Robotic self-exploration and acquisition of sensorimotor skills.

Autor/in	Berthold, Oswald
Titel	Robotic self-exploration and acquisition of sensorimotor skills.
Quelle	Berlin: Humboldt-Universität zu Berlin (2020), 186 S. PDF als Volltext kostenfreie Datei (1); PDF als Volltext kostenfreie Datei (2); PDF als Volltext kostenfreie Datei (3); PDF als Volltext kostenfreie Datei (4) Link als defekt meldenVerfügbarkeit Dissertation, Berlin, Humboldt-Universität zu Berlin, 2019.
Sprache	englisch
Dokumenttyp	online; gedruckt; Monographie
DOI	10.18452/21480
URN	urn:nbn:de:kobv:11-110-18452/22259-6
Schlagwörter	Skalierung; Autonomie; Kompetenzerwerb; Exploration; Künstliche Intelligenz; Algorithmus; Autonomie; Interaktion; Künstliche Intelligenz; Roboter; Skalierung; Exploration; Robotik; Kybernetisches Modell; Interaktion; Programmiertes Lernen; Algorithmus; Kybernetisches Modell; Roboter; Robotik; Sensumotorik
Abstract	Die Interaktion zwischen Maschinen und ihrer Umgebung sollte zuverlässig, sicher und ökologisch adequat sein. Um das in komplexen Szenarien langfristig zu gewährleisten, wird eine Theorieadaptiven Verhaltens benötigt. In der Entwicklungsrobotik und verkörperten künstlichen Intelligenz wird Verhalten als emergentes Phänomen auf der fortlaufenden dynamischen Interaktion zwischen Agent, Körper und Umgebung betrachtet. Die gewünschte Theorie sollte quantitativeVorhersagen über Verhalten auf Basis der Konfiguration machen können, genauso wie Vorhersagenüber die funktionalen Anforderungen an Agent und Körper auf Grundlage einer Umgebung. Diese Arbeit untersucht generative Modelle adaptiven Verhaltens von Robotern die in der Lage sind, schnell und selbständig einfache Bewegungen zu erlernen, ausschliesslich auf Grundlage sensomotorischer Information. Das langfristige Ziel dabei ist die Wiederverwendung gelernter Fertigkeiten in späteren Lernprozessen um damit ein komplexes Interaktionsrepertoire mit der Welt entstehen zu lassen, das durch Entwicklungsprozesse vollständig und fortwährend adaptiv in der sensomotorischen Erfahrung verankert ist. Unter Verwendung von Methoden des maschinellen Lernens, der Neurowissenschaft, Statistik und Physik wird die Frage zerlegt in die Komponenten Repräsentation, Exploration, und Lernen und deren gegenseitige Beziehungen. Es wird ein Gefüge für die systematische Variation und Evaluation von Modellen errichtet unter Verwendung verschiedener Maße. Das vorgeschlagene Rahmenwerk behandelt die prozedurale Erzeugung von Hypothesen als Flussgraphen über einer festen Menge von Funktionsbausteinen, was die Modellsuche durch nahtlose Anbindung über simulierte und physikalische Systeme hinweg ermöglicht. Ein Schwerpunkt der Arbeit liegt auf dem kausalen Fussabdruck des Agenten in der sensomotorischen Zeit. Dahingehend wird ein probabilistisches graphisches Modell vorgeschlagen um Informationsflussnetzwerke in sensomotorischen Daten zu repräsentieren. Das Modell wird durch einen auf informationstheoretischen Grössen basierenden Lernalgorithmus ergänzt. Es wird ein allgemeines Modell für Entwicklungslernen auf Basis von Vorhersagelernen in Echtzeit präsentiert und anhand von drei Variationen näher besprochen. Die Darstellung endet mit der Betrachtung von Wachstum und Skalierung. (DIPF/Orig.).
Erfasst von	DIPF \| Leibniz-Institut für Bildungsforschung und Bildungsinformation, Frankfurt am Main
Update	2021/3