Strategie und Aktion als Lernziel der visuellen Exploration Die Arbeiten in diesem Projekt beschäftigen sich mit dem
Lernen von Verarbeitungsstrategien zur Nutzung von Wissen,
das in Form eines semantischen Netzes repräsentiert wird.
Die Strategien legen fest, in welcher Reihenfolge die Knoten eines
Netzes berechnet werden. Als Lernverfahren werden Methoden aus dem
Reinforcement Learning verwendet. Diese Verfahren lassen sich auf
intuitive Art und Weise in den bereits bestehenden problemunabhängigen
Kontrollalgorithmus zur Wissensverarbeitung eingliedern.
Im Reinforcement Learning wählt ein Agent basierend auf einer
erworbenen Entscheidungstaktik in jedem besuchten Zustand eine Aktion aus
und erhält für diese Aktion eine Belohnung, die entweder gut oder schlecht
ausfallen kann. Die Aktionen entsprechen hier Regeln zur Berechnung von
Knoten im Netz, während die Knoten selbst als Zustände fungieren.
Das Ziel des Agenten besteht in der Maximierung der Gesamtbelohnung, die der
Agent nach Ablauf einer Exploration erhält. Aus der dabei erworbenen
Entscheidungstaktik ergibt sich die optimale Verarbeitungsstrategie.
In dem Projekt wird weiterhin die Funktionsfähigkeit und Anwendbarkeit eines
neuartigen 3-D-Laserkamerasystems untersucht. | Projektleitung: Prof. em. Dr.-Ing. Dr.-Ing. h.c. Heinrich Niemann
Beteiligte: Dr.-Ing. Ulrike Ahlrichs
Stichwörter: Wissensbasiertes aktives Sehen; Reinforcement Learning; semantische Netze
Laufzeit: 1.4.1999 - 31.3.2001
Förderer: Deutsche Forschungsgemeinschaft
|