| Bibtype | Phdthesis |
|---|---|
| Bibkey | Rieger/98a |
| Author | Anke D. Rieger |
| Title | Program Optimization for Temporal Reasoning within a Logic Programming Framework |
| School | Universitat Dortmund |
| Address | Dortmund, Germany |
| Abstract | Thema dieser Arbeit ist die Integration dreier grundlegender
Anforderungen an situierte Agenten: das maschinelle Lernen von handlungs- und wahrnehmungsbezogenen Begriffen, die reaktive Planung mit diesen Begriffen und die Verankerung der Kommunikation zwischen situiertem Agenten und menschlichem Anwender in Handlungen und Wahrnehmungen. Das Zusammenfuehren dieser Aspekte erfordert die Repraesentation von Wahrnehmung und Handlung eines Agenten, die Weiterentwicklung reaktiver Planungs- und Planausfuehrungverfahren sowie die Spezialisierung maschineller Lernverfahren. Um diese Anforderungen erfuellen zu koennen, haben wir zunaechst die Notwendigkeit, Handlung und Wahrnehmung zu integrieren, bezueglich sowohl der kognitiven als auch der pragmatischen Aspekte analysiert. Begriffe, die einem Agenten das Handeln ermoeglichen, basieren darauf, dass der Erfolg der Handlung mittels der Wahrnehmung verifiziert werden kann, wobei die verwendeten Begriffe Wahrnehmungs-Handlungs-Beziehungen darstellen. Am Beispiel des Karlsruher Roboter Priamos haben wir eine hierarchische Repraesentation der Wahrnehmungen und Handlungen entwickelt. Die Repraesentation verankert die zur Kommunikation verwendeten Begriffe, die sich auf den abstrakten Stufen der Hierarchie befinden, ueber mehrere Stufen in den konkreten Sensormessungen und Elementaroperationen des Roboter. Zur automatischen Charakterisierung der verwendeten Merkmale wurde das induktive Lernverfahren Grdt entwickelt. Grdt vereint Aspekte existierender Lernverfahren, indem es deklaratives Wissen ueber die Struktur des Hypothesenraums zur Reduktion des Suchraums verwendet. Dieses Modellwissen wird mit Hilfe einer Grammatik definiert. Auf Grund des so reduzierten Suchraums kann Grdt den Hypothesenraum vollstaendig durchsuchen, dies ist insbesondere bei verrauschten Daten hilfreich, da keine potentielle Hypothese verpasst werden kann. Ziel der Arbeit ist jedoch nicht nur die Charakterisierung von operationalen Begriffen, sondern auch deren reaktive Ausfuehrung. Neu an diesem Ansatz ist dabei, dass symbolisches Wissen verwendet wird, um reaktiv die Wahrnehmungen des Agenten die Handlungen determinieren zu lassen. Dazu wurde das mehrstufiges Verfahren Sharc entwickelt, das basierend auf operationalen Begriffen plant und diese abstrakten Plaene auf eine operationale Basis herunterbricht und reaktiv ausfuehrt. Dabei ist das Sharc robust gegenueber fehlerhaften Messungen und sicher gegenueber Gefaehrdung anderer. Die Anwendbarkeit dieser Ergebnisse wurde an Hand der Domaene der mobilen Roboter nachgewiesen. Jedoch stellt diese Arbeit auch weitere Anwendungen vor, die den Einsatz der entwickelten Verfahren rechtfertigen. |
| Year | 1998 |
| Projekt | BLearn |
| Publicfile |
|---|