Aktive Exploration in den hochdimensionalen Daten einer künstlichen Haut

• Antragsteller: Professor Dr.-Ing. Alois Knoll, seit 11/2011; Dr. Michael Strohmayr, seit 3/2013
• Fachliche Zuordnung: Bild- und Sprachverarbeitung, Computergraphik und Visualisierung, Human Computer Interaction, Ubiquitous und Wearable Computing
• Förderung: Förderung von 2011 bis 2016
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 200281952

Unser Ziel ist die Separation nichtlinearer kausaler Zusammenhänge in Daten durch autonome aktive Exploration. Angenommen es besteht Zugriff auf Daten s einer Funktion f : X  S, nicht jedoch auf x direkt. Außerdem liegen Messungen einer Funktion g : X x O  S vor, wobei folgender funktionaler Zusammenhang zwischen f und g gegeben ist: Für ein spezielles ø Є O gilt, dass g(x, ø) = f (x) ist, für alle x Є X. Wie kann aus Messungen von g zurück auf x und o geschlossen werden? Neben seiner theoretischen Bedeutung hat diese Problemstellung viele praktische Anwendungen. Hier konzentrieren wir uns auf folgende praxisnahe Anwendung: ein Robotergreifer, der mit einer hautähnlichen Sensormatrix überzogen ist. Hierbei bezeichnet x die Positionen der Finger und o die Eigenschaften eines beliebigen Objekts. f (x) ist die Sensorantwort der künstlichen Haut, verursacht durch die Eigenbewegung der Finger-in unserem Szenario bedeckt die Haut auch die Fingerfalten. g(x,o) ist die Antwort der Haut, wenn ein spezielles Object o gegriffen wird. g und f sind identisch, wenn sich kein Objekt (oben dargestellt als ø) in der Hand befindet. Ziel ist es, sowohl die Fingerposition x als auch die Objektbeschreibung o aus g zu erhalten. Wir schlagen vor, die nichtlinearen kausalen Zusammenhänge in g durch autonome aktive Exploration in den Hautdaten S zu lernen. Durch Fingerbewegungen kann die Suche in interessante Gebiete von S gelenkt werden, in denen Fingerpositionen x und Objektbeschreibungen o noch nicht ausreichend separiert werden können. Dies wird durch eine Kombination von unüberwachten Lernmethoden sowohl mit Sequenzlernen als auch mit Reinforcement Lernen erreicht, mit der das System sein Wissen über X und O mittels S erweitert.

• DFG-Verfahren: Schwerpunktprogramme
• Teilprojekt zu: SPP 1527: Autonomes Lernen
• Ehemalige Antragsteller: Dr. Alex Graves, bis 10/2011; Professor Dr. Patrick van der Smagt, bis 3/2013