Advertisement

Entwicklungstendenzen und Anwendungen symbolischer Lernverfahren in der Robotik

  • R. Dillmann
Part of the Informatik aktuell book series (INFORMAT)

Zusammenfassung

Im Gegensatz zu heutigen weit verbreiteten Industrierobotern sollen zukünftige autonome Roboter in der Lage sein, auf unerwartete, unsichere und/oder unbekannte Ereignisse zu reagieren und zielgerichtet zu interagieren. Dies soll entweder durch Parameteranpassung oder durch zusätzliche Analyse- und Planungsaktivitäten geschehen. Ein autonomes System sollte daher in Szenarien agieren können, die nicht vollständig modelliert vorliegen, oder für die überhaupt kein Modell a priori zur Verfügung steht. Eine weitere wichtige Anforderung für zukünftige autonome Systeme ist daher, daß sie in der Lage sind, aus eigenen gemachten Erfahrungen zu lernen, und ihr Wissen auf möglichst einfache Art z.B. durch Experimentieren oder durch Benutzerinteraktion zu akquirieren.

Preview

Unable to display preview. Download preview PDF.

Unable to display preview. Download preview PDF.

Schrifttum

  1. Connell 1993/, Connell, J.H., Mahadevan, S, S.:“Robot Learning”, Kluver Academic Publishers, 1993Google Scholar
  2. De Jong 1986/, De Jong, G., Mooney, R.:“Explanation-Based Learning: An Alternative View”,Machine Learning, vol. 1, pp. 145–176, 1986Google Scholar
  3. Fisher 1987/, Fisher, D.H.:“Knowledge Acquisition Via Incremental Conceptual Clustering”, Machine Learning, no. 2–2, pp. 139–162, 1987Google Scholar
  4. Fu 1971/, Fu, K.S.:“Learning Control Systems and Intelligent Control Systems: An Intersection of Artificial Intelligence and Automatic Control”, IEEE Transactions on Automatic Control, Vol. AC-16, p. 70–72 1971Google Scholar
  5. Kodratoff 1987/, Manago, M.V., Kodratoff,Y.:“Noise and Knowledge Acquisition”, Proc. IJCAI 87, pp. 348–349, Milano, Italy, 1987Google Scholar
  6. Kreuziger 1991/, Kreuziger, J., Hamann,R., Wenzel,W.:“Comparison of Inductive Learning”, in Mitchell,T. et al.: “The MONK’s Problems - A Performance Comparison of Different Learning Algorithms”, CMU Report, CMU-CS-91–197, 1991Google Scholar
  7. Kreuziger 1993/, Kreuziger, J.,Cord,S.:“ Anwendungen symbolischer Lernverfahren in der Robotik”, Interner Bericht Nr. 23/92, Universität Karlsruhe, Fakultät für Informatik, 1992Google Scholar
  8. Langley 1984/, Langley,P., Sage, S.:“Concetual Clustering as Discrimination Learning”, Proc. of the 5. BCCSCSI; Canada, 1984Google Scholar
  9. Lebowitz 1986/, Lebowitz,M.:“Not the Path to Perdition: The Utility of Similarity Based Learning”, Proc. of IMAL-86, Les Arc, 1986Google Scholar
  10. Lebowitz 1987/, Lebowitz, M.:“Exoperiments with Incremental Concept Formation: UNIMEM”, Machine Learning, no. 2–2, pp. 103–138, 1987Google Scholar
  11. Michalki 1983/, Michalski, R.S.; Stepp, R.E.:“Learning from Observation: Conceptual Clustering”, in Machine Learning, An AI Approach, Vol. 2, eds.: Michalski, R.S.,Carbonell, J.G.,Mitchell, T.M., pp. 331–364, Tioga Publishing Comp. 1983Google Scholar
  12. Michalski 1986/, Michalski, R.S. et al.:“The AQ15 Inductive Learning System: An Overview and Experiments”, Proc. of the Intern ational Meeting on Advances in Learning - IMAL, 1986Google Scholar
  13. Mitchell 1986/, Mitchell, T.M., Keller, R.M., Kedar-Cabelli, S.J.:“Explanation-Based Generalization: a Unifying View, ” Machine Learning, vol. 1, pp. 47–80, 1986Google Scholar
  14. Quinlan 1986/, Quinlan, J.R.: “Induction of decision trees”, Machine Learning, 1, 81–106, 1986Google Scholar
  15. Stepp 1987/, Stepp,R.E.:“Concepts in Conceptual Clustering”, Proc. of the UCAI-87, pp. 211–213, Milano, 1987Google Scholar

Copyright information

© Springer-Verlag Berlin Heidelberg 1993

Authors and Affiliations

  • R. Dillmann
    • 1
  1. 1.Institut für Prozeßrechentechnik und RobotikUniversität KarlsruheKarlsruheDeutschland

Personalised recommendations