Modell- und diagnosebasiertes Transformationslernen von symbolischen Kontrollprogrammen für mobile Roboter

Modell- und diagnosebasiertes Transformationslernen ist eine neue maschinelle Lerntechnik für den automatischen Erwerb und die Adaption symbolisch specifizierter Verhaltensvorschriften.这些项目是通过软件开发的一种学习技术和模型实现的开发模式，XFRMLEARN将是一个很好的选择。XFRMLEARN soll als zusätzliche Komponente in vorhandenen Robotersteuerungssystemen eingesetzt韦尔登，um aus Verhaltensprotokatrium symbolische Verhaltensspezifikationen zu erlernen，die das Verhalten des Roboters bezüglich anerkannter Metriken signifikant verbessern.我们需要在导航辅助控制系统的项目中加入一个战略组件和一个反应性的辅助控制组件。XFRMLEARN wird auf Robotern mit versiedenen Größen，Antriebsarten und Sensoren installiert und für versiedene Anwendungen ausgetestet. ...随后，我们将在博物馆导游机器人和变形计划的指导下，对SRP（结构反应平面）进行测试，我们将在该项目中进行Lernbarkeit untersuchen。Aufgrund unserer Erfahrungen scheint eine Überwachung des Roboterverhaltens zusammen mit einer auf der Diagnose von Fehlverhalten basierende Transformation der Pläne ein äußerst erfoldgversprechender Anglomerzu sein，um allgemeine Steuerungsverfahren für spezienhe Aufgaben und Umgebungen zu optieren.项目的总体规划如下：1）总体方法，即在Verhaltensprotokenfinden中的结构和在Strukturierte Pläne（SRPs）中的结构。该计划要求将子符号系统生成为可供选择和可复制的产品。2)通用模型，即诊断和检测故障的知识。3)Lernverfahren，die Pläne zur Steuerung sensomotorischer Systeme automatisch verbessern und an den Aufgabenkontext anpassen.

Modell- und diagnosebasiertes Transformationslernen ist eine neue maschinelle Lerntechnik für den automatischen Erwerb und die Adaption symbolisch spezifizierter Verhaltensvorschriften. Ziel dieses Projektes ist die Entwicklung eines Berechnungsmodells für diese Lerntechnik und die Realisierung des Modells durch ein Softwaresystem, das nachfolgend XFRMLEARN genannt wird. XFRMLEARN soll als zusätzliche Komponente in vorhandenen Robotersteuerungssystemen eingesetzt werden, um aus Verhaltensprotokollen symbolische Verhaltensspezifikationen zu erlernen, die das Verhalten des Roboters bezüglich anerkannter Metriken signifikant verbessern. Wir beschränken uns in diesem Projekt auf subsymbolische Steuerungssysteme zur Navigation, die über eine strategische Komponente und eine reaktive Ausführungskomponente verfügen. XFRMLEARN wird auf Robotern mit verschiedenen Größen, Antriebsarten und Sensoren installiert und für verschiedene Anwendungen ausgetestet. ... Nachdem wir in der Vergangenheit den Einsatz von SRPs (strukturierte reaktive Pläne) bei der Steuerung eines autonomen Museum Tourguide Roboters und beim Transformationsplanen erforscht haben, wollen wir in diesem Projekt ihre Lernbarkeit untersuchen. Aufgrund unserer Erfahrungen scheint eine Überwachung des Roboterverhaltens zusammen mit einer auf der Diagnose von Fehlverhalten basierende Transformation der Pläne ein äußerst erfolgversprechender Ansatz zu sein, um allgemeine Steuerungsverfahren für spezifische Aufgaben und Umgebungen zu optimieren. Die Hauptzielsetzungen des Projekts sind daher: 1) Allgemeine Methoden, die Strukturen in Verhaltensprotokollen finden und diese Strukturen in strukturierte Pläne (SRPs) abbilden. Diese Pläne sollen das vom subsymbolischen Steuerungssystem generierte Verhalten kompakt beschreiben und reproduzieren. 2) Allgemeine Modelle, die Wissen zur Detektion und Diagnose von Fehlverhalten explizit repräsentieren. 3) Lernverfahren, die Pläne zur Steuerung sensomotorischer Systeme automatisch verbessern und an den Aufgabenkontext anpassen.