For the realisation of cognitive capabilities in technical systems such as autonomous robots, the integration of many distinct cognitive resources that support learning and reasoning mechanisms can help to overcome the many challenges posed by the real world. Since many real-world problems involve uncertainty, this work explores the potential of statistical relational models as a resource for probabilistic high-level learning and reasoning. Statistical relational models combine the principles of logical representations with the semantics of probabilistic graphical models and thus constitute a powerful framework for high-level probabilistic cognition in technical systems. Two complementary representation languages for statistical relational models are considered: the established formalism of Markov logic networks (MLNs) and the novel formalism of Bayesian logic networks. Knowledge engineering issues that arise in statistical relational models are analysed, and important limitations regarding the generalisation of models across domains are identified. As novel extensions of MLNs that extend the scope of the generalised probability distributions that can be represented, this thesis introduces Markov logic networks with probability constraints as well as adaptive Markov logic networks, which dynamically adjust model parameters depending on the properties of the domain at hand. Bayesian logic networks (BLNs) are an alternative representation formalism which is based on the notion of mixed networks with probabilistic and deterministic dependencies, integrating local dependencies represented as conditional probability distributions with global constraints formulated in first-order logic. The combination of these two forms of representation can render both learning and reasoning problems more manageable in practice without substantially sacrificing expressiveness. Furthermore, as an important concept for the exchange of probabilistic information between components of a technical cognitive system, this work addresses the treatment of uncertain evidence and presents an efficient Markov chain Monte Carlo method for soft evidential update. Finally, concrete applications of statistical relational models in robot perception, cognition-enabled robot control and the assessment of production plans in a cognitive factory are considered. In perception, statistical relational models are used to categorise objects based on relational descriptions and for the data association task of spatio-temporal object identity resolution. In cognition-enabled robot control, models are tightly integrated with control structures, enabling robots to parametrise plans, to interpret and diagnose situations and to make predictions. In the cognitive factory, statistical relational models are used for the representation of factory station behaviour, taking the complex interactions between the production schedule, the products being produced and the state of the factory into consideration.     «

For the realisation of cognitive capabilities in technical systems such as autonomous robots, the integration of many distinct cognitive resources that support learning and reasoning mechanisms can help to overcome the many challenges posed by the real world. Since many real-world problems involve uncertainty, this work explores the potential of statistical relational models as a resource for probabilistic high-level learning and reasoning. Statistical relational models combine the principles of...     »

Für die Verwirklichung kognitiver Fähigkeiten in technischen Systemen wie autonomen Robotern kann die Verknüpfung verschiedenartiger kognitiver Ressourcen, die Lern- und Schlussfolgerungsmechanismen bereitstellen, ein adäquates Mittel sein, um den vielfältigen Herausforderungen der wirklichen Welt gerecht zu werden. Da eine Vielzahl von Problemen stark von Unsicherheit geprägt ist, untersucht diese Arbeit das Potenzial von statistischen relationalen Modellen als eine vielversprechende solche Ressource für probabilistische Lern- und Schlussfolgerungsprozesse auf einer abstrakten Ebene. Statistische relationale Modelle verbinden die Prinzipien logischer Repräsentationen mit der Semantik probabilistischer grafischer Modelle und stellen somit ein besonders ausdrucksstarkes Framework für probabilistische Kognition in technischen Systemen dar. Zwei komplementäre Repräsentationssprachen für statistische relationale Modelle werden behandelt: der etablierte Formalismus der Markov-Logik-Netze sowie der in der Arbeit neu eingeführte Formalismus der Bayesschen Logik-Netze. Es werden Fragestellungen der Wissensmodellierung untersucht und insbesondere Limitierungen bezüglich der Generalisierung von Modellen über Domänengrenzen hinweg herausgearbeitet. Als neuartige Erweiterungen von Markov-Logik-Netzen, die den Anwendungsbereich der abbildbaren, generalisierten Wahrscheinlichkeitsverteilungen vergrößern, werden Markov-Logik-Netze mit Wahrscheinlichkeitsbeschränkungen sowie adaptive Markov-Logik-Netze, welche ihre Parameter den Gegebenheiten einer Domäne spezifisch anpassen, eingeführt. Bayessche Logik-Netze sind eine alternative Repräsentationssprache, die auf gemischten Netzen mit probabilistischen und deterministischen Abhängigkeiten basiert und lokale Abhängigkeiten, die über bedingte Wahrscheinlichkeitsverteilungen repräsentiert sind, mit globalen Beschränkungen, die in der Logik erster Stufe formuliert sind, verbindet. Durch diese Verknüpfung von Repräsentationsformen kann die praktische Beherrschbarkeit von Schlussfolgerungs- und Lernproblemen verbessert werden, ohne jedoch die Ausdrucksstärke substanziell einzuschränken. Weiterhin wird die Behandlung von unsicheren Evidenzen als wichtiges Konzept für den Austausch unsicheren Wissens zwischen den Komponenten eines technischen Systems behandelt und ein effizientes Markov-Chain-Monte-Carlo-Verfahren für Belief-Updates mit weichen Evidenzen vorgestellt. Es werden mehrere Anwendungen statistischer relationaler Modelle für technische Systeme betrachtet, inbesondere im Bereich Wahrnehmung für Roboter, in der kognitiven Robotersteuerung sowie für die Bewertung von Produktionsplänen in einer kognitiven Fabrik. Im Bereich Wahrnehmung werden statistische relationale Modelle für die Kategorisierung von Objekten basierend auf relationalen Beschreibungen eingesetzt, sowie für die Lösung des Datenassoziationsproblems der räumlich-zeitlichen Objektidentitätsauflösung. In der kognitiven Robotersteuerung werden Modelle gezielt mit den Kontrollstrukturen eines Roboters verknüpft, um die Parametrisierung von Plänen, die Beurteilung und Interpretation von Situationen sowie das Treffen von Vorhersagen zu unterstützen. In der kognitiven Fabrik finden statistische relationale Modelle für die Repräsentation des Produktionsstationsverhaltens Anwendung, wobei die Wechselwirkungen zwischen Produktionsplänen, den hergestellten Produkten und dem Zustand der Produktionsstätte berücksichtigt werden.     «

Für die Verwirklichung kognitiver Fähigkeiten in technischen Systemen wie autonomen Robotern kann die Verknüpfung verschiedenartiger kognitiver Ressourcen, die Lern- und Schlussfolgerungsmechanismen bereitstellen, ein adäquates Mittel sein, um den vielfältigen Herausforderungen der wirklichen Welt gerecht zu werden. Da eine Vielzahl von Problemen stark von Unsicherheit geprägt ist, untersucht diese Arbeit das Potenzial von statistischen relationalen Modellen als eine vielversprechende solche Res...     »