V tem delu predlagamo statično prostorsko predstavitev motoričnega sistema robota in njegovega okolja, ter algoritem za učenje le-te iz podatkov. Predstavimo aplikacijo algoritma na primeru učenja direktne in inverzne kinematike brez poznavanja kinematičnega modela robota, ki pri večjem številu prostostnih stopenj velja za težak problem v robotiki. Predlagana predstavitev zaznavno-motoričnega sistema se sklada z zadnjimi dognanji na področju kognitivne znanosti, ki zagovarja skupno arhitekturo motoričnega in zaznavnega sistema. Naša predstavitev le-tega ima obliko povezanih kompozicionalnih hierarhij in omogoča učinkovito inkrementalno učenje in sklepanje. Predstavimo poskuse v simulatorju in na humanoidnem robotu Nao.
COBISS.SI-ID: 10212692
V članku naslovimo naslednje raziskovalno vprašanje: ali lahko za dani problem avtomatsko napovemo, kako težko bo ljudem rešiti ta problem? V raziskavi se osredotočimo na probleme, kjer težavnost izvira iz kombinatorične kompleksnosti problemov. Predlagamo mero težavnosti, ki temelji na modeliranju napora pri reševanju problemov kot iskanja med alternativami in relacijami med alternativnimi rešitvami. Pri eksperimentih v šahovski domeni, kjer smo podatke pridobili od zelo dobrih človeških šahistov, se je ta mera pokazala kot primerna za ocenjevanje težavnosti problemov.
COBISS.SI-ID: 10025300
Razvili smo ERM (Error reduction merging), novo metodo učenja, ki avtomatsko odkrije podobnosti v strukturi agentovega okolja. ERM identificira različne tipe objektov le iz izmerjenih podatkov in združi opazovanja objektov, ki se obnašajo enako ali podobno, z namenom pospešitve učenja agenta. Izvedli smo množico eksperimentov v okoljih naraščajočih kompleksnosti. Robot je bil primoran naučiti se kvalitativnih modelov spreminjanja razdalje robota od objektov. Rezultati kažejo, da je ERM bil sposoben odkriti strukturne podobnosti v podatkih, ki so izrazito pospešile učenje. Ta trend je bil opažen pri uporabi različnih algoritmov strojnega učenja, uporabljenih znotraj metode ERM.
COBISS.SI-ID: 9731668