Intelligente selbständige Roboter Science Fiction oder Science Andreas Huemer 2006

Intelligente selbständige RoboterScience Fiction oder Science

Andreas Huemer

2006

Anforderungen

• Lösung von komplexen, nicht monotonen Aufgaben

• Einbettung in die reale Welt

• Einfache, intuitive Kommunikation

Einsatz (allgemein)

• Gefährliche Umgebungen

• Effizienzsteigerung

• Aufgaben, die von Menschen nicht oder schwer durchführbar sind

• Unterhaltung

Einsatzgebiete

• Katastropheneinsatz– Suche nach Überlebenden– Versorgung von Opfern– Bergung– Unterstützung der Einsatzkräfte

Einsatzgebiete

• Expeditionen

• Arbeit und Haushalt

• Exekutive und Militär

• Unterhaltung

Forschungsbereiche

• Roboterkörper

• Sensorik

• Motorik

• Steuerung

• Energieversorgung

Steuerung

• Intelligentes Verhalten

• Anpassungsfähigkeit

• Entwicklung

Intelligentes Verhalten durch künstliche neuronale Netze

• Biologisches Gehirn als Vorlage

• Verteiltes Wissen: Neuronen und Synapsen

• Spiking

• Struktur– Vom Sensor zum Motor– „Funktionen“ und „Unterfunktionen“

Ein einfaches neuronales Netz

• Aufbau

• Funktionsweise

• Simulation

Ein einfaches neuronales Netz

• Aufbau

• Funktionsweise

• Simulation

Anpassungsfähigkeit durch fehlende starre Programmierung

• Vielseitige Reaktionsmöglichkeiten auf sensorische Eingaben

• Neuronen und Verbindungen können sich laufend ändern

Entwicklung durch Lernen und Selbstorganisation

• Intelligenz kann mit der Zeit entstehen

• Aufbau des künstlichen Gehirns durch Selbstorganisation

• Aus Erfahrungen lernen

Selbstorganisation der neuronalen Verbindungen

• Häufig gemeinsam verwendete Verbindungen werden gestärkt

• Hebbsches Lernen

• Entstehung von neuronalen Karten

Beispiel einer neuronalen Karte

Lernen durch Belohnung und Bestrafung

• positives oder negatives Feedback über spezielle Sensoren – Reinforcement Learning

• Internes Feedback – Gesundheitszustand

• Externes Feedback – Bewertung durch Lehrer – Supervised Learning

Neue integrierte Lernmethode

• „Feedback-Kerne“ („Reinforcement units“)

Funktionsweise – Schritt 1

Funktionsweise – Schritt 2

Funktionsweise – Schritt 3

Funktionsweise – Schritt 4

Funktionsweise – Schritt 5

Funktionsweise – Schritt 6

Wichtige Vorteile gegenüber existierenden Lernmethoden

• Lernen ist direkt in das neuronale Netz integriert

• Lernen kann während der Laufzeit erfolgen• Feedback ist direkt mit der Aktion

verbunden, die es verursacht hat• Nur Teile des neuronalen Netzes müssen

angepasst werden• Zeitabhängige Vorhersagen sind möglich

Zu beachten

• Die komplexen Prozesse im neuronalen Netz sind schwer zu überwachen

• Die vorgeschlagenen Methoden müssen erst getestet werden

Wachstum des Gehirns

• Selbstorganisation der Neuronen

• Basisgehirn mit bestimmten Wachstumseigenschaften

• Steuerungsmöglichkeiten durch– Festlegung bestimmter Prozeduren– Evolutionäre Methoden

Hardwareprobleme

• Viele eher einfache, parallel laufende Prozessoren werden statt einem hochkomplexen benötigt

• Dynamische Änderungen der Hardware sind schwer möglich

Zusammenfassung

• Viele Einsatzgebiete

• Neuronale Netze – flexible Steuerung

• Ständige Anpassung und Verbesserung auch während Laufzeit möglich

• Noch viel Entwicklungsarbeit notwendig

• Aber: Science, nicht Science Fiction

Herzlichen Dank!

Andreas