Maschinelles Lernen und Interne Repräsentationen in der Verhaltensplanung, Motorkontrolle und Robotik

点击翻译按钮获取中文摘要

Das Nutzen geeigneter interner Repräsentationen ist eine wesentliche Grundlage der Verhaltensorganisation beim Menschen. Beispiele sind abstrahierende und kompakte Beschreibungen der Umwelt, die zur effizienten Verhaltensplanung oder internen Simulation genutzt werden, statt direkt auf einer hochdimensionalen Zustandsbeschreibung zu planen, aber auch Motorprimitive und eine hierarchische Organisation der Motorkontrolle, die eine kompakte Repräsentation natürlicher Bewegungsmuster erlauben. Methoden des Maschinellen Lernens bieten eine rigorose Herangehensweise an das Lernen und Nutzen interner Repräsentationen (Latente-Variablen-Modelle), die bisher vornehmlich als Paradigma der Sensorverarbeitung dient. In diesem Projekt werden analoge Methoden erstmals auf motorischer Seite angewandt. Zwei Fragestellungen stehen im Zentrum des Projekts: (1) Wie kann Verhaltensplanung und Motorkontrolle auf beliebigen internen Repräsentationen (redundante, hierarchische, oder dekomponierte) effizient realisiert werden? (2) Wie können geeignete interne Repräsentationen aus der Interaktion mit der Umwelt gelernt werden? Insbesondere: Wie können Motorprimitive, Elementarverhalten, und verhaltensbasierte interne Repräsentationen gelernt werden? Die Methodik basiert vornehmlich auf strukturierten Dynamischen Bayes’schen Netzwerken, auf denen Inferenzprozesse Planung und Motorkontrolle realisieren. Allgemeines Ziel ist ein besseres Verständnis der Grundlagen intelligenten Verhaltens und die Anwendung der neuen Methoden in der Motorkontrolle und Robotik.