Direkt zum Inhalt | Direkt zur Navigation

Eingang zum Volltext

Lizenz

Bitte beziehen Sie sich beim Zitieren dieses Dokumentes immer auf folgende
URN: urn:nbn:de:bsz:25-opus-61088
URL: http://www.freidok.uni-freiburg.de/volltexte/6108/


Plagemann, Christian

Gaussian processes for flexible robot learning

Gaußprozesse in der Robotik - ein flexibler Lernansatz

Dokument1.pdf (8.042 KB) (md5sum: 13f925da7fb3afdd2a02881874819de6)

Kurzfassung in Englisch

As robotic systems are becoming more complex and as they are developed for increasingly realistic environments, the role of machine learning within robotics becomes even more central than it has been. Robot learning tasks typically raise a number of hard requirements for learning methods including accurate estimation of uncertainty, dealing with inhomogeneously sampled data, computational efficiency, and high modeling accuracy.

We show in this thesis that Gaussian processes as a machine learning method have the potential to address these issues. Gaussian processes are a Bayesian approach to function regression, that is, they allow to place a prior distribution over the space of functions. The approach has become one of the standard tools for solving non-linear regression problems, which are central to many machine learning problems. While the modeling capabilities of Gaussian processes are as high as for state-of-the-art alternatives, the basic concept is exceptionally clear and easy to implement.

We present Gaussian process-based solutions to a wide variety of problems encountered in robotics. This includes the modeling of laser and gas sensors, the interpretation of camera images, the detection of failures during mobile robot navigation, and the estimation of probabilistic terrain maps from noisy range measurements. Furthermore, we introduce an approach that allows a robot to learn a model of its own body from scratch using only visual self-observation. In each of the studied problem domains, our solutions have been evaluated empirically using real and simulated data.

As a contribution to machine learning in general, we study and improve extensions of the standard Gaussian process model, which can be used flexibly to solve non-robotics learning tasks also. This includes an approach to dealing with spatially-varying observation noise and one for adapting the function smoothness locally. We furthermore derive sparse approximations for these extensions to be able to apply the models to large data sets and in online settings.


Kurzfassung in Deutsch

Durch die rapide zunehmende Komplexität von Robotersystemen und ihrer Einsatzumgebungen kommt dem maschinellen Lernen als Grundlagentechnologie eine noch höhere Bedeutung innerhalb der Robotik zu als dies in der Vergangenheit der Fall war. Relevante Lernprobleme in der Robotik stellen hohe Anforderungen an die eingesetzten Lernverfahren. Dies beinhaltet ein hohes Maß an Modellierungsgenauigkeit, den verlässlichen Umgang mit Unsicherheiten, Speicher- und Zeiteffizienz, sowie Robustheit gegenüber fehlenden und verrauschten Daten. Mit dieser Arbeit zeigen wir, dass Gaußprozesse als Verfahren zur Regressionsanalyse das Potential haben, diesen Anforderungen in relevanten Anwendungen gerecht zu werden. Gaußprozesse sind ein etablierter und konzeptionell klarer Ansatz aus der Statistik, mit dessen Hilfe Verteilungen über Funktionen definiert und praktische Regressionsprobleme gelöst werden können.

Ausgehend von den hohen Anforderungen der Robotik leiten wir eine Reihe von Erweiterungen für Gaußprozesse her, die sich auch außerhalb der Robotik als leistungfähig erwiesen haben. Dies beinhaltet einen neuen Ansatz zur Modellierung von inhomogenem Meßrauschen sowie einen Ansatz zur lokalen Adaption der Funktionsglattheit an die gegebenen Daten. Darüber hinaus werden Approximationen der erweiterten Modelle zur Effizienzsteigerung behandelt, die das Lernen auf großen Datenmengen und unter Resourcenbeschränkungen möglich macht. Diese Erweiterungen stellen einerseits einen Beitrag zum maschinellem Lernen im Allgemeinen dar und helfen andererseits, eine breitgefächerte Menge an Robotikproblemen zu lösen. Die in dieser Arbeit ausführlich behandelten Probleme umfassen die Modellierung von Laser- und Gassensoren, die Interpretation von Kamerabildern, die automatische Fehlerdetektion für mobile Roboter, sowie die Erstellung von probabilistischen Geländemodellen. Desweiteren stellen wir einen Ansatz vor, durch den ein Roboter seine eigene kinematische Struktur durch visuelle Selbstobservation modellieren und kontrollieren kann. Für jede dieser Problemstellungen wurde ein experimenteller Vergleich zu existierenden Lösungen durchgeführt und eine Diskussion der Vorteile des Gaußprozess Ansatzes geführt.


SWD-Schlagwörter: Robotik , Maschinelles Lernen , Nichtlineare Regression , Nichtparametrische Regression , Autonomer Roboter , Mobiler Roboter
Freie Schlagwörter (deutsch): Gaußprozesse , statistisches Lernen
Freie Schlagwörter (englisch): Robotics , Machine Learning , Gaussian Processes , Nonlinear Regression , Adaptive Systems
MSC Klassifikation 68T40 , 68T05
Institut: Institut für Informatik
Fakultät: Technische Fakultät (bisher: Fak. f. Angew. Wiss.)
DDC-Sachgruppe: Informatik
Dokumentart: Dissertation
Erstgutachter: Burgard, Wolfram (Prof. Dr.)
Sprache: Englisch
Tag der mündlichen Prüfung: 01.12.2008
Erstellungsjahr: 2008
Publikationsdatum: 08.12.2008
Indexliste