In motor control, mapping high-level goals to low-level motor commands often leads to ambiguities, as there are usually many ways a task can be achieved. The key to resolving such ambiguities, for both humans and robots, lies in prediction. In this dissertation, a novel approach for acquiring and applying predictive robot action models is presented. Action models are first learned from observed experience, and enable robots to predict the performance and outcome of their actions. These models are then used to tailor actions to the context they are being executed in, for instance to optimize action sequences, tailor actions to novel goals, or coordinate actions of several robots. The main principle behind this approach is that in robot controller design, knowledge that robots learn themselves from observed experience complements well the abstract knowledge that humans specify.     «

In motor control, mapping high-level goals to low-level motor commands often leads to ambiguities, as there are usually many ways a task can be achieved. The key to resolving such ambiguities, for both humans and robots, lies in prediction. In this dissertation, a novel approach for acquiring and applying predictive robot action models is presented. Action models are first learned from observed experience, and enable robots to predict the performance and outcome of their actions. These models ar...     »

In der Bewegungssteuerung führt die Abbildung von abstrakten Ziele auf konkreten Bewegungsbefehlen oft zu Ambiguitäten, da Aufgaben oft auf viele Weisen gelöst werden können. In der Natur wie in der Robotik können diese Ambiguitäten mit Vorhersagen aufgelöst werden. In dieser Dissertation wird ein neuer Ansatz für den Erwerb und die Anwendung von Vorhersagemodellen für Roboter vorgestellt. Aktionsmodelle werden erst aus beobachteter Erfahrung gelernt, und ermöglichen Robotern die Performanz und das Resultat ihrer Aktionen vorherzusagen. Mit Hilfe diese Modelle werden Aktionen bezüglich ihres Ausführungskontextes maßgeschneidert, zum Beispiel um Aktionsketten zu optimieren, Aktionen an neue Ziele anzupassen, oder Aktionen mehrere Roboter zu koordinieren. Das Hauptprinzip dieses Ansatzes besteht darin, das Wissen, das sich Roboter selbst durch Beobachtung aneignen, jenes durch den Menschen bestimmte abstrakte Wissen gut komplettiert.     «

In der Bewegungssteuerung führt die Abbildung von abstrakten Ziele auf konkreten Bewegungsbefehlen oft zu Ambiguitäten, da Aufgaben oft auf viele Weisen gelöst werden können. In der Natur wie in der Robotik können diese Ambiguitäten mit Vorhersagen aufgelöst werden. In dieser Dissertation wird ein neuer Ansatz für den Erwerb und die Anwendung von Vorhersagemodellen für Roboter vorgestellt. Aktionsmodelle werden erst aus beobachteter Erfahrung gelernt, und ermöglichen Robotern die Performanz und...     »