Autonome Roboter zum Lernen motiviert
In einer unbekannten und sich kontinuierlich verändernden Umgebung muss ein autonomer Roboter fähig sein, sofort auf Veränderungen und unerwartete Ereignisse zu reagieren, um Kollisionen zu vermeiden und seine Karten zu aktualisieren. Für eine erfolgreiche Navigation muss der Roboter primär auf der Grundlage direkter Sensoreninformationen reagieren und sekundär auf der Grundlage interner Karten der unmittelbaren Umgebung. Dieses intelligente Verhalten ist, neben anderen Voraussetzungen, eine direkte Folge der Systemarchitektur in Kombination mit einem Lern- und Anpassungsschema, das individuell unter Berücksichtigung der erlangten Erfahrungen erarbeitet wird. Unter der Koordination der Universität Bonn haben die Projektpartner von SIGNAL versucht, eine Systemarchitektur zu entwerfen, die es autonomen Robotern ermöglicht, sich durch eine Sequenz von gelernten Fähigkeiten zu entwickeln. Die vorgeschlagene Systemarchitektur wurde in einer Hierarchie von Ebenen organisiert, die bestimmten Fähigkeitsebenen des Roboters entsprechen und im Einklang mit dem Informationspfad aufgeteilt sind. Sensorische Informationen aus primären Sensoren werden verarbeitet, um Informationen über die unmittelbare Umgebung durch eine Kaskade von Mustererkennungs- und Kategorisierungsmodulen abzuleiten, bis eine symbolische Information geschaffen wurde. Der Informationsfluss wird über multiple Schichten geleitet, um sensorische Basisdaten für kompliziertere Informationsverarbeitungsaufgaben zu erhalten, bevor die Ergebnisse an die Aktuatormodule weitergeleitet werden. Dann werden angemessene Befehle für die Roboteraktuatoren im Hinblick auf die Aufgabe erstellt, die das intelligente System durchführen soll, aber auch im Hinblick auf den "internen Status" des Systems. Während sich der Roboter durch seine Umgebung bewegt, werden Verbindungsgraphen der aufeinanderfolgenden sensorischen Elemente, die Objekte aus der echten Welt darstellen, unter Verwendung der durchgeführten aufeinanderfolgenden Aktionen aufgebaut. Diese topologischen Assoziationen der unmittelbaren Umgebung können die internen Karten liefern, die für die Navigation und die Planung der Aktion benötigt werden. Individuelle Module auf jeder Systemebene sind adaptiv und können ihre entsprechende Funktionalität durch Paradigmen lernen, die aus neuronalen Netzwerken stammen oder durch Maschinenlernen, künstliche Immunsysteme und psychologisches Lernen erworben wurden. Im Gegensatz zu konventionellen Systemen, die entwickelt werden, um Fähigkeiten in einem Rutsch zu erlernen, kann die Methode des "sensory-actuatory mapping" technischen Artefakten ermöglichen, durch Lernprozesse Sub-Funktionalitäten zu erhalten.
