Advertisement

SFB 527: Integration symbolischer und subsymbolischer Informationsverabeitung in adaptiven sensomotorischen Systemen

  • G. Palm
  • G. Kraetzschmar
Part of the Informatik aktuell book series (INFORMAT)

Zusammenfassung

Der Anfang das Jahres an der Universität Ulm neu eingerichtete Sonderforschungsbereich 527 befaßt sich mit dem Thema Integration symbolischer und subsymbolischer Informationsverabeitung in adaptiven sensomotorischen Systemen. Die beteiligten Institutionen und Institute sind die Universität Ulm mit den Abteilungen Neuroinformatik (Prof. Dr. G. Palm, Prof. Dr. H. Neumann, Dr. G. Kraetzschmar, Dr. A. Strey), Numerik (Prof. Dr. R. Seydel), Künstliche Intelligenz (Prof. Dr. F. von Henke), Meß-, Regel- und Mikrotechnik (Prof. Dr. E. Hofer, Dr. B. Tibken), Vergleichende Neurobiologie (Prof. Dr. G. Ehret) und der Sektion Neurophysiologie (Prof. Dr. W. Becker), das Forschungsinstitut für anwendungsorientierte Wissensverarbeitung (FAW) an der Universität (Prof. Dr. Dr. F.J. Radermacher, Dr. T. Kaempke) und das Daimler-Benz-Forschungszentrum in Ulm (Dr. P. Regel, H. Mangold). Die zentrale Problemstellung des SFB besteht in der Erforschung und Organisation nützlicher Interaktionen zwischen Methoden der symbolischen und subsymbolischen Informationsverarbeitung (insbesondere zwischen künstlichen neuronalen Netzen und wissensbasierten Systemen) auf einem autonomen Fahrzeug. Auf diese Weise soll ein konkretes sensomotorisches System geschaffen werden (der SFB-Demonstrator), welches in den ersten 3–5 Jahren u.a. folgende Leistungen erbringen soll: schnell auf unerwartete Veränderungen der Umgebung reagieren (anfangs ist hierbei an eine Büroumgebung gedacht); Aktionen über Längere Zeit planen (strategische Pläne), zum Beispiel zum Suchen und Einsammeln mehrerer über verschiedene Räume verteilter Objekte; aus der Erfahrung in dieser Umwelt lernen und sich an langfristige Umweltveränderungen anpassen. Die Hauptprobleme, die dabei angegangen werden sollen, sind die folgenden:
  1. 1)

    das Architekturproblem für Systeme, die auf der Interaktion mehrerer Ebenen jeweils adaptiver Informationsverarbeitung basieren.

     
  2. 2)

    Der spezielle Aspekt der neuro-symbolischen Integration.

     
  3. 3)

    Adaptivität und neuronales Lernen in komplexen hiererchischen Systemen.

     
  4. 4)

    Nutzung neurobiologischer Modellbildung in künstlichen sensomotorischen Systemen.

     
  5. 5)

    Sensorfusion auf autonomen Fahrzeugen.

     
  6. 6)

    Die Interaktion von strategischer Planung mit Steuerung und Regelung.

     
  7. 7)

    Die Wechselwirkung eines autonomen Fahrzeugs mit einem menschlichen Partner durch Sprache, Gestik und Sehen.

     

Preview

Unable to display preview. Download preview PDF.

Unable to display preview. Download preview PDF.

