Learning to Behave in the Sensorimotor Loop - An Animat Approach

这是一个进化的过程，神经元的结构和识别过程，机器人（动物）的行为，就像Tiere一样。在实验中，人们会发现，在个人之间的相互作用中，这种相互作用是相互的。Lernen也将成为一个过程，通过感觉运动施莱费中的信号“获得”。Die untersuchten Lernmechanismen beruhen auf homöostatischen Eigenschaften einzelner Neurone bzw。神经元亚系统和韦尔登通过随机分组进行分类。Diese韦尔登durch Signale von inneren Sensoren（Propriozeptoren）definiert，die Körperzustände repräsentieren. Es wird ferner davon ausgegangen，dass Struktureigenschaften der Neurokontroller für Lernprozesse ebenso entscheidend sind wie die synaptische Plastizität. Daher韦尔登evolutionäre Techniken zur Strukturerzeugung eingesetzt und mit homostatischen Prozessen zur synaptischen Plastizität kombiniert.本文通过对机器人、人工生命、动力学和复杂系统的研究，从动力学系统的角度探讨“具身认知”。

Das geplante Vorhaben wird evolutionär erzeugte, künstliche neuronale Strukturen und deren Prozesse identifizieren, die autonomen Robotern (Animaten) ermöglichen, sich wie Tiere zu verhalten. Das Entstehen von verschiedenen Verhaltensmustern wird in Experimenten untersucht, die sich auf die Interaktion des Individuums mit seiner Umgebung konzentrieren. Lernen wird hier also als ein Prozess verstanden, der durch Signale in der sensomotorischen Schleife “getrieben” wird. Die untersuchten Lernmechanismen beruhen auf homöostatischen Eigenschaften einzelner Neurone bzw. neuronaler Subsysteme und werden durch Randbedingungen spezifiziert. Diese werden durch Signale von inneren Sensoren (Propriozeptoren) definiert, die Körperzustände repräsentieren. Es wird ferner davon ausgegangen, dass Struktureigenschaften der Neurokontroller für Lernprozesse ebenso entscheidend sind wie die synaptische Plastizität. Daher werden evolutionäre Techniken zur Strukturerzeugung eingesetzt und mit homöostatischen Prozessen zur synaptischen Plastizität kombiniert. Lernen wird im Kontext des Dynamischen Systeme Ansatzes zu “embodied cognition” mit Hilfe von Techniken aus den Bereichen Evolutionäre Robotik, Artificial Life, Dynamische und Komplexe Systeme untersucht.