Learning Robot Activities from Experiences: An Ontology-based Approach
Neumann, Bernd ; Hotz, Lothar ; Günter, Andreas
| URL | http://edoc.sub.uni-hamburg.de/informatik/volltexte/2014/191/ |
|---|---|
| Dokumentart: | ResearchPaper |
| Institut: | Fachbereich Informatik |
| Schriftenreihe: | Berichte des Fachbereichs Informatik der Universität Hamburg |
| Bandnummer: | 300 |
| Sprache: | Englisch |
| Erstellungsjahr: | 2013 |
| Publikationsdatum: | 10.01.2014 |
| Freie Schlagwörter (Deutsch): | Lernen , Robotik , Generalisieren , Episoden |
| Freie Schlagwörter (Englisch): | Learning , Robotics , Generalizing , Episodes |
| DDC-Sachgruppe: | Informatik |
| BK - Klassifikation: | 54.72 |
Kurzfassung auf Deutsch:
Wir beschreiben Methoden, mit denen ein Roboter aus Erfahrungen lernen kann, und illustrieren dies mit ersten experimentellen Ergebnissen. Das Lernen erfolgt mithilfe von hybrider Wissensrepräsentation auf der Basis von OWL 2, erweitert um Konstrukte zur quantitativen Repräsentation von zeitlichen und räumlichen Informationen. Als zentrale Lernaufgabe untersuchen wir, wie ein neues Konzept aus positiven Beispielen abgeleitet werden kann. Dazu werden die Erfahrungen konzeptualisiert und durch die Konstruktion eines "Guten Gemeinsamen Subsumierers" (GCS) verbunden. Ein ähnliches Verfahren wird angewandt, wenn der Roboter ein gelerntes Konzept auf eine neue Situation anwenden soll, die nicht vom Konzept abgedeckt wird. Als dritte Lernsituation untersuchen wir das Verfeinern eines bestehenden Konzeptes aufgrund eines Negativbeispiels. Die Forschungsarbeiten und Experimente wurden im Rahmen des Projektes RACE durchgeführt, in dem ein Roboter lernt, Kellnerdienste in einem Restaurant zu leisten.
Kurzfassung auf Englisch:
This report describes methods and first experiments for a robot learning from experiences. Learning is performed within a hybrid knowledge representation framework based on the ontology language OWL 2 and extensions for quantitative spatial and temporal information. The central learning task considered is to establish a new concept based on positive examples. This is accomplished by conceptualizing each example and constructing a "Good" (rather than a Least) Common Subsumer of the conceptualizations in order to obtain cognitively plausible learning results. Another learning task arises when the robot must apply a learnt concept to a new situation which is not covered by the concept. A third learning situation concerns the refinement of learnt concepts by negative examples. Research and experiments are based on work in Project RACE where a robot plays the part of a restaurant waiter.
Hinweis zum Urherberrecht
Für Dokumente, die in elektronischer Form über Datenenetze angeboten werden, gilt uneingeschränkt das Urheberrechtsgesetz (UrhG). Insbesondere gilt:
Einzelne Vervielfältigungen, z.B. Kopien und Ausdrucke, dürfen nur zum privaten und sonstigen eigenen Gebrauch angefertigt werden (Paragraph 53 Urheberrecht). Die Herstellung und Verbreitung von weiteren Reproduktionen ist nur mit ausdrücklicher Genehmigung des Urhebers gestattet.
Der Benutzer ist für die Einhaltung der Rechtsvorschriften selbst verantwortlich und kann bei Mißbrauch haftbar gemacht werden.