Literatur

  1. [1]
    Ajjanagadde, V. and Shastri, L. (1991): Rules and variables in neural nets. Neural Computation, (3): 121–134Google Scholar
  2. [2]
    Baron, R. (1995): Knowledge Extraction From Neural Networks - A Survey, Neuro COLT Technical Report NC-TR-94-040, Royal Holloway University of London, UK.Google Scholar
  3. [3]
    Beer, R. (1995): A dynamical systems perspective on agent-environment interaction. Artificial Intelligence 72 (1995): 173–215.CrossRefGoogle Scholar
  4. [4]
    Bienenstock, E. (1994): A Model of Neocortex. Technical Report, Brown University, Providence, USAGoogle Scholar
  5. [5]
    Braitenberg, V. (1978): Cell Assemblies in the Cerebral Cortex. In: Theoretical Approaches to Complex Systems ( Heim, R., Palm, G., eds.). Springer Verlag, Berlin, Heidelberg, New YorkGoogle Scholar
  6. [6]
    Braitenberg, V. (1984): Vehicles. MIT-Press, Cambridge, MAGoogle Scholar
  7. [7]
    Brooks, R.A., Stein, L.A. (1994): Building Brains for Bodies. Autonomous Robots, l, 725. Kluwer, BostonGoogle Scholar
  8. [8]
    Chapman, D. (1990): Vision, Instruction, and Action. Technical Report MIT AI TR-1085, MIT, Cambridge, MAGoogle Scholar
  9. [9]
    Cohen, P. Dean, T., Gil, Y., Ginsberg, M., Hoebel, L., (1994): Handbook of Evaluation for the ARPA/Rome Lab Planning Initiative. In Proc. of the ARPA/Rome Labratory Planning Initiative Workshop.Google Scholar
  10. [10]
    Fu, L.M. Rule generation from neural networks. IEEE Trans. on Systems, Man, Cybernetics, 24 (8): 1114–1124, August 1994.Google Scholar
  11. [11]
    Gallant, S.J. Neural network learning and expert systems. The MIT Press, Cambridge, Massachusetts, 1993.zbMATHGoogle Scholar
  12. [12]
    Giles, C.L. and On-din, Ch.W. Extraction, Insertion and Refinement of Symbolic Rules in Dynamically Driven Recurrent Networks. Connection Science, 5 (3 & 4): 307–337, 1993.CrossRefGoogle Scholar
  13. [13]
    Goller, Ch. and Küchler, A. (1994): Lernen von Heuristiken für Deduktionssysteme. KI-94 Workshops, 1994. editors: Jürgen Kunze, Herbert Stoyan.Google Scholar
  14. [14]
    Goonatilake, S. and Khebbal, S., editors. Intelligent Hybrid Systems. John Wiley & Sons Ltd, 1995.Google Scholar
  15. [15]
    Gori, M., Maggini, M. and Soda, G. Learning Regular Grammars From Noisy Examples Using Recurrent Neural Networks. Technical report, Dipartimento di Sistemi e Informatica, Universatä a di Firenze,1995.Google Scholar
  16. [16]
    Hölldobler, S., Kurfelß, F. (1991): CHCL - A Connectionist Inference System. In: Parallelization in Inference Systems (Fronhöfer, B., Wrightson, G., eds.), [16]Hölldobler, S., Kurfelß, F. 318–342, SpringerGoogle Scholar
  17. [17]
    Honovar, V. and Uhr, L., editors. Artificial Intelligence and Neural Networks: Steps toward Principled Integration. Academic Press, 1994.Google Scholar
  18. [18]
    Hooker, J.N., (1994): Needed: An Empirical Science of Algorithms, in: Operations Research, Vol. 42, pp 201–212.Google Scholar
  19. [19]
    Hooker, J.N., (1996): Testing Heuristics: We Have It All Wrong, in: Journal of Heuristics, Vol. 1, pp 33–42.CrossRefGoogle Scholar
  20. [20]
    Hornik, K., Stinchcombe, M. and White, H. Multilayer Feedforward Network are Universal Approximators. Neural Networks, 2: 359–366, 1989.CrossRefGoogle Scholar
  21. [21]
    Ivanova, I. and Kubat, M. Initialization of neural networks by means of decision trees. Knowlegde Based Systems, 1995. to appear.Google Scholar
  22. [22]
    Küchler, A and Goller (1996): How Structure-Driven Recurrent Neural Networks Could be Utilized for Inductive Learning in Symbolic Domains Learning Task-Dependent Distributed Representations by Backpropagation Through Structure. In Proceedings of the 20th German Annual Conference on Artificial Intelligence (KI’96), Lecture Notes in Computer Science, Dresden, 1996. Springer-Verlag. to appear, also to be presented at the ECAI’96 WS on NNSK, Budapest.Google Scholar
  23. [23]
    Maes, P. (1990): Designing Autonomous Agents: Theory and Practice from Biology to Engineering and Back. MIT Press, CambridgeGoogle Scholar
  24. [24]
