Advertisement

Zur Bedeutung der Künstlichen Intelligenz für Geschickte Roboter

  • R. Heyers
Part of the Informatik-Fachberichte book series (INFORMATIK, volume 89)

Zusammenfassung

Dieser Beitrag präsentiert eine selektive Wertung einiger von der Künstlichen Intelligenz (kurz: KI) angebotenen Paradigmen im Hinblick auf die besonderen Anforderungen, die mit dem praktischen Einsatz von Industrierobotern verbunden sind. — Das Vermögen der Künstlichen Intelligenz, mit komplexen, dynamisch veränderlichen Strukturen umzugehen sowie Wissen auf verschiedenen (Meta-) Ebenen zu handhaben, also logische Schlüsse zu ziehen, ist notwendig für sinnvolles Agieren in der realen Welt. Inferentielle Intelligenz allein reicht jedoch nicht aus, um einem Manipulationsroboter das Attribut „geschickt“ zu sichern. Geschicklichkeit ist prozedurales Wissen über die in einem brauchbaren Sinn günstigste Lösung einer Aufgabe, welches über das Wissen, das zu deren prinzipiellen Bewältigung erforderlich ist, hinausgeht. Darüberhinaus spielt die unmittelbare Verfügbarkeit dieses Wissens eine wichtige Rolle. Der Bedeutungsunterschied zwischen “intelligent” und „geschickt“ wird erläutert. — Der Neuerwerb des erforderlichen Wissens jedoch ist mit hohem Aufwand verbunden, so daß die bereits vorhandenen Erfahrungen gründlich auszuschöpfen sind. Die Vielfalt der physikalischen Welt verhindert aber viel zu häufig, daß alte Erfahrungen zu späteren Zeitpunkten noch „wortwörtlich“ gelten. Bei der Überwindung solcher „kleinen Wissenslücken“ spielen analogische Schlußtechniken eine erfolgversprechende Rolle.

Preview

Unable to display preview. Download preview PDF.

Unable to display preview. Download preview PDF.

Literaturangaben

  1. [1]
    Albus, J.S., “Robotics”. NATO A.S.I. on Robotics and Artificial Intelligence June/July 1983 (preprint)Google Scholar
  2. [2]
    Carbonell, J.G., “Learning by Analogy: Formulating and Generalizing Plans from Past Experience”. In [7], pp. 137–161Google Scholar
  3. [3]
    Dietterich, T.G., London, B., Clarkson, K., Dromey, G., Learning and Inductive Inference. Report STAN-CS-82–918, Stanford University, Department of Computer Science, May 1982Google Scholar
  4. [4]
    Dufay, B., Latombe, I.-C., “An Approach to Automatic Robot Planning Based on Inductive Learning”. 1st International Symposium of Robotics Research, New Hampshire, August-September 1983 (preprint)Google Scholar
  5. [5]
    Jäppinen, H., “Intelligent Behavior without Planning”. In Progress in Cybernetics and Systems Research (Ed.) Trappl/Findler/Horn, Hemisphere, 1982Google Scholar
  6. [6]
    Jäppinen, H., “A Model for Representing and Invoking Robot Bodily Skills”. Procs. Advanced Software in Robotics, Liege, 4–6th May, 1983, pp.333–342, Elsevier, 1984Google Scholar
  7. [7]
    Michalski, R.S., Carbonell, J.G., Mitchell, T.M., Machine Learning: An Artificial Intelligence Approach. Tioga Publishing Company, Palo Alto, 1983Google Scholar
  8. [8]
    Simons, J., van Brussel, H., de Schutter, J., Verhaert, J., “A Self-Learning Automaton with Variable Resolution for High Precision Assembly by Industrial Robots”. IEEE Trans. AC-27, No.5, Oct. 1982, pp.1109–1113Google Scholar

Copyright information

© Springer-Verlag Berlin Heidelberg 1984

Authors and Affiliations

  • R. Heyers
    • 1
  1. 1.Deutsche Forschungs- und Versuchsanstalt für Luft- und Raumfahrt e.V. (DFVLR)Institut für Dynamik der FlugsystemeWeßling/Obb.Deutschland

Personalised recommendations