Methoden des Reinforcement Lernens in realen, verteilten, kooperierenden Systemen

点击翻译按钮获取中文摘要

Inhalt des Antrags ist die Konzeption und Weiterentwicklung von Reinforcement Lernverfahren zur Steuerung von realen, verteilten Robotersystemen. Der Antrag weist dabei zwei Schwerpunkte auf: 1. die Entwicklung von schnellen Lernalgorithmen für die Individualfähigkeiten eines realen Roboters. Hier existiert ein solider theoretischer Unterbau; allerdings benötigen die heutigen Algorithmen eine um mehrere Größenordnung zu hohe Anzahl an Trainingserfahrungen. Nach heutiger Einschätzung kann dieser Aufwand nur durch eine Kombination verschiedener Methoden (Simulation, Speicherung relevanter Erfahrungen, aktives Lernen) auf ein praktisch vertretbares Maß reduziert werden. Der 2. Schwerpunkt des Antrags liegt in der Konzeption von Lernverfahren zur verteilten Steuerung eines Teams von Robotern in kooperativen Multi-Agenten-Systemen. Hier existieren zur Zeit nur punktuell theoretisch fundierte Lernalgorithmen. Im Zusammenhang mit der Gesamtausrichtung des Schwerpunkts fehlen insbesondere Lernalgorithmen für verteilte, unabhängige, kooperierende Lerner in stochastischer Umgebung. Basierend auf Vorarbeiten unserer Gruppe sollen solche Algorithmen erarbeitet werden. Die Validierung der entwickelten Konzepte soll zum einen durch das Erlernen zentraler Fähigkeiten eines realen Roboters zum anderen durch die Umsetzung in unserem Simulationsklasseteam "Karlsruhe Brainstormers" (dem amtierenden Vizeweltmeister) durchgeführt werden.