Autonomes Lernen in der sensomotorischen Schleife - ein informationstheoretischer Zugang

• Antragsteller: Professor Dr. Nihat Ay
• Fachliche Zuordnung: Bild- und Sprachverarbeitung, Computergraphik und Visualisierung, Human Computer Interaction, Ubiquitous und Wearable Computing ; Kognitive und systemische Humanneurowissenschaften ; Mathematik ; Statistische Physik, Nichtlineare Dynamik, Komplexe Systeme, Weiche und fluide Materie, Biologische Physik
• Förderung: Förderung von 2011 bis 2018
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 200306544

Idealerweise sollten autonom lernende Systeme ohne die Hilfestellungen von einem menschlichen Lehrer in der Lage sein genug Information über sich und ihre Umgebung zu sammeln, damit sie eine gestellte Aufgabe effizient lösen können. Die Frage ist also: Wie kann ein System, das kein Vorwissen über sich und seine Umgebung hat und nur gelegentliche Richtig-Falsch-Signale bekommt, eigenständig lernen, was seine Aufgabe ist und wie es diese am besten bewältigen kann? Solche Systeme sind insbesondere dafür gedacht, sich in dynamischen und unvorhergesehen Situationen zurecht zu finden. Ein solches System muss gegebenenfalls in der Lage sein, selbstständig zu erkennen, wann eine leichte Beschädigung, wie z.B. ein blockiertes Rad, vorliegt und wie es diese Beeinträchtigung kompensieren kann. Diese Fähigkeiten werden zunehmend notwendig, da schon heutige Roboter immer komplexer werden und der klassische Ansatz, alles zu programmieren, schon bald nicht mehr der beste Weg sein wird. In diesem Projekt werden mathematischen Methoden entwickelt, mit deren Hilfe diese Fähigkeiten in künstlichen Systemen realisiert werden können. Hierbei geht es hauptsächlich um Theoriebildung und Grundlagenforschung. Wir glauben, dass es drei zentrale Aspekte gibt, die wir im Kontext autonomen Lernens berücksichtigen müssen. Erstens, das lernende System muss eine Art inneren Antrieb zur Exploration seines Körpers und seiner Umgebung haben; Exploration stellt ein zentrales Thema des Projektes dar. Zweitens, die Exploration muss sich an den physikalischen Eigenschaften des Körpers und der Umgebung orientieren. Nicht jede Aktion ist zu jedem Zeitpunkt möglich. Das autonom zu erkennen, schränkt den Suchraum enorm ein und verbessert dadurch das Lernen. Drittens, das intern getriebene Explorieren muss mit einem äußeren Lernsignal in einer effizienten Art und Weise verknüpft werden. Vor diesem Hintergrund glauben wir, dass das Fachgebiet des autonomen Lernens von Robotern neue mathematische Methoden aus der Informationstheorie und der Informationgeometrie benötigt, um den nächsten grossen Schritt in Richtung Autonomie machen zu können. In diesem Projekt werden wir theoretische Grundlagen autonomen Lernens erforschen und sie an virtuellen Robotern testen.

• DFG-Verfahren: Schwerpunktprogramme
• Teilprojekt zu: SPP 1527: Autonomes Lernen