Recent Advances in Robot Learning

ویرایش: 1 
نویسندگان: Judy A. Franklin,  Tom M. Mitchell,  Sebastian Thrun (auth.),  Judy A. Franklin,  Tom M. Mitchell,  Sebastian Thrun (eds.)  
سری: The Kluwer International Series in Engineering and Computer Science 368 
ISBN (شابک) : 9780792397458, 9781461304715 
ناشر: Springer US 
سال نشر: 1996 
تعداد صفحات: 217 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 6 مگابایت 

قیمت کتاب (تومان) : 72,000



پیشرفت های اخیر در یادگیری ربات حاوی هفت مقاله در مورد یادگیری ربات است که توسط محققان برجسته در این زمینه نوشته شده است. همانطور که انتخاب مقالات نشان می دهد، زمینه یادگیری ربات هم فعال و هم متنوع است. انواع روش‌های یادگیری ماشین، از برنامه‌ریزی منطق استقرایی تا یادگیری تقویتی، برای بسیاری از مسائل فرعی در ادراک و کنترل ربات، اغلب با اهداف متنوعی مانند کالیبراسیون پارامترها و فرمول‌بندی مفهوم، استفاده می‌شوند.
در حالی که هنوز هیچ چارچوب یادگیری ربات یکپارچه ای برای پوشش انواع مشکلات و رویکردهای شرح داده شده در این مقالات و سایر انتشارات پدیدار نشده است، مجموعه واضحی از مسائل مشترک زیربنای بسیاری از مشکلات یادگیری ربات است.

• یادگیری ماشین، زمانی که در رباتیک اعمال می‌شود، قرار می‌گیرد: در یک سیستم دنیای واقعی تعبیه شده است که درک، تصمیم‌گیری و اجرا را کاملاً یکپارچه می‌کند.
• از آنجایی که یادگیری ربات مستلزم تصمیم گیری است، یک موضوع یادگیری فعال ذاتی وجود دارد.
• دامنه‌های رباتیک معمولاً پیچیده هستند، اما هزینه استفاده از سخت‌افزار رباتیک واقعی اغلب جمع‌آوری مقادیر زیادی از داده‌های آموزشی را ممنوع می‌کند.
• بیشتر سیستم های رباتیک سیستم های بلادرنگ هستند. تصمیمات باید در محدودیت های زمانی حیاتی یا عملی اتخاذ شوند.

این ویژگی ها چالش ها و محدودیت هایی را برای سیستم یادگیری ایجاد می کند. از آنجایی که این ویژگی ها توسط سایر حوزه های کاربردی مهم دنیای واقعی مشترک است، رباتیک یک منطقه بسیار جذاب برای تحقیق در مورد یادگیری ماشین است.
از سوی دیگر، یادگیری ماشین برای روباتیک نیز بسیار جذاب است. انواع زیادی از مسائل باز در رباتیک وجود دارد که راه حل ایستا و کدگذاری شده دستی را به چالش می کشد.
پیشرفت‌های اخیر در یادگیری ربات‌ها یک جلد ویرایش‌شده از تحقیقات اصلی با بازبینی همتا است که شامل هفت مشارکت دعوت‌شده توسط محققان برجسته است. این کار پژوهشی همچنین به عنوان شماره ویژه آموزش ماشینی (جلد 23، شماره 2 و 3) منتشر شده است.

Recent Advances in Robot Learning contains seven papers on robot learning written by leading researchers in the field. As the selection of papers illustrates, the field of robot learning is both active and diverse. A variety of machine learning methods, ranging from inductive logic programming to reinforcement learning, is being applied to many subproblems in robot perception and control, often with objectives as diverse as parameter calibration and concept formulation.
While no unified robot learning framework has yet emerged to cover the variety of problems and approaches described in these papers and other publications, a clear set of shared issues underlies many robot learning problems.

• Machine learning, when applied to robotics, is situated: it is embedded into a real-world system that tightly integrates perception, decision making and execution.
• Since robot learning involves decision making, there is an inherent active learning issue.
• Robotic domains are usually complex, yet the expense of using actual robotic hardware often prohibits the collection of large amounts of training data.
• Most robotic systems are real-time systems. Decisions must be made within critical or practical time constraints.

These characteristics present challenges and constraints to the learning system. Since these characteristics are shared by other important real-world application domains, robotics is a highly attractive area for research on machine learning.
On the other hand, machine learning is also highly attractive to robotics. There is a great variety of open problems in robotics that defy a static, hand-coded solution.
Recent Advances in Robot Learning is an edited volume of peer-reviewed original research comprising seven invited contributions by leading researchers. This research work has also been published as a special issue of Machine Learning (Volume 23, Numbers 2 and 3).

Front Matter....Pages i-iv
Introduction....Pages 1-3
Real-World Robotics: Learning to Plan for Robust Execution....Pages 5-45
Robot Programming by Demonstration (RPD): Supporting the Induction by Human Interaction....Pages 47-73
Performance Improvement of Robot Continuous-Path Operation through Iterative Learning Using Neural Networks....Pages 75-104
Learning Controllers for Industrial Robots....Pages 105-133
Active Learning for Vision-Based Robot Grasping....Pages 135-162
Purposive Behavior Acquisition for a Real Robot by Vision-Based Reinforcement Learning....Pages 163-187
Learning Concepts from Sensor Data of a Mobile Robot....Pages 189-216
Back Matter....Pages 333-334