Intelligente selbständige Roboter Science 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