    Miikullainen, R. and Bijwaard, D. Parsing Embedded Clauses with Distributed Neural Networks. In Proceedings of the twelfth National Conference on Al (AAAI’94), pages 858864, Menlo Park, CAL, 1994. AAAI Press, MIT Press.Google Scholar
  25. [25]
    Niklasson, L.F. Structure Sensitivity in Connectionist Models. In M.C. Mozer, P. Smolensky, D.S. Touretzky, J.L Elman, and A.S. Weigend, editors, Proceedings of the 1993 Connectionist Models Summer School, pages 162–169. Lawrence Erlbaum Associates, 1994.Google Scholar
  26. [26]
    Omar, R.. Artificial intelligence through logic? AI Communications, 7 (3/4): 161 - 174, 1994.Google Scholar
  27. [27]
    Palm, G. (1982): Neural Assemblies. An Alternative Approach to Artificial Intelligence. Springer-Verlag, Berlin, Heidelberg, New YorkGoogle Scholar
  28. [28]
    Palm, G., Rückert, U., Ultsch, A. (1991): Wissensverarbeitung in neuronaler Architektur. In: Verteilte Künstliche Intelligenz and kooperatives Arbeiten (Brauer, W., Hernandez, D., eds.). Springer, Berlin, Heidelberg, New YorkGoogle Scholar
  29. [29]
    Palm, G. (1993): On the Internal Structure of Cell Assemblies. In: Brain Theory ( Aertsen, A., ed.). 261–270, Elsevier, AmsterdamGoogle Scholar
  30. [30]
    Palm, G., Ultsch, A., Goser, K., Rückert, U. (1994): Knowledge Processing in Neural Networks. In: VLSI for Neural Networks and Artificial Intelligence ( Delgado-Frias, J.G., ed.). 207–216. Plenum Press, New YorkGoogle Scholar
  31. [31]
    Pinkas, G. (1991): Symmetric Neural Networks and Propositional Logic Satisfiability. Neural Computation 3 (2), 282 - 291CrossRefGoogle Scholar
  32. [32]
    Radermacher, F.J. (1991): Modeling and Artificial Intelligence, Applied Artificial Intelligence 5 ( Trappl, R., ed. ), 131–151Google Scholar
  33. [33]
    Radermacher, F.J. (1994): Eine systemtheoretische Sicht auf intelligente Systeme. Beitrag zur BMFT/VDI-Veranstaltung “Mit leisen Schritten - Von der Küinstlichen Intelligenz als Vision zur Intelligenten Technik als Perspektive”. Wissenschaftszentrum Bonn, Juli 1994Google Scholar
  34. [34]
    Radermacher, F.J. (1996): Cognition in Systems. Cybernetics and Systems. An International Journal 27, 1–41MathSciNetGoogle Scholar
  35. [35]
    Radermacher, F.J., Solte, D. (1994): Die FAW-Software-Engineering-Strategie für MultiClient/Server-Umgebungen. In: Proceedings on-lineGoogle Scholar
  36. [36]
    Siegelmann, H.T. and Sontag, E.D. Analog computation via neural networks. Theoretical Computer Science, (131): 331–360, 1994.Google Scholar
  37. [37]
    Siegelmann, H.T. and Sontag, E.T. On the Computational Power of Neural Nets. Journal of Computer and System Sciences, 50: 132150, 1995MathSciNetGoogle Scholar
  38. [38]
    Smithers, T. (1995): What the Dynamics of Adaptive Behavior and Cognition Might Look Like in Agent-Environment Interaction Systems. In Proceedings of Conference on Practice and Future of Autonomous Agents (AA-95), Monte Verita, Switzerland, 1995.Google Scholar
  39. [39]
    Stolcke, A. and Wu, D. Tree Matching with Recursive Distributed Representations. Technical Report TR-92-025, International Computer Science Institute, Berkeley, California, 1992.Google Scholar
  40. [40]
    Sun, R. Integrating Rules and Connectionism for Robust Commonsense Reasoning. Sixthgeneration computer technology series. John Wiley & Sons, Inc., 1994.Google Scholar
  41. [41]
    Sun, R., Bookman, L. (eds. ) (1994): Computational Architectures Integrating Neural and Symbolic Processes. Kluwer Academic Publishers.Google Scholar
  42. [42]
    Towell, G., and J. Shavlik. The extraction of refined rules from knowledge based neural networks. Machine Learning, 13 (l): 71–101, 1993.Google Scholar
  43. [43]
    Wilson, A., Hendler, J. (1993): Linking Symbolic and Subsymbolic Computing. In: Connection Science 5, 395 ffGoogle Scholar

Copyright information

© Springer-Verlag Berlin Heidelberg 1997

Authors and Affiliations

  • G. Palm
    • 1
  • G. Kraetzschmar
    • 1
  1. 1.Fakultät für Informatik, Abteilung NeuroinformatikUniversität UlmUlmGermany

Personalised recommendations