Lernen Motorischer Fähigkeiten: Von Algorithmen zu Roboter-Experimenten
dc.contributor.author | Kober, Jens | |
dc.contributor.editor | Hölldobler, Steffen | |
dc.date.accessioned | 2020-08-21T08:46:00Z | |
dc.date.available | 2020-08-21T08:46:00Z | |
dc.date.issued | 2013 | |
dc.description.abstract | In dieser Doktorarbeit werden Ansätze diskutiert, die es Robotern ermöglichen, motorische Fähigkeiten zu erlernen. Motorische Fähigkeiten können oft durch Motor-Primitive, die elementare Bewegungen kodieren, dargestellt werden. Es gab schon eine Reihe von erfolgreichen Anwendungen des Erlernens von Motor-Primitiven durch überwachtes Lernen. Allerdings sind viele interessante motorische Lernprobleme hochdimensionale Reinforcement-Learning-Probleme (bestärkendes Lernen), die oft außerhalb der Anwendbarkeit der aktuellen Reinforcement-Learning-Methoden liegen. Diese Doktorarbeit leistet einen Beitrag zum Stand der Technik in Reinforcement-Learning, angewandt auf die Robotik, sowohl durch neuartige Algorithmen als auch durch neuartige Anwendungen. Gezeigt wird, wie motorische Fähigkeiten auf drei verschiedenen Ebenen gelernt werden können. Alle vorgeschlagenen Ansätze wurden ausgiebig mit Aufgaben wie u. a. einem Becherspiel, Darts, Tischtennis oder einem Wurfspiel in der Simulation und auf realen Robotern validiert. | de |
dc.identifier.isbn | 978-3-88579-417-2 | |
dc.identifier.pissn | 1617-5468 | |
dc.identifier.uri | https://dl.gi.de/handle/20.500.12116/33734 | |
dc.language.iso | de | |
dc.publisher | Gesellschaft für Informatik | |
dc.relation.ispartof | Ausgezeichnete Informatikdissertationen 2012 | |
dc.relation.ispartofseries | Lecture Notes in Informatics (LNI) - Dissertations, Volume D-13 | |
dc.title | Lernen Motorischer Fähigkeiten: Von Algorithmen zu Roboter-Experimenten | de |
gi.citation.endPage | 190 | |
gi.citation.publisherPlace | Bonn | |
gi.citation.startPage | 181 |
Dateien
Originalbündel
1 - 1 von 1
Vorschaubild nicht verfügbar
- Name:
- 181.pdf
- Größe:
- 677.04 KB
- Format:
- Adobe Portable Document Format