Please use this identifier to cite or link to this item: doi:10.22028/D291-26677
Title: Autonomous learning of object behavior concepts and models through robotic interaction
Other Titles: Autonomes Lernen von Objektverhaltenkonzepten und -modellen durch Roboter Interaktion
Author(s): Roa Ovalle, Sergio
Language: English
Year of Publication: 2016
SWD key words: Künstliche Intelligenz
Maschinelles Lernen
Unüberwachtes Lernen
Selbstgesteuertes Lernen
Inkrementelles Lernen
Mustererkennung
Robotik
Free key words: aktives Lernen
kognitive Robotik
Entwicklungsrobotik
physikalische Roboter Interaktion
Konzeptlernen
Entropie
neuronale Netzwerke
developmental robotics
incremental learning
physical robotic interaction
active learning
pattern classification
minimum description length
DDC notations: 004 Computer science, internet
Publikation type: Doctoral Thesis
Abstract: We need robots that learn from the environment by interacting with it, and deduce models of causal relations and associations from these interactions. In this dissertation, we address the particular problem of predicting object trajectories when manipulating objects, using robot arm pushes. To solve this problem we derive models which can describe the behavior of objects put in motion. For a learning robot it is essential to learn in an incremental and active way when new information is coming in, and to do so without losing generalization and without overfitting. First, we tackle this problem by estimating the density of a sensorimotor space after a robot performs a new action by using a modification of the incremental Growing Neural Gas (RobustGNG) algorithm. RobustGNG performs a space quantization which is robust to noise and overfitting issues. Subsequently, we infer models useful for prediction of object trajectories in terms of object poses. The same machinery is useful for obtaining more coarse-grained predictions, for instance categorizations of object behaviors. Last but not least, these prediction models provide a qualitative and temporal description of the state space, so that they can eventually be used in planning tasks. We infer cause-effect models by using RobustGNG’s results in a new version of the CrySSMEx algorithm to generate substochastic finite-state machines.
Wir brauchen Roboter, die durch Interaktion mit der Umwelt von dieser lernen und aus dieser Interaktion Modelle für Kausalrelationen und -zusammenhänge ableiten können. In dieser Dissertation wird das spezielle Problem der Vorhersage von Objektbewegungen durch Manipulation von Objekten durch Roboterarme behandelt. Um dieses Problem zu lösen, werden Modelle hergeleitet, die das Verhalten von in Bewegung versetzten Objekten beschreiben können. Für einen lernenden Roboter ist es essentiell wichtig, schrittweise und aktiv zu lernen wenn neue Informationen kommen, ohne dabei die Generalisierung zu verlieren oder Überanpassung zu generieren. Das Problem wird zunächst dadurch angegangen, dass die Dichte eines sensomotorischen Raumes geschätzt wird, nachdem ein Roboter eine neue Bewegung ausgeführt hat. Hierfür wird eine Abwandlung des inkrementellen Growing Neural Gas (RobustGNG) Algorithmus verwendet. Die durch RobustGNG vorgenommene Quantisierung des Raumes ist unanfällig für Störungen und Überanpassung. Daraufhin können Modelle abgeleitet werden, die für die Vorhersage von Objektbewegungen bezüglich ihrer Objektstellung nützlich sind. Derselbe Mechanismus ist nützlich, wenn gröbere Vorhersagen getroffen werden sollen, z.B. bei der Kategorisierung von Objektverhalten. Zu guter Letzt bieten diese Vorhersagemodelle eine qualitative und zeitliche Beschreibung des Zustandsraumes, sodass sie schließlich auch bei Planungsaufgaben verwendet werden können. Es werden Ursache-Wirkungs-Modelle abgeleitet, indem die Ergebnisse des RobustGNG in einer neuen Version des CrySSMEx-Algorithmus verwendet werden, um substochastische Zustandsmaschinen zu erzeugen.
Link to this record: urn:nbn:de:bsz:291-scidok-66975
hdl:20.500.11880/26733
http://dx.doi.org/10.22028/D291-26677
Advisor: Uszkoreit, Hans
Date of oral examination: 16-Nov-2016
Date of registration: 8-Dec-2016
Faculty: MI - Fakultät für Mathematik und Informatik
Department: MI - Informatik
Collections:SciDok - Der Wissenschaftsserver der Universität des Saarlandes

Files for this record:
File Description SizeFormat 
main.pdf5,2 MBAdobe PDFView/Open


Items in SciDok are protected by copyright, with all rights reserved, unless otherwise indicated.