Modell- und diagnosebasiertes Transformationslernen von symbolischen Kontrollprogrammen für mobile Roboter

点击翻译按钮获取中文摘要

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.