500 likes | 696 Vues
Selbstorganisation und Lernen. Carsten Keßler. Überblick. Einleitung Künstliche neuronale Netze Das Modell Roboter mit Eigeninitiative Visuelle Sensoren Zusammenfassung. Überblick. Einleitung Künstliche neuronale Netze Das Modell Roboter mit Eigeninitiative
E N D
Selbstorganisation und Lernen Carsten Keßler Seminar Robotfußball, SoSe 2003
Überblick • Einleitung • Künstliche neuronale Netze • Das Modell • Roboter mit Eigeninitiative • Visuelle Sensoren • Zusammenfassung Carsten Keßler: Selbstorganisation und Lernen
Überblick • Einleitung • Künstliche neuronale Netze • Das Modell • Roboter mit Eigeninitiative • Visuelle Sensoren • Zusammenfassung Carsten Keßler: Selbstorganisation und Lernen
Einleitung • Anpassungs- / Lernfähigkeit ist ein Hauptaugenmerk bei autonomen Agenten • Der Lernprozess besteht häufig aus einer indirekten Programmierung des Agenten („Reinforcement Learning“) Carsten Keßler: Selbstorganisation und Lernen
Einleitung • Engere Definition von Selbständigkeit: • Echte Selbständigkeit muss Eigeninitiative beinhalten Carsten Keßler: Selbstorganisation und Lernen
Einleitung – die „Vision“ • Startzustand: • Roboter, gesteuert durch ein neuronales Netz • das neuronale Netz ist in einem „Tabula rasa“ Zustand • der Roboter reagiert nicht auf seine Sensor-Messwerte • Aktivitäten sind rein zufällig • die Umgebung enthält statische und dynamische Objekte Carsten Keßler: Selbstorganisation und Lernen
Einleitung – die „Vision“ • Die Aufgabe: • komplett internes Ziel für den Roboter definieren, damit: • er anfängt, sich zu bewegen • während der Bewegung ein Bild von seiner Umgebung entwickelt • dies sollte unabhängig von den Sensoren und der Fortbewegungsart des Roboters sein Carsten Keßler: Selbstorganisation und Lernen
Überblick • Einleitung • Künstliche neuronale Netze • Das Modell • Roboter mit Eigeninitiative • Visuelle Sensoren Carsten Keßler: Selbstorganisation und Lernen
Künstliche neuronale Netze • Die Nervenzelle als biologisches Vorbild Quelle: Prof. Lippe, Skript „Softcomputing“ Carsten Keßler: Selbstorganisation und Lernen
Künstliche neuronale Netze • Schematische Darstellung eines künstlichen Neurons Quelle: Dan Patterson – Künstliche neuronale Netze Carsten Keßler: Selbstorganisation und Lernen
Künstliche Neuronale Netze • Formal: Tupel, bestehend aus • Eingabevektor • Gewichtsvektor • Aktivierungsfunktion • Ausgabefunktion Carsten Keßler: Selbstorganisation und Lernen
Künstliche neuronale Netze Quelle: Prof. Lippe, Skript „Softcomputing“ Carsten Keßler: Selbstorganisation und Lernen
Künstliche neuronale Netze Quelle: Prof. Lippe, Skript „Softcomputing“ Carsten Keßler: Selbstorganisation und Lernen
Künstliche neuronale Netze • Typen des Lernens • Entwicklung neuer Verbindungen • Löschen existierender Verbindungen • Modifikation der Gewichte • Modifikation des Schwellenwertes • Modifikation der Aktivierungs- / Ausgabefunktion • Entwickeln neuer Zellen • Löschen bestehender Zellen Carsten Keßler: Selbstorganisation und Lernen
Künstliche neuronale Netze • Lernstrategien • überwacht (supervised learning) • bestärkend (reinforcement learning) • unüberwacht (unsupervised learning) Carsten Keßler: Selbstorganisation und Lernen
