Hochschule Ravensburg-Weingarten | Zurück zur Startseite


Prof. Wolfgang Ertel
Wolfgang Ertel
Professor Dr. rer. nat.

Lernfähige Roboter

Organisation

Studiengänge IN-Robotik
Semester 1. - 2.
SWS 2
Voraussetzungen Künstliche Intelligenz oder Maschinelles Lernen, bzw. Data Mining,
solide Kenntnisse in mehrdim. Analysis und Linearer Algebra
Leistungsnachweis

 Benotete Prüfungsleistung: M + Referat

Professor Dr. W. Ertel

Lernziele

Der Student soll verstehen, wie Roboter lernen können und in Projekten aktiv mitar-beiten können um einen beliebigen Roboter lernfähig zu machen. Ein Roboter ist lern-fähig, wenn er für eine bestimmte Aufgabe nicht mehr klassisch programmiert werden muss, sondern sein Verhalten erlernen kann. Das Lernen des Roboters beinhaltet hierbei auch die Generalisierung und geht somit weit über das einfache Reproduzieren gespeicherter Trajektorien (sog. Teach In oder Teaching) heutiger Industrieroboter hinaus.

Dazu muss der Student die wichtigsten beim Roboterlernen eingesetzten Lernverfah-ren verstehen, programmieren und auf einem Roboter umsetzen können. Ein wichtiges Ziel hierbei ist es auch, dass der Student in der Lage ist, selbstständig einschlägige Publikationen zu lesen und zu verstehen.

Inhalt

Die Veranstaltung besteht aus einem Vorlesungsteil und einem Praxisteil.

Vorlesung (ca. 1/3 Semester):

Wiederholung Maschinelles Lernen: Hier werden die wichstigsten Verfahren des Lernen mit Lehrer zur Klassifikation und Approximation kurz wiederholt, genauso wie die wichstigsten Verfahren des Lernen durch Verstärkung.
Roboterlernen: An praktischen Beispielen wird das Lernen durch Demonstration und das Lernen durch Verstärkung auf dem Roboter gezeigt. Es werden Stärken und Schwächen der beiden Ansätze aufgezeigt. Die für die Zukunft wichtige Kombination von Lernen durch Demonstration und Lernen durch Verstärkung wird erläutert.
Simulation: Zum Testen von Lernverfahren ist oft die Arbeit auf einem Physiksimulator hilfreich. Es werden hier mehrere gängige Simulatoren kurz vorgestellt.

Seminar (ca. 2/3 Semester):

Der Student erhält vom Dozenten einen gut verständlichen wissenschaftlichen Artikel aus dem Bereich des Roboterlernens. Er hat diesen und eventuelle ergänzende Sekundärliteratur zu lesen und zu verstehen. Dann bereitet er einen Vortrag vor und präsentiert diesen.

Liste der möglichen Themen SS 2014

Literatur

  • C.M. Bishop. Pattern recognition and machine learning. Springer New York:, 2006.
  • R. Sutton und A. Barto. Reinforcement Learning. MIT Press, 1998.
  • B. Siciliano und O. Khatib (Hrsg.), Handbook of Robotics. Springer, 2008.
  • W. Ertel, Künstliche Intelligenz, Vieweg, 3. Auflage, 2009.
  • S. Russell und P. Norvig. Artificial Intelligence: A Modern Approach, 2. Aufl. Prentice Hall, 2003.

Weitere Links