权益分类	功能权益	普通用户	{{item.name}}会员
{{category.name}}	{{benefitItem.name}}

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

行为规划、运动控制和机器人技术中的机器学习和内部表征

基本信息

批准号：
35757367
负责人：
Professor Dr. Marc Toussaint
金额：
--
依托单位：
Institut für Technische Informatik und Mikroelektronik
依托单位国家：
德国
项目类别：
Independent Junior Research Groups
财政年份：
2007
资助国家：
德国
起止时间：
2006-12-31 至 2012-12-31
项目状态：
已结题

来源：
https://gepris.dfg.de/gepris/projekt/35757367?language=en
关键词：
Maschinelles Lernen und Interne Repr

项目摘要

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.

Das Nutzen geeigneter interner Repräsentationen is eine wesentliche Grundlage der Verhaltensorganisation beim Menschen.环境的抽象和复杂的描述，有效的垂直规划或内部模拟生成韦尔登，直接指向一个高维度的平面图，也可以是电机原始的和电机控制的层次结构，一个复杂的自然再现的实现。机械学习方法是一种严格的Herangehensweise和Lernen和Nutzen内部Repräsentationen（Latente-Variablen-Modelle），该方法是传感器测量的最佳范例。在这个项目中，韦尔登类比法首先是在机动车上进行的。项目中心的两个分部：（1）如何使内部代表性（冗余、层次或综合性）的规划和控制有效地实现韦尔登？(2)在与韦尔登的互动中，国际代表性如何？Insbesondere：Wie können Motorprimitive、Elementarverhalten和verhaltensbasierte interne Repräsentationen gelernt韦尔登？该方法基于动态贝叶斯网络的结构化，基于推理规划和电机控制的实现。Allgemeines Ziel ist ein besseres Verständnis der Grundlagen intelligenten Verhaltens und die Anwendung der neuen Methoden in der Motorkontrolle und Robotik.