Künstliche neuronale Netze • Anwendungen • Diagnostik • Vorhersage • Mustererkennung • Optimierung • Risikoabschätzung • Steuerung • .......... Carsten Keßler: Selbstorganisation und Lernen
Überblick • Einleitung • Künstliche neuronale Netze • Das Modell • Roboter mit Eigeninitiative • Visuelle Sensoren • Zusammenfassung Carsten Keßler: Selbstorganisation und Lernen
Das Modell • Der Ansatz: • der Agent überwacht selbst seinen eigenen Lernprozess Carsten Keßler: Selbstorganisation und Lernen
Das Modell • Problem: • die Sensorwerte müssen mit einem Modell vorausberechenbar sein, um im nächsten Schritt die gemessenen mit den vorausberechneten Werten zu vergleichen Carsten Keßler: Selbstorganisation und Lernen
Das Modell • Ausgabe des Controllers: • xt є Rn: Vektor der Sensorwerte zum Zeitpunkt t • c: Parameter Vektor Carsten Keßler: Selbstorganisation und Lernen
Das Modell • Das adaptive Modell soll xt+1 berechnen: Carsten Keßler: Selbstorganisation und Lernen
Das Modell • der Fehler dabei beträgt: Carsten Keßler: Selbstorganisation und Lernen
Das Modell • Lernregeln: • für das Modell: • für den Controller: Carsten Keßler: Selbstorganisation und Lernen
Das Modell • Der Khepera Roboter • 8 IR-Sensoren • 2 Motoren • max. 1m/s • erweiterbar Quelle: http://www.k-team.com Carsten Keßler: Selbstorganisation und Lernen
Das Modell • Beispiel • der Roboter bewegt sich mit konstanter Geschwindigkeit • der Output des Controllers gibt nur die Drehgeschwindigkeit an • Modellierung durch ein einzelnes Neuron: Carsten Keßler: Selbstorganisation und Lernen
Quelle: Der / Liebscher: True autonomy from self-organized adaptivity Carsten Keßler: Selbstorganisation und Lernen
Quelle: Der / Liebscher: True autonomy from self-organized adaptivity Carsten Keßler: Selbstorganisation und Lernen
Quelle: Der / Liebscher: True autonomy from self-organized adaptivity Carsten Keßler: Selbstorganisation und Lernen
Überblick • Einleitung • Künstliche neuronale Netze • Das Modell • Roboter mit Eigeninitiative • Visuelle Sensoren • Zusammenfassung Carsten Keßler: Selbstorganisation und Lernen
Roboter mit Eigeninitiative • Das Problem: • Bislang war die Geschwindigkeit gegeben • Das Modell strebt möglichst konstant bleibende Sensorwerte an Das ist gegeben, wenn der Roboter nichts tut Carsten Keßler: Selbstorganisation und Lernen
Roboter mit Eigeninitiative • Die Lösung: • Der Roboter bekommt einen Anreiz zur Aktivität • Dazu wird im Vorhersagemodell „die Zeit umgedreht“ Carsten Keßler: Selbstorganisation und Lernen
Roboter mit Eigeninitiative • Die Zeitschleife: Carsten Keßler: Selbstorganisation und Lernen
Roboter mit Eigeninitiative • Dabei entsteht der Fehler mit Der Fehler ist klein, wenn das aktuelle Verhalten des Roboters gut durch das Modell repräsentiert wird Carsten Keßler: Selbstorganisation und Lernen
Roboter mit Eigeninitiative • Berücksichtigung der Dynamik, die nicht durch das Modell beschrieben ist (Störung, Messfehler, „Rauschen“): Carsten Keßler: Selbstorganisation und Lernen
Roboter mit Eigeninitiative • Daraus folgt: • Der Fehler durch das Rauschen pflanzt sich in der Zeit „rückwärts“ fort • Der Modellfehler wird minimiert, wenn die Roboter-Sensormesswerte instabil sind Anreiz zur Aktivität Carsten Keßler: Selbstorganisation und Lernen
