MIT研究开发的第三代无视觉猎豹机器人【必赢手机登录网址】

必赢手机登录网址 1

必赢手机登录网址 1

据报道,麻省理工学院近日研制了一款Cheetah
3猎豹机器人,不需要视觉就能爬楼梯台阶。相对于此前利用摄像头视觉的机器人,该机器人有极大的创新。
据悉,这款Cheetah
3猎豹机器人重90磅重,采用了新的算法让其在没有摄像头的帮助之下,机器人也能够通过触感来适应整个环境,在躲避障碍物的同时完成任务。该团队的研究人员表示,设计这样一款机器人的初衷是希望机器人在无法看到前方路径的情况下也能够进行运动。在其看来,机器人如果过度依赖摄像头会减缓机器人的反应,导致机器人移动不流畅。
对于人类而言,这款不依靠视觉的机器人有很大的辅助作用。可以通过远程遥控机器人前往人类无法进入的地方,取代人类完成那些较为危险、肮脏或者难度极高的工作。比如,进入内部发电厂深入检查等。此外,对于像切尔诺贝利、日本福岛核电站等具有极强核辐射而不能通过机器人搭载的摄像头进行观察的地方,该款不依靠视觉移动的机器人反而能够起到巨大的作用。
另据报道,麻省理工学院研究团队对这款Cheetah
3猎豹机器人的硬件性能进行升级,让其能够伸展和扭曲;并引入新的预测算法,帮助该机器人改变移动步态,以防其被障碍物绊倒或者摔倒。

MIT研究开发的第三代无视觉猎豹机器人【必赢手机登录网址】 。相信大家在观看吴恩达机器学习公开课的第一节课中,印象比较深的有使用强化学习去训练与控制机器人,直升飞机,让它们学会新的技能。

MIT研究开发的第三代无视觉猎豹机器人【必赢手机登录网址】 。【电工电气网】讯  机器人,要还是不要?这个特别的系列探索人类和机器之间不断进化的关系,研究机器人、人工智能和自动化对我们的工作和生活产生的影响。  波士顿动力公司的智能机器人利用的是复杂的计算机视觉,但麻省理工学院的第三代猎豹机器人却采用了与之不同的策略。  麻省理工学院研发的第三代无视觉猎豹机器人,重达80磅,体型约有一只拉布拉多犬那么大,可以在不使用摄像机或环境传感器的情况下在漆黑的房间里穿行,或者爬上一段有障碍物的楼梯。它依靠的是工程师们所说的“盲眼运动”(blind
locomotion)——也就是它的机器人腿的反馈,以及它在黑暗中穿行时所需要的基于算法的平衡感。  麻省理工学院机械工程学副教授Sangbae
Kim在今天的新闻发布会上说:“机器人应该能够在不过度依赖视觉系统的情况下处理许多意想不到的行为。”  Kim说:“视觉可能会有噪音,会有些不准确,有时甚至完全不可用。如果太过依赖视觉,机器人必须非常精确地定位,这会导致它行动很慢。因此,我们希望机器人更多地依赖触觉信息。这样,它可以在快速移动的同时处理意外的障碍。”  该策略非常适合机器人在灾难区域或其他危险环境中进行活动。  Kim说:“第三代猎豹机器人的设计目的是做各种各样的任务,这些任务涉及各种各样的地形条件,包括楼梯、路缘和布满障碍物的地面。我认为在非常多的场合中,我们会想让机器人代替人类去完成简单的任务。通过远程控制机器人去更安全地完成危险、肮脏和困难的工作。”  Kim的团队为无视觉系统的猎豹机器人开发了两种新型算法。  接触检测算法帮助机器人确定在腿的摆动与踩地之间转换的最佳时间点,这取决于它在触地时感受到的障碍物。该算法基于来自陀螺仪、加速度计和腿部关节位置的数据来计算这些概率。  Kim解释说:“如果人类闭上眼睛向前迈出一步,我们会对地面可能在哪里有一个心理模型,并且可以为此做好准备。但我们同时也依赖于触摸地面的感觉。对第三代猎豹机器人我们做的是类似的事情,将多个来源的信息结合起来,以确定切换的时间。”  研究人员在实验中测试了该算法:让第三代猎豹机器人在实验室的跑步机上小跑,以及爬楼梯。两个表面都随意散落着一些物体,例如木块和胶带卷。  与此同时,一种模型预测控制算法,就是当任何一只腿接触到地面并施加了特定大小的力,模型预测控制算法会马上计算在未来的半秒内,机器人的身体和腿应该处于什么位置。  Kim说:“比方说加入有人从侧边踢了机器人一脚,当机器人的脚已经接触到地面时,算法就要决定‘我该如何确定脚要施加的力?因为左边有一个阻碍我的速度,所以我得对相反的方向施加一个力来消灭那个速度。如果我向相反方向施加100牛顿的力,那么半秒后会发生什么?’”  预测算法每一秒计算20次。为了测试其性能,在实验中,研究人员在机器人在跑步机上或是上楼时,用脚踢和用力拉扯机器人,然后相应地调整算法。(我们希望第三代猎豹机器人不要对此怀恨在心)。  最终,Kim和他的同事们将在现有基础上增加计算机视觉系统,但对于第三代猎豹机器人来说,他们首先想要做的是盲眼运动。  一个能在黑暗中行走、奔跑或攀登,速度还肯定比人类要快得多的机器人?这正是你在地震后想要看到的东西——而这恰好也是你在机器人起义后不想看到的东西。  在今年10月举行的智能机器人与系统国际会议上,无视觉技术以及其他对猎豹机器人模型的改进将成为本次会议的主题。这项研究得到了Naver、丰田研究机构、富士康和美国空军科学研究办公室的支持。

