图片 1

对移动的机器人队伍进行控制,可以通过远程遥控机器人前往人类无法进入的地方

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。”

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。

   
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:

图片 1

 

4.辅助和医疗技术

 
   
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。

   
 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。

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。

 
 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)。

 

 

   
 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。

发表评论

电子邮件地址不会被公开。 必填项已用*标注

相关文章