Roboter mit Eigeninitiative • Verhalten des Roboters: • Der Roboter zeigt sofort Aktivität, wenn er im Tabula rasa Zustand gestartet wird • Beim Aufprall auf Hindernisse wird der Messfehler sprunghaft so groß, dass der Roboter sofort umdreht Carsten Keßler: Selbstorganisation und Lernen
Überblick • Einleitung • Künstliche neuronale Netze • Das Modell • Roboter mit Eigeninitiative • Visuelle Sensoren • Zusammenfassung Carsten Keßler: Selbstorganisation und Lernen
Visuelle Sensoren Quelle: Der / Liebscher: True autonomy from self-organized adaptivity. Carsten Keßler: Selbstorganisation und Lernen
Visuelle Sensoren • Eingabevektor: x=(vl, vr, s1,…sK) • vl, vr: Geschwindigkeiten der Räder • si: Pixelwerte der Kamera im R3 Carsten Keßler: Selbstorganisation und Lernen
Visuelle Sensoren • Preprocessing: • Binäre Klassifizierung der Pixel, ob sie der Farbe des Balles entsprechen oder nicht • Herunterskalieren des Bildes auf 32 * 32 Pixel in Graustufen • Erzeugen eines Bewegungsvektors im R2 für den Ball aus 2 aufeinander folgenden Bildern Carsten Keßler: Selbstorganisation und Lernen
Visuelle Sensoren • Der Controller besteht aus 2 Neuronen • Neuron 1 regelt die Geschwindigkeit • gefüttert mit der Geschwindigkeit des Balles in Fahrtrichtung sowie den Sensormesswerten von den Rädern Funktioniert wie eben gesehen Carsten Keßler: Selbstorganisation und Lernen
Visuelle Sensoren • Der Controller besteht aus 2 Neuronen • Neuron 2 regelt die Lenkung • wird gefüttert mit den Pixelwerten aus dem vorher aufbereiteten Bild • Annahme: die Komponente g2 des Bewegungsvektors g soll sich nicht ändern Carsten Keßler: Selbstorganisation und Lernen
Visuelle Sensoren • Fehlerberechnung Carsten Keßler: Selbstorganisation und Lernen
Visuelle Sensoren • Ausgabefunktionen Carsten Keßler: Selbstorganisation und Lernen
Visuelle Sensoren • Lernregeln Carsten Keßler: Selbstorganisation und Lernen
Visuelle Sensoren • Ergebnisse: • Anpassung der Geschwindigkeit funktioniert beim Pioneer ähnlich gut wie beim Khepera • Anpassung der Richtung aufgrund der Kameradaten bereitet noch Probleme, die allerdings technischer Natur sind Carsten Keßler: Selbstorganisation und Lernen
Überblick • Einleitung • Künstliche neuronale Netze • Das Modell • Roboter mit Eigeninitiative • Visuelle Sensoren • Zusammenfassung Carsten Keßler: Selbstorganisation und Lernen
Zusammenfassung • Wir haben gesehen, wie: • Roboter mit Hilfe von neuronalen Netzen lernen können • Sie mit Hilfe von neuronalen Netzen dazu gebracht werden können, Aktivität zu entwickeln • Wie die Verarbeitung von visuellen Informationen in dieses Modell integriert werden kann Carsten Keßler: Selbstorganisation und Lernen
Zusammenfassung • Bezug zum Roboterfußball: • Zur Zeit noch keine praktische Anwendung der hier vorgestellten Ergebnisse • In der Anwendung dominiert noch die klassische KI • Ergebnisse sind noch sehr frisch, daher wahrscheinlich in Zukunft auch relevant für die Praxis Carsten Keßler: Selbstorganisation und Lernen
Vielen Dank für die Aufmerksamkeit! Carsten Keßler: Selbstorganisation und Lernen