Relational exploration, learning and inference - Foundations of autonomous learning in natural environments

知识分子在德国德国德国德国德国德国德国德国德国德国德国德国德国德国德国德国德国德国德国德国德国德国德国德国Ein Verständnis fr disese Fähigkeiten in Situationen des Alltagsleben zu gewinnen, ist das Ziel dieses Projektes。“ nate<s:1> rliche ” Umgebungen, wie etwa Privathäuser, b<s:1> oder Fabriken, zeichnen sich durch eine Vielzahl and Gegenständen aus, die ein selbstständiger Agent beinflussen und verändern kann, und lassen sich durch deren (kontinuierliche oder diskrete) Beziehungen zueinander beschreiben。参考例句：在现实问题中，自治系统在大系统中，solche在大系统中，solche在大系统中，solche在大系统中，solche在大系统中。Derzeitige Ansätze gengen diesen Anforderungen night: method des Maschinellen leren and derrobotik vernachlässigen die solchen Umgebungen inhärente strkturr and scheiteren schher and deren Komplexität, während KI-Ansätze night mit der unvermeidlichen Unsicherheit bem leren and Explorieren umzugehen wissen。Der Kernansatz dieses项目ist die Erforschung von Exploration， leren和interenz auder Grundlage sogenannter relation Repräsentationen。Solche Repräsentationen implizieren starke a -优先级- annahmen - her die weltstrukturne and ermöglichen es， ausunsicherer Erfahrung kompakte and berinzelne Gegenstände verallgemeinternerde Modelle von der werkungsweise von Aktionen zuleren。die bewist object in situation in untersucht， die bewist object in情境下的客体（object in situation in untersucht）， aufche das derzeitige Weltverständnis一般来说是静止的。Unseres Wissens ist dies as erste project， Unseres数据统计关系研究人员unserverfahren kernproblem der Robotik löst，以及Unseres berseren forsamen Fortschritt在Erforschung autonomen lerens verhe ßt。2 .机器人平台的建模与建模方法的建模与仿真

Intelligentes Verhalten von Menschen und Tieren offenbart sich auf eindrucksvolle Weise in der Erforschung unbekannter Umgebungen und Gegenstände und dem Verallgemeinern der dabei gewonnenen Erfahrungen. Ein Verständnis für diese Fähigkeiten in Situationen des Alltagsleben zu gewinnen, ist das Ziel dieses Projektes. “Natürliche” Umgebungen, wie etwa Privathäuser, Büros oder Fabriken, zeichnen sich durch eine Vielzahl an Gegenständen aus, die ein selbstständiger Agent beeinflussen und verändern kann, und lassen sich durch deren (kontinuierliche oder diskrete) Beziehungen zueinander beschreiben. Jedes in realen Problemstellungen einzusetzende autonome System muss in der Lage sein, solche Umgebungen zu explorieren und verstehen zu lernen. Derzeitige Ansätze genügen diesen Anforderungen nicht: Methoden des Maschinellen Lernen und der Robotik vernachlässigen die solchen Umgebungen inhärente Struktur und scheitern daher an deren Komplexität, während KI-Ansätze nicht mit der unvermeidlichen Unsicherheit beim Lernen und Explorieren umzugehen wissen. Der Kernansatz dieses Projekts ist die Erforschung von Exploration, Lernen und Inferenz auf der Grundlage sogenannter relationaler Repräsentationen. Solche Repräsentationen implizieren starke A-priori-Annahmen über die Weltstruktur und ermöglichen es, aus unsicherer Erfahrung kompakte und über einzelne Gegenstände verallgemeinernde Modelle von der Wirkungsweise von Aktionen zu lernen. Dies erlaubt eine konzeptionell neuartige Art von Exploration, die bewusst Objekte in Situationen untersucht, auf welche das derzeitige Weltverständnis nicht verallgemeinert. Unseres Wissens ist dies das erste Projekt, das mithilfe statistischer relationaler Lernverfahren Kernprobleme der Robotik löst und somit einen bedeutsamen Fortschritt in der Erforschung autonomen Lernens verheißt. Die Bedeutsamkeit der von uns entwickelten Methoden werden wir auf einer realen, die Umgebung manipulierenden Robotikplattform demonstrieren.