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

Das Nutzen geeigneter interner Repräsentationen ist eine wesentliche Grundlage der Verhaltensorganisation bem Menschen。Beispiele sde abstrahierende und kompakte Beschreibungen der Umwelt, die zur effizienten Verhaltensplanung der internen Simulation genutzt werden, statt direct auf iner hochdimensionalen Zustandsbeschreibung zu planen, aber auth Motorprimitive and ine hierarchische Organisation der motorcontrolle, die eine kompakte Repräsentation natricher Bewegungsmuster erlauben。方法des Maschinellen lenens bieten eine rigorose Herangehensweise和das lenenund Nutzen interner Repräsentationen (latent - variable - model)， die bisher vornehmlich和paradigm der sensorverarbeung客户。在工程中，工程模拟方法是一种基于工程实例的模拟方法。Zwei Fragestellungen stehen im Zentrum des projects:(1)如何将verhaltenplanung和motorcontrolauf believbigen internen Repräsentationen（冗余，分层，有序的dekomponierte）高效的现实世界？(2) Wie können geeignete internet Repräsentationen aus der Interaktion mit der Umwelt gelent werden？insbesonere: Wie können Motorprimitive, elementary verhalten, and verhaltensbasierte internet Repräsentationen gelent werden？[j] .基于贝叶斯理论的结构动力学分析方法，综合规划与电机控制实现方法。在机器人控制和机器人技术方面的新方法研究与分析。

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.