Algorithmen zum Automatischen Erlernen von Motorfähigkeiten

Jan Peters, Jens Kober 1 ,  and Stefan Schaal 2
  • 1  Max Planck Institute for Biological Cybernetics, Dep. of Empirical Inference and Machine Learning, Tübingen
  • 2  University of Southern California, Computational Learning and Motor Control Lab, Los Angeles, CA 90089-2905, U.S.A.

Zusammenfassung

Das automatische Erlernen von Motorfähigkeiten würde es einem autonomen Roboter ermöglichen, sich an neuartige Situationen anzupassen. Dieses Ziel ist seit langem eine Vision der Robotik, Künstlichen Intelligenz und Kognitionswissenschaft. Allerdings kann dieses Vorhaben mit heutigen Techniken nicht erreicht werden, da nur wenige der Methoden in der Lage sind, mit der Komplexität moderner Manipulatoren oder von humanoiden Robotern umzugehen. Dieser Artikel beschreibt allgemeine Ansätze für textslPolicy Learning mit einem Schwerpunkt auf Motorstrategien. Das Ziel ist es, die Grundlagen zu schaffen, um motorische Fähigkeiten zu erlernen und sich selber automatisch zu verbessern. Hierfür werden zwei bedeutende Bereiche für einen solchen Ansatz betrachtet: einerseits Policy-Learning-Algorithmen, die den Anforderungen des Erwerbens motorischer Fähigkeiten gerecht werden, andererseits theoretisch fundierte, allgemeine Strukturen, welche für Aufgabendarstellung und -ausführung benötigt werden.

Purchase article
Get instant unlimited access to the article.
€30.00
Log in
Already have access? Please log in.


or
Log in with your institution

Journal + Issues

AT – Automatisierungstechnik covers the entire field of automation technology. It presents the development of theoretical procedures and their possible applications. Topics include new discoveries about the development and application of methods. It presents the function, properties, and applications of tools and includes contributions from the worlds of research, academia, and industry.

Search