Damerow, Florian ; Knoblauch, Andreas ; Körner, Ursula ; Eggert, Julian ; Körner, Edgar (2022)
Toward Self-Referential Autonomous Learning of Object and Situation Models.
In: Cognitive Computation, 8 (4)
doi: 10.26083/tuprints-00020319
Artikel, Zweitveröffentlichung, Verlagsversion
Kurzbeschreibung (Abstract)
Most current approaches to scene understanding lack the capability to adapt object and situation models to behavioral needs not anticipated by the human system designer. Here, we give a detailed description of a system architecture for self-referential autonomous learning which enables the refinement of object and situation models during operation in order to optimize behavior. This includes structural learning of hierarchical models for situations and behaviors that is triggered by a mismatch between expected and actual action outcome. Besides proposing architectural concepts, we also describe a first implementation of our system within a simulated traffic scenario to demonstrate the feasibility of our approach.
| Typ des Eintrags: | Artikel |
|---|---|
| Erschienen: | 2022 |
| Autor(en): | Damerow, Florian ; Knoblauch, Andreas ; Körner, Ursula ; Eggert, Julian ; Körner, Edgar |
| Art des Eintrags: | Zweitveröffentlichung |
| Titel: | Toward Self-Referential Autonomous Learning of Object and Situation Models |
| Sprache: | Englisch |
| Publikationsjahr: | 2022 |
| Verlag: | Springer Nature |
| Titel der Zeitschrift, Zeitung oder Schriftenreihe: | Cognitive Computation |
| Jahrgang/Volume einer Zeitschrift: | 8 |
| (Heft-)Nummer: | 4 |
| DOI: | 10.26083/tuprints-00020319 |
| URL / URN: | https://tuprints.ulb.tu-darmstadt.de/20319 |
| Zugehörige Links: | |
| Herkunft: | Zweitveröffentlichungsservice |
| Kurzbeschreibung (Abstract): | Most current approaches to scene understanding lack the capability to adapt object and situation models to behavioral needs not anticipated by the human system designer. Here, we give a detailed description of a system architecture for self-referential autonomous learning which enables the refinement of object and situation models during operation in order to optimize behavior. This includes structural learning of hierarchical models for situations and behaviors that is triggered by a mismatch between expected and actual action outcome. Besides proposing architectural concepts, we also describe a first implementation of our system within a simulated traffic scenario to demonstrate the feasibility of our approach. |
| Status: | Verlagsversion |
| URN: | urn:nbn:de:tuda-tuprints-203190 |
| Zusätzliche Informationen: | Keywords: Self-referential control, Scene understanding, Autonomous learning, Hierarchical situation model |
| Sachgruppe der Dewey Dezimalklassifikatin (DDC): | 600 Technik, Medizin, angewandte Wissenschaften > 620 Ingenieurwissenschaften und Maschinenbau |
| Fachbereich(e)/-gebiet(e): | 18 Fachbereich Elektrotechnik und Informationstechnik 18 Fachbereich Elektrotechnik und Informationstechnik > Institut für Automatisierungstechnik und Mechatronik 18 Fachbereich Elektrotechnik und Informationstechnik > Institut für Automatisierungstechnik und Mechatronik > Regelungsmethoden und Robotik (ab 01.08.2022 umbenannt in Regelungsmethoden und Intelligente Systeme) |
| Hinterlegungsdatum: | 14 Jan 2022 08:12 |
| Letzte Änderung: | 17 Jan 2022 10:55 |
| PPN: | |
| Zugehörige Links: | |
| Export: | |
| Suche nach Titel in: | TUfind oder in Google |
 |
Frage zum Eintrag |
Optionen (nur für Redakteure)
 |
Redaktionelle Details anzeigen |
Drucken
Impressum