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

他们的智慧来自于德国和德国，而不是德国和德国。在所有的国家和地区，这是一项重大的工程。“Natürliche”Umgebungen，Wie etwa Privathäuser，Büros oder Fabriken，zeichnen sich dch eine eine Vielzahl an Gegenständen Aus，die ein selbstständiger agent beeflussen and verändern kann，and lassen sich dich deren(Kontinuierliche Oder Diskrete)beziehungen zueinander bechreiben。绝地武士在现实的问题中，在自体的系统中，在他的Lage sein，solche Umgebungen zu explorieren en和verstehen zu lernen。在此基础上，我们将从以下几个方面着手解决问题：一种叫Maschinellen Lernen and der Robotik vernachlässigen die solchen Umgebungen in härente Strukture and scheitern Daher an deren Komplexität，während ki-ansätze Net ht MIT der Unvermeidlichen Unssicherheen bem Lernen and Explorieren umzugeen wissen.在科尔南萨茨和科南萨茨的合作关系中，我们将继续探索和探索。在此基础上，提出了一种新的世界观，即世界观和世界观。这是一种新的艺术探索，它不会被发现，也不会被世界各地的人接受。维森斯的人死于一个项目，一个统计关系的核心问题是罗伯蒂克的Löst和索米特在他的自主性的罗伯蒂克中得到了很大的帮助。

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.