Modell- und diagnosebasiertes Transformationslernen von symbolischen Kontrollprogrammen für mobile Roboter

模型与诊断：模型与诊断：模型与诊断：模型与诊断：模型与诊断：模型与诊断：模型与诊断：模型与诊断：模型与诊断：模型与诊断：模型与诊断：模型与诊断Ziel dieses Projektes ist die Entwicklung eines Berechnungsmodells（软件系统）、die Realisierung des models（软件系统）、nachfolgengenard XFRMLEARN。XFRMLEARN solol也zusätzliche Komponente in vorhandenen Robotersteuerungssystemen eingesetzt werden， um aus Verhaltensprotokollen symbolische Verhaltensspezifikationen zu erlernen， die das Verhalten des Roboters bezglich anerkanter Metriken显著verbessen。Wir beschränken in diesem Projekt auf subsymbolische Steuerungssysteme zur Navigation， die berine strateische Komponente和eine retive ausff<e:1> hrungskomponente verf<e:1>。XFRMLEARN wind auf Robotern mit verschiedenen Größen, Antriebsarten and Sensoren installed and fr verschiedene Anwendungen ausgetestet. ...研究方向：自动化博物馆导览机器人与自动化博物馆导览机器人与自动化博物馆转型计划，研究方向：自动化博物馆导览机器人与自动化博物馆转型计划。德国德国德国德国德国德国德国德国德国德国德国德国德国德国德国德国德国德国德国德国德国德国德国德国德国德国德国德国德国德国德国德国德国德国德国德国德国德国德国德国德国德国德国德国德国德国德国德国德国德国德国德国德国德国德国德国德国德国德国德国德国德国德国德国德国德国德国德国德国德国德国德国德国德国德国德国德国德国德国德国德国德国德国德国德国德国德国德国德国德国德国德国德国德国德国德国德国德国德国德国德国德国德国德国德国德国德国德国德国德国德国1)总方法，Die Strukturen in Verhaltensprotokollen finden and Die Strukturen in strukturierte Pläne (SRPs) abbilden。disese Pläne sollen das vom subsymbolischen Steuerungssystem genererte Verhalten kompakt beschreiben and reproduczieren。2)基于遗传算法的诊断与诊断方法研究[j] . repräsentieren。3)学习与发展，学习与发展Pläne zur Steuerung sensomotorischer system automatisch verbessen and den aufgabencontext 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.