无人机群以完美的编队飞行这一梦想又接近了一步,这得归功于麻省理工学院开发的控制算法。
对移动的机器人队伍进行控制,让其相互之间不会发生碰撞,或者直接消灭挡在其道路上的目标/物体这些问题非常复杂,一直以来也让机器人专家们头疼不已。
但是麻省理工学院的研究团队认为他们已经取得了突破,能够让复杂的无人机编队更加轻松地实现。该研究团队表示他们所开发的分散化规划算法能够同时对静止以及移动障碍物进行处理,能够通过减少计算固定装置来实现。
阿隆索.莫拉强调目前还处于研究阶段,要想创造出能够对机器人队伍实现稳健控制的算法还会面对许多重大的挑战。
“需要考虑到机器人动力学,存在多个移动障碍物的动态环境的长期保证,现实系统的通信/网络问题,对环境的知觉,等等。”

那么,机器学习在机器人中有哪些应用呢?本文将对这个问题进行简单的介绍。

MIT研究开发的第三代无视觉猎豹机器人【必赢手机登录网址】 。 

MIT研究开发的第三代无视觉猎豹机器人【必赢手机登录网址】 。MIT研究开发的第三代无视觉猎豹机器人【必赢手机登录网址】 。1.计算机视觉

必赢手机登录网址 ,MIT研究开发的第三代无视觉猎豹机器人【必赢手机登录网址】 。 
   
因为“机器人视觉”不仅涉及到计算机算法,有些人会认为正确的术语是机器视觉或机器人视觉。机器人学家或工程师也必须选择摄像头硬件能够允许机器人处理物理数据。机器人视觉与机器视觉密切相关,后者用于引导机器人引导和自动检测系统。它们之间的微小差异可能在应用于机器人视觉的运动学中,其包括参考框架校准和机器人对其环境的物理影响的能力。

 
   
大量数据即网络上可用的视觉信息(包括注释/标记的照片和视频)的涌入推动了计算机视觉的进步,这反过来也有助于进一步基于机器学习的结构化预测学习技术,推动机器人视觉应用,如物体的识别和排序。一个分支的例子是无人监督学习的异常检测,例如能够使用卷积神经网络找到并评估硅晶片故障的建筑系统,由Biomimetic机器人和机器学习实验室的研究人员设计,该研究人员是非营利机构Assistenzrobotik的一部分电子伏特在慕尼黑。诸如雷达,激光雷达和超声波等超感知技术,如Nvidia公司的技术,也推动了自主车辆和无人机的360度视觉系统的开发。

MIT研究开发的第三代无视觉猎豹机器人【必赢手机登录网址】 。 

2 .模仿学习

   
模仿学习与观察学习密切相关,这是婴幼儿展示的行为。模仿学习也是强化学习的总体类别,也是让agent在世界范围内采取行动的最大挑战。贝叶斯或概率模型是这种机器学习方法的常见特征。模仿学习是否可以用于类人机器人的问题早在1999年就被假定了。

   
模仿学习已经成为现场机器人技术的一个组成部分,其中一些工厂的移动特性,如建筑,农业,搜索和救援,军事等领域的移动特性使手动编程机器人解决方案变得具有挑战性。例子包括逆向优化控制方法,或者“通过演示进行编程(PbD)”.CMU和其他组织在类人机器人,腿式运动和越野粗糙地形移动导航仪领域中得到应用。亚利桑那州立大学的研究人员在两年前发表了这个视频,展示了一个类人机器人,使用模仿学习获得不同的掌握技巧。

