学习感知模型
该研究提出了一种计算感知模型,基于预测处理,能够使任何多感官机器人通过使用任意具有高斯加性噪声的传感器来学习、推断和更新其身体配置,从而实现自我校准和安全的人机物理交互。
May, 2018
本文提出了一种感知框架,通过融合视觉和触觉反馈来预测动态场景中物体的运动,该框架利用一种新型的 STS 传感器来捕捉物体的视觉外观和触觉特性,利用多模态 VAE 将两种模态结合起来,可以推断未来物理交互的结果。
Jan, 2021
本研究通过与发展心理学家合作的定向实验,了解婴儿如何获得第一次的 “感觉 - 运动身体知识”,进而构建具有传感器官的计算模型,对多模态身体表示学习、适应和操作的机制进行研究,提出了自我接触和自我观察的办法,开发了一个校准工具箱,并在多个机器人平台上进行了实验验证,最终研究了周围空间与人类和机器人的安全合作的可能性。
Nov, 2022
本文介绍了一种模拟人类学习为非线性动力学系统的新方法,以监督机器人如何影响人类内部模型的变化,并通过嵌入人类学习动态模型到机器人规划问题中来实现。我们提供了一个折衷方案,以牺牲所能代表的人类内部模型的复杂性为代价,使机器人能够学习这些内部模型的非线性动力学。在一系列模拟环境和面对面的用户研究中,我们评估了我们的推断和规划方法,表明机器人对人类学习的影响是可能的,并且可以在真实的人机交互中有所帮助。
Jan, 2023
在三维模拟环境中,提出了一种传感器运动控制的方法,它通过高维和低维度测量流来提供丰富的监管信号进行训练,并利用协同时间结构进行监督学习,无需外部监管即可学习三维环境的原始感官输入,其结果显示其学习效果优于先前复杂的公式,尤其适用于具有挑战性的任务。
Nov, 2016
本文研究了动态环境下机器学习控制问题,提出了显式地学习动作表示可以提高学习控制器的质量,在某些情况下不需要额外的监督,通过使用图像差异来替代时序帧堆叠能够取得更好的效果。
Jan, 2019