Goal-Oriented Control of Self-Organizing Behavior in Autonomous Robots

Abstract

Diese Arbeit erforscht adaptive Algorithmen zur Steuerung von autonomen Roboter bei denen sich koordiniertes Verhalten ohne konkrete Ziele oder Informationen über die Hardware von selbst organisiert. Die sensomotorische Schleife wird als dynamisches System betrachtet. Durch Selbstorganisation entstehen verschiedene Verhalten, die zum jeweiligen Körper und zur Umgebung passen. Während des Lernprozesses wechseln sich diese von selbst ab. Es werden mehrere Methoden vorgeschlagen um den Selbsorganizationsprozess so zu leiten, dass gewünschte Verhalten entstehen. Durch konkurrierendes Lernen Neuronaler Netze gelingt die automatische Aufteilung des Verhaltenraumes, so dass ein Repertoire an Verhaltensprimitiven erworben wird. In Kombination mit Reinforcement Lernen werden dann zielgerichtete Aufgaben gelöst. Die Algorithmen und Methoden werden experimentell durch eine Vielzahl simulierter Roboter verifiziert. Dafür wurde ein eigener Simulator entwickelt, welcher kurz beschrieben wird.