Algorithmen zum Automatischen Erlernen von Motorfähigkeiten

Jan Peters, Jens Kober 1 ,  und 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.

Artikel kaufen
Erhalten sie sofort unbegrenzten Zugriff auf den Artikel.
Anmelden
Haben Sie den Zugang bereits erworben? Melden Sie sich bitte an.


oder
Zugriff über Ihre Institution

Zeitschrift + Hefte

Die at – automatisierungstechnik befasst sich mit dem gesamten Bereich der Automatisierungstechnik. Sie stellt die Entwicklung theoretischer Verfahren und deren potenzielle Einsatzmöglichkeiten vor. Themen sind neue Erkenntnisse zur Entwicklung oder Anwendung von Methoden; Funktionsweisen, Eigenschaften und Anwendungen von Tools; Mitteilungen aus Forschung, Lehre und Industrie.

Suche