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

知识分子们对人类和人类的攻击是在研究中不加掩饰地进行的。Ein Verständnis für diese Fähigkeiten in Situationen des Alltagsleben zu gewinnen，ist das Ziel dieses Projektes.“自然”Umgebungen，wie etwa Privathäuser，Büros or Fabriken，zeichnen sich durch eine Vielzahl an Gegenständen aus，die ein selbstständiger Agent beeinflussen and verändern kann，and lassen sich durch deren（kontinuierliche oder diskrete）Beziehungen zueinander beschreiben。在真正的问题中，一个自动化系统必须在拉格中，通过探索和学习来解决。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 Unsicherelleim Lernen und Explorieren umzugehen wissen. Kernanoblastes Projekts is die Erforschung von Exploration，Lernen und Inferenz auf der Grundlage sogenannter relationaler Repräsentationen. Solche Repräsentationen implicieren 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.他们创造了一种新的探索艺术，在特定的情况下发现了目标，但这并不是真正的世界观。Unseres Wissens is dies das erste Projekt，das mithilfe statistischer relationaler Lernverfahren Kernprobleme der Robotik löst and somit einen bedutsamen Fortschritt in der Erforschung bought en Lernens verheißt.我们的韦尔登方法的基本原理将在一个真正的机器人操作平台上演示。

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.