导航 : EXPO21XX> 机器人21XX> H25:AIIT计算机视觉田纳西大学
田纳西大学
视频播放
加载播放器
  • 提供配置文件
  • 我们的工作是计算式的,因为我们开发新算法和软件架构,这些算法和体系都具有可验证性能。聚焦基础研究 产生基本新概念 并用实机或传感器网络硬件展示
产品组合

  • 研究项目

  • 我们的工作是计算式的,因为我们开发新算法和软件架构,这些算法和体系都具有可验证性能。聚焦基础研究 产生基本新概念 并用实机或传感器网络硬件展示

    我们研究的具体问题包括:
    • 如何通过分布式智能实体的动态交互产生全球一致性解决方案?
    • 多元实体如何分享完成协作任务的能力
    • 分布式智能系统如何学习并从而提高性能随时间推移或识别并管理故障或异常状况

  • 分布式建模和异常检测移动传感器网络

  • 开发分布式传感器数据建模算法 并用机器学习技术检测传感器网络系统 自主移动机器人分布式系统数据建模对判定系统正常运算模式至关重要能够模拟典型操作预期传感器签名大为简化人设计者实战应用新传感器和移动机器人系统的工作系统通过自主描述预期传感器数据流,可以学习环境重要特征监测转而允许系统自动机异常检测识别意外传感器信号分布式传感器建模和异常检测可用于各种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、检测异常人类运动模式、检测意外化学特征等这种方法的长处是人设计师不必事先描述异常签名特征传感器节点和移动机器人系统可自主学习特征描述,快速应用到新域我们的工作侧重于这些问题的研究方面开发中技术使用分布式统计机学习方法用于传感器数据建模和异常检测算法正在实验应用假设中设计、开发、评价验证,如入侵检测或环境覆盖和探索

  • 多机器人团队自适应故障诊断恢复模型

  • 开发学习技巧 自动适应因果模型 故障诊断恢复 复杂多机器人团队我们认为因果模型法有效预测并恢复多类型机器人团队错误第一批因果模型应用之一 应用到复杂多机器人团队然而,由于复杂多机器人应用中大量可能的故障模式以及难预告所有可能的故障,我们的经验结果显示,无法保证生成完全因果模型,识别并具体说明系统中可能出现的所有故障

    反之,需要适应方法使机器人团队能使用经验更新并扩展因果模型,使团队随着时间的推移更好地从故障发生时恢复我们正在开发基于案例学习方法LEAF(学习故障诊断),使机器人团队成员能够修改因果模型,使他们能够从任务期间遇到的故障中学习知识,并提高他们判断并恢复这些故障的能力。并开发计量多机器人团队容错度的度量

      • 多机器人团队使用AsyMTre学习

      • 建构学习进程基于以往经验积极学习新技能开发新的计算高效技术 使机器人团队成员能持续提高技能当前构造论机器人学习方法发现现有低级机器人动作和期望行为之间的相互关系但由于这些现有方法从低作用抽象开始,它们极富计算力新的构造学方法从更高层次抽象学入手-感官运动机程-这应该能提高计算效率学习方法基于我们先前的工作-AsyMTre-组成多机器人联盟-自动组合感知机型构件解决手头任务工作增加一个重要的学习构件 允许机器人团队成员持续提高技能 通过下沉式 现有低层次模式构件这一新方法将为多机器人团队提供重要的新终身学习能力,从而大大促进其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、工业和家居维护、自动化制造和建设并打算显示建议技术可适用于其他类型机器人系统,包括人形服务机器人系统,从而对整个机器人领域产生更广泛的影响

      • coalth多机器人团队化自动化任务求解合成

      • 这个项目处理开发方法自动合成多机器人团队任务解决方案前题方法需要人工预定义机器人团队如何完成任务(也许由谁执行哪个任务自动化),而前题方法则将生成任务求解方法的方式和对象自动化,这些方法没有先验设计者明确定义。方法即AsyMTre受信息变异论启发AsyMTre基础是映射环境、感知和运动控制模式,通过多机器人系统实现信息流需求,自动重新配置机器人内部和跨机器人关系图,合成有效多机器人行为实现团队目标

