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

关系探索、学习和推理——自然环境中自主学习的基础

• 批准号: 200318003
• 负责人: Professor Dr. Kristian Kersting
• 金额: --
• 依托单位: Institut für Technische Informatik und Mikroelektronik
• 依托单位国家: 德国
• 项目类别: Priority Programmes
• 财政年份: 2011
• 资助国家: 德国
• 起止时间: 2010-12-31 至 2015-12-31
• 项目状态: 已结题
• 来源: https://gepris.dfg.de/gepris/projekt/200318003?language=en
• 关键词: Relational; exploration; learning; inference; Foundations

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.

知识分子的知识和技能在 der Erforschung unbekannter Umgebungen 和 Gegenstände 以及 dem Verallgemeinern der dabei gewonnenen Erfahrungen 中发挥作用。在所有标签的情况下，所有的 Fähigkeiten 的情况，都是 Ziel dieses Projektes。 “Natürliche” Umgebungen、wie etwa Privathäuser、Büros oder Fabriken、zeichnen sich durch eine Vielzahl an Gegenständen aus、die ein selfständiger Agent beeinflussen und verändern kann、und lassen sich durch deren (kontinuierliche oder diskrete) Beziehungen zueinander beschreiben。解决现实问题中的自主系统问题，解决探索和学习的问题。 Derzeitige Ansätze genügen diesen Anforderungen nicht: Methoden des Maschinellen and der Robotik vernachlässigen die solchen Umgebungen inhärente Struktur and scheitern daher an deren Komplexität, während KI-Ansätze nicht mit der unvermeidlichen Unsicherheit 学习和探索知识。核心研究项目是对关系代表的基本原理进行探索、学习和推理的研究。 Solche Repräsentationen starke A-priori-Annahmen über die Weltstruktur und ermöglichen es, aus unsicherer Erfahrung kompakte and über einzelne Gegenstände verallgemeinernde Modelle von der Wirkungsweise von actionen zu lernen.探索艺术是一种新的概念，它是在这种情况下的对象，它是世界的一部分。 Unseres Wissens ist dies das erste Projekt, das mithilfe statistischer relationaler Lernverfahren Kernprobleme der Robotik löst and somit einen bedeutsamen Fortschritt in der Erforschung autonomen Lernens verheißt.该方法是为了实现实际应用中的机器人平台演示的操作方法。

项目成果

Empowered skills

• DOI: 10.1109/icra.2017.7989760
• 发表时间: 2017-05
• 期刊: 2017 IEEE International Conference on Robotics and Automation (ICRA)
• 作者: Alexander Gabriel;R. Akrour;Jan Peters;G. Neumann

Probabilistic inference for determining options in reinforcement learning

• DOI: 10.1007/s10994-016-5580-x
• 发表时间: 2016-08
• 期刊: Machine Learning
• 影响因子: 7.5
• 作者: Christian Daniel;H. V. Hoof;Jan Peters;G. Neumann

Poisson Dependency Networks: Gradient Boosted Models for Multivariate Count Data

• DOI: 10.1007/s10994-015-5506-z
• 发表时间: 2015-09
• 期刊: Machine Learning
• 影响因子: 7.5
• 作者: Fabian Hadiji;Alejandro Molina;Sriraam Natarajan;K. Kersting

Adaptation and Robust Learning of Probabilistic Movement Primitives

• DOI: 10.1109/tro.2019.2937010
• 发表时间: 2020-04-01
• 期刊: IEEE TRANSACTIONS ON ROBOTICS
• 影响因子: 7.8
• 作者: Gomez-Gonzalez, Sebastian;Neumann, Gerhard;Peters, Jan
• 通讯作者: Peters, Jan

Regularizing Reinforcement Learning with State Abstraction

• DOI: 10.1109/iros.2018.8594201
• 发表时间: 2018-10
• 期刊: 2018 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS)
• 作者: R. Akrour;Filipe Veiga;Jan Peters;G. Neumann