Центр когнитивного моделирования МФТИ

Центр когнитивного
моделирования МФТИ

О Центре

Центр когнитивного моделирования в Московском физико-техническом институте (МФТИ) включает в себя лабораторию когнитивных динамических систем (рук. А.И. Панов) и лабораторию интеллектуального транспорта НКБ ВС (рук. Д.А. Юдин).

Основной задачей центра является создание универсальных архитектур управления поведением когнитивными агентами. Агенты могут функционировать как в виртуальной среде (симуляторы и игровые среды), так и реальном мире (робототехнические системы), где им необходимо демонстрировать интеллектуальное поведение: планировать поведение, приобретать и использовать знания, взаимодействовать с другими участниками совместной деятельности, распознавать и категоризировать объекты среды, ставить и менять собственные цели и т.д.

Основным результатом работы Центра является как создание теоретических основ построения и работы таких систем управления, так и создание программных комплексов для решения прикладных задач.

Презентация

Центра Когнитивного Моделирования ФПМИ МФТИ

Состав центра

Лаборатория
когнитивных динамических систем

Лаборатория
интеллектуального транспорта

Геннадий Семенович Осипов

основатель Центра когнитивного моделирования МФТИ

(13 октября 1948 — 7 июля 2020), доктор физико-математических наук, профессор, президент Российской ассоциации искусственного интеллекта (РАИИ), EurAI Fellow

Области научных интересов:

Информатика, информационные технологии
Искусственный интеллект
Динамические интеллектуальные системы
Управление знаниями
Информационные системы в медицине

Биография

Направления исследований Центра

Интеграция методов оптимального управления и обучения с подкреплением для мобильного манипулятора

Мобильные манипуляторы (робототехнические системы, включающие мобильную платформу и прикрепленные к ней манипуляторы) могут применяться для выполнения различных задач в человекоориентированных средах (например, в офисных помещениях).

Воплощенное обучение

Воплощенное познание (embodied cognition) – это концепция обучения интеллектуальных агентов, в которой мы явно учитываем свойства внешней среды и то, какую обратную связь она дает агенту в ответ на его действия.

Интеллектуальное управление антропоморфными роботами

Антропоморфная робототехника – это быстро развивающаяся область знаний. На данный момент создаются роботы, движения которых все более похожи на человеческие.

Адаптивное планирование маневров беспилотного автомобиля

Современные мобильные роботы и беспилотные автомобили активно используют методы планирования и поиска на графе состояний для построения траектории своего движения и для построения различных маневров в динамической среде.

Биологически-правдоподобные модели обучения

Новые архитектуры нейронных сетей могут быть построены с привлечением идей из нейрофизиологии. Особенно перспективными могут оказаться иерархические модели на основе хеббовских правил обучения и модели внутренней мотивации для ускорения обучения.

Автономное обучение с подкреплением

Сбор данных в процессе обучения для современных задач в области обучения с подкреплением является дорогой и трудоемкой процедурой. С другой стороны для очень многих прикладных примеров уже имеются большое количество логов поведения эффективных агентов. В автономном обучении с подкреплением предлагается эффективно использовать эти данные и бороться с проблемой смещения распределений.

Обучение распутанным представлениям

Обучение распутанным представлениям – одно из современных актуальных направления в области нейросетевого обучения представлениям (representation learning). Формирование структурированного латентного пространства помогает как в создании эффективных генеративных моделей, так и в построении объяснимых систем ИИ. Особенно актуальны распутанные представления для задач генерации поведения в сложных средах.

Обучение с подкреплением на основе модели

Одним из ключевых свойств перцептивной и моторной системы человека является их предметность, т.к. ориентация как распознающей так и действующих подсистем на работу с конкретными объектами внешней среды. Оперирование объектами для предсказания их вида и динамики в перспективе может оказаться существенно более эффективным, чем оперирование цельными сценами.

Объектно-центричное обучение с подкреплением

Одним из ключевых свойств перцептивной и моторной системы человека является их предметность, т.к. ориентация как распознающей так и действующих подсистем на работу с конкретными объектами внешней среды.

Построение трехмерных семантических карт местности

Построение высокоточных карт высокой размерности (HD-Maps) является одной из ключевых составляющих современных систем управления беспилотных автомобилей и автономных роботов.

Обнаружение, трекинг
и прогнозирование траектории движения 3D-объектов

Распознавание и анализ поведения трехмерных объектов по данным бортовых сенсоров транспортных средств и роботов является важнейшим аспектом для обеспечения безопасности их передвижения.

Определение позы и одометрии робота
по изображениям его RGB-D камер

Под позой робота понимается его положение и ориентация в трехмерном пространстве. Понятие одометрии шире и включает также скорости (линейные и угловые), а также ускорение.

Методы автоматического планирования траектории

Особенности методы автоматического планирования траектории:

Среда не полностью наблюдаемая.
Карта постоянно обновляется (меняется).
Нужно строить совокупность неконфликтных траекторий сразу для n мобильных агентов.

и др.

Оптимизация траектории мобильного робота

Задача планирования траектории мобильных роботов (в т.ч. беспилотных автомобилей) может решаться методами оптимального управления. Преимуществаметодов – быстрая сходимость, учет кинодинамики робота, одновременное определение скоростей и ускорений вдоль траектории. Сложность – необходимость начальной догадки о траектории, сложность аналитического представления препятствий.

Дифференцируемое представление 3D-сцены

Решает задачу обучаемой 3D реконструкции сцены в виде поверхности (Mesh) по набору изображений камер с неизвестной 3D-позы. Методы NeRF (Neural Radiance Fields) позволяют синтезировать новые представления сложных сцен путем оптимизации базовой функции непрерывной объемной сцены с использованием разреженного набора входных представлений.

Нейросетевое распознавание места по последовательности сенсорных данных

Под позой робота понимается его положение и ориентация в трехмерном пространстве. Понятие одометрии шире и включает также скорости (линейные и угловые), а также ускорение. Точное определение такого пространственного состояния важно для решения задачи локализации робота и дальнейшего планирования его поведения в трехмерном пространстве.

Как к нам попасть?

Мы всегда рады видеть мотивированных студентов и аспирантов в нашей лаборатории!

Поступить на стажировку в одну из лабораторий:

Мы регулярно объявляем набор желающих без ограничений на то, являетесь ли вы студентом или уже закончили обучение. Главное требование - выполнить тестовое задание и быть готовым работать в лаборатории 20 часов в неделю. Сейчас как раз идет набор на весенню стажировку, подай заявку на участие!

Стажировка

Продолжить обучение на целевых и грантовых местах в магистратуре и аспирантуре МФТИ:

Одним из вариантов присоединиться к проектам Центра когнитивного моделирования является возможность поступить на специальные целевые места, предоставленные спонсорами в магистратуру и аспирантуру МФТИ. Для этого необходимо заполнить анкету, пройти собеседование и сдать экзамены по правилам приемной комиссии МФТИ. Это позволит вам совмещать учебу с работой в нашем Центре.

Подробнее

Осенний цикл семинаров 2024

Приглашаем вас подключиться к обсуждению
текущих SOTA методов и алгоритмов в областях: обучение с подкреплением (RL), компьютерное зрение (CV), планирование поведения и управление (Plan), общий искусственный интеллект (AGI)

Партнеры

Контакты

Email: panov.ai@mipt.ru
141701, Московская облаcть,
г. Долгопрудный, Институтский пер., 9.