Theoretisches Verständnis der Fähigkeit neuronale Systeme, Modelle der Umwelt zu repräsentieren, zu erlernen und zur Verhaltensplanung zu nutzen.

如何können神经元系统在模型下的Umwelt repräsentieren，学习和损伤复杂的handlung - sabfolgen平面和stesten ？他的计划是进攻，他的计划是进攻，他的计划是进攻，他的计划是进攻，他的计划是进攻。Konventionelles，无模型强化学习verneet jedoch solche Modelle， während基于模型的强化学习verneet solche Modelle， das echte Planung ermöglicht, bisher kaum in inen konnektionisch plausien Rahmen eingebettet wurde。in Projekt soll in modeleines neuralen Systems erarbeitet werden, das Wissen um die perzeptuellen Konsequenzen von Aktionen erlerent, so in“weltmodelell”neuronal repräsentiert and zielgerichtete handlung - planung realisiert。该系统采用直接、连续的传感器和运动信号系统，并以非接触式机械为基础。Ein besonderes Augenmerk legt auf der Selbst-Organisation der neuronalen Repräsentation von "Zuständen"， ähnlich den Selbst-Organisierenden Karten, jedoch gleichermaßen and Aktionen gekoppelt。Das Ziel ist hier die selbist - organisation verhaltensbasierter neuronaler Repräsentationen in einem konnektionistischen weltmodelel。基于模型的神经系统动力学研究，基于模型的神经系统动力学研究，基于模型的神经系统动力学研究。

Wie können neuronale Systeme ein Modell der Umwelt repräsentieren, erlernen und damit komplexe Handlungsabfolgen planen und steuern? Es scheint offensichtlich, dass der Mensch interne Modelle seiner Umwelt erlernt und zur Verhaltensplanung nutzt. Konventionelles, modell-freies Reinforcement Lernen verneint jedoch solche Modelle, während modell-basiertes Reinforcement Lernen, das echte Planung ermöglicht, bisher kaum in einen konnektionistisch plausiblen Rahmen eingebettet wurde. Im Projekt soll ein Modell eines neuronalen Systems erarbeitet werden, das Wissen um die perzeptuellen Konsequenzen von Aktionen erlernt, so ein "Weltmodell" neuronal repräsentiert und zielgerichtete Handlungsplanung realisiert. Das System wird direkt an kontinuierliche Sensor- und Motorsignale koppeln und nur auf lokalen Mechanismen basieren. Ein besonderes Augenmerk liegt auf der Selbst-Organisation der neuronalen Repräsentation von "Zuständen", ähnlich den Selbst-Organisierenden Karten, jedoch gleichermaßen an Aktionen gekoppelt. Das Ziel ist hier die Selbst-Organisation verhaltensbasierter neuronaler Repräsentationen in einem konnektionistischen Weltmodell. Die Methodik basiert einerseits auf der Theorie neuronaler Informationsverarbeitung und des Maschinellen Lernens, insbesondere der Modellierung von Maxkov-Entscheidungs-Prozessen, andererseits auf dynamischen neuronalen Systemen.