        并正式解决完整性和最优性问题并开发出分布式AsyMTre-D版AsyMTre-D使用多机器人通信实现分布式团队化通过应用ASyMTre方法验证集中式方法对两种不同的组合假设:多机器人交通和多机器人箱推送验证分布式AsyMTRe-D多机器人运输任务,并显示该版本如何平衡求解质量和强健性与集中化方法之比日新月编队方法的优点在于:(1) 允许机器人团队合成新任务解决方案,使用完全不同的机器人行为组合实现不同团队组成;(2) 提供共享网络机器人感知信息的一般机制,使能力强机器人帮助能力弱机器人实现目标

          • 异质机器人团队自主辅助导航

          • 本研究旨在开发自主行为促进多式机器人团队紧密相联合作,特别是导航辅助任务合作行为使能力强、传感器富导机器人能帮助有限传感器机器人导航,这些机器人机上无屏障避免或定位能力,只有最小骨髓识别能力受资源约束机器人导航有限,无法自主自散或独立移动到规划传感器部署位置解决这一挑战,我们开发出多型机器人合作行为,通过更能动领先机器人的帮助成功部署传感器有限机器人多元合作行为相当复杂,并包含几种行为构件组合,包括视觉标识检测、自主远程操作、机器人链中色标跟踪、激光定位、地图路径规划以及随机移动网络验证方法 深入测试物理机器人据我们所知,这是最复杂多式机器人团队合作任务 曾尝试物理机器人我们认为,鉴于整体多式系统的复杂性,实现如此高水平系统有效性是一项重大成功

          • 分布式移动声波传感器网络

          • 这项研究侧重于分布式移动声传感器网络的开发部署方法假设室内环境曾绘制过图 传感器节点知道地图上的位置目标本地化传感器网络当前目标定位信息向窃听器机器人报告,机器人使用双波前路规划器从当前位置移动到目标可见度范围以内位置这种方法已在物理机器人上严格测试据我们所知,这是多机器人系统首次实现,它把声传感器网用于目标检测与拦截机机器人合并使用,它能有效到达室内环境检测目标移动位置

              • 异型Swarm机器人应用

              • DARPA项目的目标是展示大量多功能机器人(100+)合作解决室内搜索应用这个项目由科学应用国际公司、田纳西大学、Telcordia技术公司和南加利福尼亚大学联合实施这个项目开发并使用数大协作控制算法,使机器人团队能够探索未知楼层(一楼)、查找兴趣对象和24小时保护对象,必要时自主返回电池充电机器人所有动作高度自主性并受人操作器监控,使用大楼入口上精密用户界面

                  • 分布行为目录和评估

                  • DARPA项目的目标是分析机器人搜索应用现有群基方法的理论和实践能力及局限性在这方面,搜索应用包括室内和室外搜索最广各种方法,以及实用和理想化搜索环境搜索可涉及探索多对象或一对象,确定对象定位或不定位,确定查找精度概率等目的是深入理解所开发的算法和技术,并记录和编目与每种方法相关的做法、资源需求、假设和评价技巧焦点是各种方法的具体细节,这些方法有助于(或可能不切实际)机器人在军事领域应用问题如传感器能力假设及其对行为的影响将分析通信需求将连同算法敏感度确定通信可用性退化将深入了解实际取舍空间,包括各种故障点的影响


                    项目启动时详尽文献搜索现有群方法搜索应用关键问题定义这些算法的权衡空间及其实用军事应用取舍空间最初是根据对现有群技术粗分析定义的开发出详细分析方法,结果产生大量群技术目录及其能力、假设、要求和限制项目技术理论分析和编目将用来确定哪些实用军事搜索应用(如羽流跟踪或排雷)可用现有技术解决,哪些应用需要群件机器人的进一步研发