代表网络从统计观点看,地形图可被视为神经网络,执行概率密度估计并增加邻里关系知识密度估计器是极强工具,在不同坐标系间绘制地图,实现感知整合并成为其他学习系统基本表示器除这些属性外,地形图还可以生成轨迹图的空间计算法举例说,通过使用基于扩散路径规划算法,我们通过学习阻塞避免充气机器人臂展示了这种方法的可行性用地形图学习运动控制从生物角度也非常有趣,因为与视觉信息处理相比,地形图在运动控制中的实用性远非人们所理解。

  • 非线性控制

  • 迄今大多数非线性系统控制方法如人形机器人高度依赖手工高增益和/或精确硬体动态模型人形机器人需要低增益控制,以免破坏环境,并由于大规模非线性非模型化,学习动态模型将变得势在必行。近数十年来,我们开发出数种非线性控制新方法,目前将更详细地说明其中一些方法。

    • 操作空间控制

    • 多难机器人系统以及其他植物违抗从物理理解建模的任何尝试高增益控制因应用、守法要求或轻量低调电机使用而无法实现时,学习往往是唯一的选择实验中开发出各种学习自适应控制方法多数这些技术从测试机器人应用中学习极快优异人类建模

      受分析动态结果启发后,我们与协作者Firdaus Udwadia(航空航天机械工程部)一起引入新式控制架构架构允许从独有即时成本优化控制角度推导新老控制法(例如操作空间控制法)。我们目前正在努力泛泛化框架,使框架成为学习框架

      非线性控制技术解决操作空间任务实现问题,同时保持冗余自由度间协调:对高冗余机器人来说特别具有挑战性的问题,像人形.除研究7-DOF操作程序的传统和新冗余解决机制外,我们正在调查操作空间控制技术,以此作为重力中心定位平衡的一种手段腿平台.

  • 人形机器人学

  • 我们正在研究计算和生物理论 即人机控制真人机机器人中包括人工形臂、oclomotor系统,甚至全体人形机器人下图显示全人体图片

  • 双腿圈

  • 我们正在研究计算和生物理论 即人机控制真人机机器人中包括人工形臂、oclomotor系统,甚至全体人形机器人下图显示全人体图片
    • leged游动是最重要的问题之一 但也是最难控制的问题人形机器人当前方法无一完全解决它至今从人类和动物研究中可以明显看出,学习在平衡稳定化生物和步态生成生物两方面都起着重要作用。因此,它既是重要的应用问题,也是学习控制的基本问题。
      学习运动控制方法与我们学习控制工作高度交织先前开发的学习控制技术为我们提供了一个独特的框架并允许我们创建新的运动方法举个例子运动原语语法和脚定位可成为基本工具s类运动原语可混合学习仿学并增强学习.它们的执行和平衡机器人很难非线性控制问题可以通过少数控制法解决学习控制定律开发于实验室
      我们主要使用两种系统研究运动方式,即人形机器人计算脑CB和四重机器人小狗人形机器人CB是最先进人形机器人之一,使用液压驱动器驱动SARCOS公司开发后,它位于日本京都ATR协同设施并显示在上述图片中四重机器人小狗平台 学习运动由波士顿电工公司开发一小狗位于南加利福尼亚大学洛杉矶市右显示小狗项目于2005年秋季启动,是DARPA学习圈程序的一部分

  • 计算神经科学

  • 我们正在研究计算和生物理论 即人机控制真人机机器人中包括人工形臂、oclomotor系统,甚至全体人形机器人下图显示全人体图片

    • 分词音频运动交互

    • 力场实验是一种常用技术 用来判定电机规划、执行 和学习机制机器人manipulanda在这些实验中手或单关节应用受控外力/托盘,同时主体执行运动任务,如点对点达运动或连续模式然而,由于使用manipulanda机械约束,这些实验限于2DOF运动,侧重于肩和肘接头,因此不允许运动空间冗余通过使用7-DFexoskeleton实验平台,我们得以探索范围更广的各种运动,包括全三维空间任务与人体臂7-DF并用,并由于这些运动固有的冗余性,我们可以专门研究反运动和冗余解析问题,以控制人体臂

      双步目标偏移协议中,我们调查意外新目标如何改变当前离散运动文献中趣味观察有:运动初始方向、向第二个目标运动空间路径和第二运动速度放大实验数据显示,上述属性受运动反应时间和插图间距影响在当前研究中,我们使用DMP模拟大量文献目标切换实验数据并显示在线校正和观察目标切换现象可以通过改变持续DMP目标状态实现,而无需切换运动原语或重规划运动

      单项和二项联合实验中 离散和节奏运动先前单联运任务研究确定了两种度量交互:1)启动离散运动叠加持续节奏运动受特定相位窗口约束;2)持续节流运动中断离散启动过程,即相位重构我们研究的目标是确定交互发生在更高脑部(即规划)或下肌肉/侧面(即规划)或下肌肉/侧面(即执行级心理物理实验中,我们用Sensit记录联合角位置,同时执行有节奏和离散任务使用简化脊髓模型 研究离散和节奏运动