Biologically-Inspired Learning for Humanoid Robots

Vortragende/r (Mitwirkende/r)
Nummer0000002585
Art
Umfang4 SWS
SemesterSommersemester 2018
UnterrichtsspracheEnglisch
Stellung in StudienplänenSiehe TUMonline
TermineSiehe TUMonline

Termine

Teilnahmekriterien & Anmeldung

Lernziele

"Nach diesem Kurs sind die Studierenden in der Lage: - Das Roboter-Betriebssystem ROS mit dem NAO Roboter zu benutzen. - Die wichtigsten biologischen Mechanismen zu verstehen, die für das Lernen verantwortlich sind. - Biologisch inspirierte Algorithmen für sensomotorische Zuordnungen/Funktionen und Reinforcement-Lernen zu implementieren."

Beschreibung

"1) Einleitung - Motivation - Forschung über das menschliche Gehirn - Menschliches Gehirn als Inspiration für motorische Steuerung 2) Lernen - Warum müssen Humanoide lernen? - Was müssen Humanoide lernen? - Lernalgorithmen -- Überwachtes Lernen -- Unüberwachtes Lernen -- Reinforcement-Lernen - Lernen durch eigenständige Exploration - Lernen durch Demonstration 3) Das Kleinhirn - Fakten - Anatomie - Neuronale Schaltkreise - Auswirkungen von Krankheiten, die das Kleinhirn betreffen 4) Computermodell des Kleinhirns - Assoziativspeicher - Cerebellar Model Articulation Controller (CMAC) 5) Basalganglien - Anatomie und Hauptkomponenten - Projektionen von und zu anderen Hirnregionen - Direkte und indirekte Leitungsbahn - Schleifen in den Basalganglien 6) Reinforcement-Lernen (RL) - Eigenschaften - Belohnung - Agent und Umgebung - Hauptkomponenten eines RL Agenten - Zeitdifferenz-Lernen 7) Selbstorganisierende Karten (SOK) 8) Zentraler Mustergenerator (ZMG) - Biologischer Ansatz - Computermodell - Mehrschicht ZMG "

Inhaltliche Voraussetzungen

C/C++ programming skills

Lehr- und Lernmethoden

"Following teaching methods are used: - Lectures that provide the necessary theory for the tutorials. - Tutorials with laboratory assignments which ensure that major parts of the taught content, e.g. learning algorithms, are realized and tested on the robots."

Studien-, Prüfungsleistung

"Die Endnote wird durch die Labor-/Übungsaufgaben (40%), die Fachblatt-Präsentationen (20%) und die mündliche Prüfung (40%) bestimmt. Labor-/Übungsaufgaben evaluieren die Fähigkeit der Studierenden, die in der Vorlesung präsentierten Ansätze und Methoden für das Roboter-Lernen zu implementieren. Die Implementierung ist in Form von Quellcode, der kompiliert und auf den Robotern getestet wird. Die Studierenden müssen ihre Resultate auf den Robotern zeigen. Dies beinhaltet auch zu zeigen, wie die Roboter Fähigkeiten gelernt haben. Fachblatt-Präsentationen überprüfen, ob die Studierenden biologisch inspirierte Methoden und Algorithmen kurz und bündig vermitteln können. Die mündliche Prüfung evaluiert das Verständnis der Studierenden von den biologischen Prinzipien, die für das (Roboter-)Lernen verantwortlich sind. Sie müssen die wichtigsten Lernparadigmen, ihre biologische Grundlagen und technische Realisierung darstellen und erklären können."

Empfohlene Literatur

R. S. Sutton and A. G. Barto: "Reinforcement learning: An introduction", MIT Press, 1998.

Links