Analysis and Design of Machine Learning Techniques: Evolutionary Solutions for Regression, Prediction, and Control Problems

دستکاری یا گرفتن اشیاء برای انسان ها یک کار بی اهمیت به نظر می رسد، زیرا اینها مهارت های حرکتی زندگی روزمره هستند. با این وجود، یادگیری مهارت های حرکتی برای انسان آسان نیست و این نیز یک موضوع تحقیقاتی فعال در رباتیک است. با این حال، بیشتر راه‌حل‌ها برای کاربردهای صنعتی بهینه‌سازی شده‌اند و بنابراین، توضیحات معدودی برای یادگیری انسان وجود دارد. چالش اساسی که پاتریک استالف را برمی انگیزد، از علم شناختی سرچشمه می گیرد: انسان ها چگونه مهارت های حرکتی خود را یاد می گیرند؟ نویسنده با تجزیه و تحلیل یادگیری مهارت های حرکتی با استفاده از پیاده سازی هایی که حداقل تا حدودی در مغز انسان یافت می شود، بین رباتیک و علوم شناختی ارتباط برقرار می کند. بنابراین سه الگوریتم یادگیری ماشینی مناسب انتخاب می‌شوند - الگوریتم‌هایی که از دیدگاه شناختی قابل قبول هستند و برای رباتیک‌ها امکان‌پذیر هستند. قدرت و مقیاس پذیری آن الگوریتم ها در شبیه سازی های نظری و سناریوهای واقعی تر با ربات انسان نما iCub ارزیابی می شود. نتایج متقاعدکننده کاربرد این رویکرد را تأیید می‌کند، در حالی که قابل قبول بودن بیولوژیکی در گذشته مورد بحث قرار می‌گیرد.

Manipulating or grasping objects seems like a trivial task for humans, as these are motor skills of everyday life. Nevertheless, motor skills are not easy to learn for humans and this is also an active research topic in robotics. However, most solutions are optimized for industrial applications and, thus, few are plausible explanations for human learning. The fundamental challenge, that motivates Patrick Stalph, originates from the cognitive science: How do humans learn their motor skills? The author makes a connection between robotics and cognitive sciences by analyzing motor skill learning using implementations that could be found in the human brain – at least to some extent. Therefore three suitable machine learning algorithms are selected – algorithms that are plausible from a cognitive viewpoint and feasible for the roboticist. The power and scalability of those algorithms is evaluated in theoretical simulations and more realistic scenarios with the iCub humanoid robot. Convincing results confirm the applicability of the approach, while the biological plausibility is discussed in retrospect.