   
贝叶斯信念网络也被应用于前向学习模型,其中机器人在没有先验知识的情况下学习运动系统或外部环境。
这个例子就是“motor babbling”,正如伊利诺伊大学厄巴纳 –
香槟分校(UIUC)的语言习得和机器人小组所组织的,Bert是“iCub”人形机器人。

 

3.自我监督学习

   
 自我监督的学习方法使机器人能够生成自己的培训示例,以提高性能;这包括使用先验训练和数据捕获近距离来解释“远程不明确的传感器数据”。它被并入机器人和光学设备中,可以检测和排除物体(例如灰尘和雪);识别崎岖地形中的蔬菜和障碍物;并在3D场景分析和建模车辆动力学。

   
Watch-Bot是一个具体的例子,由Cornell和Stanford的研究人员创建,它使用3D传感器(Kinect),相机,笔记本电脑和激光笔来检测“正常的人类活动”,这是通过概率方法学习的模式。
Watch-Bot使用激光笔将目标对象作为提醒(例如,留在冰箱中的牛奶)。在初始测试中,机器人能够成功地提醒人类60%的时间(它没有理解它在做什么或为什么),研究人员通过允许其机器人从在线视频(称为项目RoboWatch)学习扩展了试验。

   
 应用于机器人技术的自我监督学习方法的其他示例包括在具有道路概率分布模型(RPDM)和模糊支持向量机(FSVM)的前视单目相机中的道路检测算法,在麻省理工学院为自主车辆设计和其他移动在路机器人。

   
自主学习是一种涉及深度学习和无监督方法的自我监督学习的变体,也被应用于机器人和控制任务。伦敦帝国学院的一个团队与剑桥大学和华盛顿大学的研究人员合作,创造出一种加快学习的新方法,将学习模式不确定性(概率模型)纳入长期规划和控制器学习,从而减少影响的学习新技能的模型错误。这个统计机器学习方法由团队的操纵者在下面的视频中投入使用:

 

4.辅助和医疗技术

   
辅助机器人是一种可以感知,处理感官信息并执行有益于残疾人和老年人的行为的设备(虽然智能辅助技术也适用于一般人群,如驾驶员辅助工具)。运动治疗机器人提供诊断或治疗益处。这些都是大部分(不幸的是)仍然局限于实验室的技术,因为对于美国和国外的大多数医院来说,这些技术仍然是成本高昂的。

 
 辅助技术的早期例子包括由斯坦福大学和帕洛阿尔托退伍军人事务康复研究与发展公司于1990年代初开发的DeVAR或台式职业助理机器人。目前正在开发最新的基于机器学习的机器人辅助技术的例子,其中包括组合更多自主性的辅助机器,例如通过Kinect
Sensor观察世界的MICO机器人手臂(Northwester
University开发的)。这些影响更复杂,更智能的辅助机器人可以更容易地适应用户需求,但也需要部分自主权(即,机器人与人之间的共享控制)。

   
在医学界,机器人学习方法的进步正在迅速发展,尽管在许多医疗机构中并不容易。通过Cal-MR:医疗机器人自动化和学习中心,多所大学的研究人员和医生网络(与多家大学和医生的研究人员的合作)导致了智能组织自主机器人(STAR)的创建,通过自主学习和3D感应技术的创新,STAR能够以比最好的人类外科医生更好的精度和可靠性将“猪肠”(用于代替人体组织)拼接在一起,研究人员和医生说明STAR不能替代外科医生

  • 在可预见的将来,谁将在附近处理紧急情况 –
    但是在执行类似类型的精巧手术方面提供了重大的好处。
  1. 多Agent学习

 
 协调和协商是多Agent学习的关键组成部分。它涉及到了基于机器学习的机器人(或agent,目前关于agent的相关技术已被广泛应用于游戏),能够适应其他机器人/代理人的转变格局,并找到“均衡多代理学习方法的例子包括不遗余力的学习工具。其中主要涉及到强化学习算法,“加强”多agent策划中的学习成果,以及基于市场的分布式控制系统的学习。

一  
个更具体的例子是分布式agent或机器人的研究人员创建的算法,由麻省理工学院的信息和决策系统实验室在2014年底。机器人协作构建一个更好,更包容的学习模型比一个机器人(更小的信息块处理,然后结合),基于探索建筑及其房间布局的概念,自主建立知识库。

 
 每个机器人构建自己的目录,并结合其他机器人的数据集,分布式算法在创建此知识库方面优于标准算法。虽然不是一个完美的系统,但是这种机器学习方法使得机器人可以比较目录或数据集,加强相互观察和正确的遗漏或过度泛化,无疑将在几个机器人应用中发挥近期的作用,包括多个自治地和空降车。

 

 

相关文章

You can leave a response, or trackback from your own site.

Leave a Reply

网站地图xml地图