Robot Learning

1 Einführung in das Roboterlernen. - 1 Motivation. - 2 Das Roboter-Lernproblem. - 3 Hintergrund. - 4 Bereiche. - 5 Fahrplan. - 2 Wissensbasiertes Training von künstlichen neuronalen Netzen für das autonome Fahren von Robotern. - 1 Einleitung. - 2 Netzwerkarchitektur. - 3 Netzwerk-Schulung. - 4 Leistungsverbesserung durch Transformationen. - 5 Ergebnisse und Vergleich. - 6 Diskussion. - 3 Erlernen von Verhalten mit mehreren Zielen durch Aufgabenzerlegung und dynamische Richtlinienzusammenführung. - 1 Einleitung. - 2 Grundlagen des Reinforcement Learning. - 3 Aufgaben mit mehreren Zielen. - 4 Ein Zerlegungsansatz. - 5 Suchbasiertes Zusammenführen. - 6 Eine hybride Architektur. - 7 Zusammenfassung. - 4 Memory-based Reinforcement Learning: Konvergation mit weniger Daten und weniger Echtzeit. - 1 Einleitung. - 2 Priorisiertes Sweeping. - 3 Ein Markov-Vorhersage-Experiment. - 4 Erlernen der Kontrolle von Markov-Entscheidungsaufgaben. - 5 Experimentelle Ergebnisse. - 6 Diskussion. - 7 Fazit. - 5 Schnelles Lernen von Aufgaben für echte Roboter. - 1 Einleitung. - 2 Verhaltensbasiertes Verstärkungslernen. - 3 Ausnutzung der lokalen räumlichen Struktur. - 4 Verwendung von Handlungsmodellen. - 5 Hochstrukturiertes Lernen. - 6 Zusammenfassung. - 6 Die semantische Hierarchie beim Lernen von Robotern. - 1 Einleitung. - 2 Die kognitive Landkarte und die semantische Hierarchie. - 3 Vom simulierten Roboter zum physischen Roboter. - 4 Von Tabula rasa zum kognitiven Mapping. - 5 Von langsamer zu hoher Geschwindigkeit. - 6 Schlussfolgerungen. - 7 Unsicherheit beim graphenbasierten Kartenlernen. - 1 Einleitung. - 2 Qualitative Navigation und Kartenlernen. - 3 Theoretische Entwicklung. - 4 Klassifizierung von Problemen. - 5 Zusammenfassung der Ergebnisse. - 6 Schlussfolgerungen. - 8 echte Roboter, echte Lernprobleme. - 1 Einleitung. - 2 Motivation. - 3 Die wichtigsten Arten des Lernens. - 4 Die wichtigsten Methoden des Lernens. - 5 Simulation. - 6 Fazit. Sprache: Englisch