User: Guest  Login
Original title:
Advanced Embodied Learning
Translated title:
Fortgeschrittenes Lernen mit Embodiment
Author:
Walter, Florian M. J.
Year:
2021
Document type:
Dissertation
Faculty/School:
Fakultät für Informatik
Advisor:
Knoll, Alois Christian (Prof. Dr. habil.)
Referee:
Knoll, Alois Christian (Prof. Dr. habil.); Weigel, Walter (Prof. Dr.)
Language:
en
Subject group:
DAT Datenverarbeitung, Informatik
Keywords:
Neurorobotics, Embodiment, Modular-Hierarchical Neural Networks, Deep Multisensory Neural Maps, Training Protocols, Robotics, Artificial Intelligence, Machine Learning, Deep Learning, Self-Supervised Learning, Curriculum Learning, Developmental Robotics, Virtual Robotics, Cloud Robotics, Biomimetic Robotics, Neuromorphic Computing, Sensor Data Fusion, Brain Simulation
Translated keywords:
Neurorobotik, Embodiment, modular-hierarchische neuronale Netze, tiefe multisensorische neuronale Karten, Trainingsprotokolle, Robotik, Künstliche Intelligenz, Maschinelles Lernen, Deep Learning, selbstüberwachtes Lernen, Curriculum-Lernen, Entwicklungsrobotik, virtuelle Robotik, Cloud-Robotik, biomimetische Robotik, neuromorphes Rechnen, Sensordatenfusion, Gehirnsimulation
TUM classification:
DAT 260; DAT 815
Abstract:
This work introduces new learning methods based on neurorobotics. We develop a tool set that enables massively parallel neurorobotics experiments in the cloud and supports neuromorphic computing. As a link to physical neurorobotics, we design a biomimetic mouse robot. Our key results include a brain-derived modular-hierarchical neural network architecture, a topographic loss function for learning deep multisensory neural maps, and training protocols that mimic biological development processes.
Translated abstract:
Diese Arbeit führt neue Lernverfahren auf Basis der Neurorobotik ein. Es werden Werkzeuge konzipiert, die hochparallele Neurorobotik-Experimente in der Cloud ermöglichen und neuromorphes Rechnen unterstützen. Als Brücke zur physischen Neurorobotik wird ein biomimetischer Mausroboter entwickelt. Die Hauptergebnisse sind eine vom Gehirn abgeleitete modular-hierarchische neuronale Netzarchitektur, eine topographische Verlustfunktion zum Lernen tiefer multisensorischer neuronaler Karten und Training...     »
WWW:
https://mediatum.ub.tum.de/?id=1616775
Date of submission:
21.07.2021
Oral examination:
27.10.2021
File size:
26658519 bytes
Pages:
267
Urn (citeable URL):
https://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:91-diss-20211027-1616775-1-5
Last change:
03.02.2022
 BibTeX