Logo des Repositoriums

Auflistung nach Autor:in "Kirchner, Elsa Andrea"

1 - 3 von 3
  • Textdokument
    Ausgezeichnete Informatikdissertationen 2014
    (2015) Angerer, Andreas; Auer, Christopher; Berkholz, Christoph; Bermbach, David; Bringmann, Karl; Cano, Estefania; Distler, Tobias; Gisbrecht, Andrej; Herrmann, Dominik; Hoffmann, Steve; Hufsky, Franziska; Kirchner, Elsa Andrea; Klambauer, Günter; Lanthaler, Markus; Lawonn, Kai; Lemmerich, Florian; Linden, Sven; Manthey, Norbert; Michels, Dominik L.; Mühlbach, Sascha; Reuter, Christian; Rieke, Jahn; Rohr, David; Sallinger, Emanuel; Samek, Wojciech; Schmidt, Melanie; Tauheed, Farhan; Tschuggnall, Michael; Wenger, Stephan; Ziller, Michael J.
  • Textdokument
    Intrinsische Intentionserkennung in technischen Systemen
    (Ausgezeichnete Informatikdissertationen 2014, 2015) Kirchner, Elsa Andrea
    Im Rahmen der Dissertation wurde ein ganzheitlicher Ansatz mit der Bezeichnung "embedded Brain Reading (eBR)" entwickelt, um zum einen Handlungsintentionen anhand von Gehirnströmen zu erkennen und zum anderen diese naturgemäß fehlerbehaftete Erkennung in technischen Systemen fehlertolerant zu integrieren. Technische Systeme können durch eBR sowohl in ihrer Funktion adaptiert als auch gesteuert werden, ohne zusätzliche kognitive Ressourcen des Menschen zu fordern. Der Ansatz verknüpft die komplexe Auswertung von Gehirnaktivitäten mit dem jeweiligen Kontext, in denen Interaktionen stattfinden. So werden intuitive und leichte Interaktionen zwischen einem technischen System und dem Menschen ermöglicht. Der generische Ansatz und damit die Interaktionen zwischen Mensch und Maschine wurden formal modelliert. Dieses Modell diente der Validierung unterschiedlicher Implementierungen des Ansatzes. Insbesondere wurde nachgewiesen, dass der Ansatz dabei hilft, mit unsicheren Daten, wie sie bei der Analyse der Gehirnaktivität entstehen, zuverlässig umzugehen.
  • Zeitschriftenartikel
    Towards Learning of Generic Skills for Robotic Manipulation
    (KI - Künstliche Intelligenz: Vol. 28, No. 1, 2014) Metzen, Jan Hendrik; Fabisch, Alexander; Senger, Lisa; Gea Fernández, José; Kirchner, Elsa Andrea
    Learning versatile, reusable skills is one of the key prerequisites for autonomous robots. Imitation and reinforcement learning are among the most prominent approaches for learning basic robotic skills. However, the learned skills are often very specific and cannot be reused in different but related tasks. In the project 'Behaviors for Mobile Manipulation', we develop hierarchical and transfer learning methods which allow a robot to learn a repertoire of versatile skills that can be reused in different situations. The development of new methods is closely integrated with the analysis of complex human behavior.