Kognitive Robotik — Herausforderungen an unser Verständnis natürlicher Umgebungen

Zusammenfassung Wir diskutieren einen Ansatz, der kognitive Robotik als die Erweiterung der Methoden der Robotik — insb. Lernen, Planen und Regelung — auf „äußere Freiheitsgrade“ versteht. Damit verschiebt sich der Fokus: Weg von Gelenkwinkeln, Vektorräumen und Gauß'schen Verteilungen, hin zu den Objekten und der Struktur der Umwelt. Letztere können wir nur schwer formalisieren und in geeignete Repräsentationen und Priors übersetzen, mit denen effizientes Lernen und Planen möglich wird. Es wird deutlich, welche theoretischen Probleme sich hinter dem Ziel automomer Systeme verbergen, die durch intelligente Exploration und Verallgemeinerung ihre Umwelt zu verstehen lernen und die gelernten Modelle zur Handlungsplanung nutzen. Die momentan diskutierte Integration von Logik, Geometrie und Wahrscheinlichkeiten — und damit die Überbrückung der klassischen Disziplinbarrieren zwischen Robotik, Künstlicher Intelligenz und statistischer Lerntheorie — ist eine der zwangsläufigen Herausforderungen der kognitiven Robotik. In diesem Kontext skizzieren wir eigene Beiträge zum relationalen Reinforcement-Lernen, zur Exploration und dem Symbol-Lernen. Abstract We discuss that “cognitive robotics” implies the extension of classical robotics methods — esp. planning, control and learning — to external degrees of freedom (DoFs). External refers to the articulated and manipulable DoFs of the environment and the objects therein. Coping with these DoFs requires to go beyond vector spaces and Gaussian distributions and instead address the complex structure of natural environments, which is hard to formalize and translate to appropriate representations and priors for efficient learning. With this discussion we aim to highlight the theoretical challenges behind the goal of robots that autonomously explore their environment and learn to manipulated external DoFs. The integration of logic, geometry and probabilities is one of these challenges. In this context we briefly sketch own work on relational reinforcement learning, exploration and symbol learning.