Sembolik sayısal kısıtların gerçek dünyada uyarlanır ögrenilmesi

Robotlar çalışmaları esnasında birçok kısıtla karşılaşır. Görevlerini başarıyla tamamlayabilmek için robotların bu kısıtların farkında olması gerekir. Bu tezde robotların etkin bir biçimde ortam kısıtlarını öğrenebilmesi için bir ilişkisel öğrenme yöntemi sunulmaktadır. Ayrıca, yöntemin gerçek dünya koşullarında uygulanabilmesi için gerekli bileşenleri içeren bir uyarlanır öğrenme mimarisi önerilmektedir. Robotların karşılaştığı kısıtlar çevreden, çalışma amaçlarından ya da robotun kendi yapısından kaynaklanıyor olabilir. Ortamın kısıtları nesnelerin uzamsal yerleşiminden, görevlerin gereksinimlerinden ya da robotun eylem yürütmesini etkileyen diğer dış faktörlerden kaynaklanabilir. Robotun kısıtları robot donanımının fiziksel özelliklerinden ya da robot yazılımlarının limitlerinden ötürü oluşabilir. Kısıtların ihlal edilmesi yürütülen eylemlerin istenmeyen şekilde sonuçlanmasına sebep olabilir. Güvenli ve verimli bir robot sistemi kendi içsel kısıtlarına ve ortam kısıtlarına dikkat etmelidir. Kısıt bilgisi tasarımcı tarafından robota yüklenebileceği gibi, robotun kendisi tarafından da öğrenilebilir. Kısıtların robotun kendi gözlemlerinden öğrenilmesi sistemin esnekliğini ve uyarlanırlığını artırır. Genel amaçlı robotlar birçok farklı ortamda çalışabilir, dolayısıyla mümkün olan bütün kısıtların önceden tespit edilmesi zordur. Ortamın ve görevin koşulları zamanla değişiklik gösterebilir, bu yüzden robotun kısıt bilgisinin güncellenmesi gerekebilir. Robotun kısıtları kendi gözlemlerinden öğrenmesi bu sorunlara çözüm oluşturabilir. Bu tezde önerilen öğrenme sistemi ortam kısıtlarının sembolik seviyede öğrenilmesini amaçlar. Yöntemin temelinde Tümevarımlı Mantık Programlama (TMP) vardır. TMP bilginin ifadesi için sembolik mantık kullanan bir makine öğrenmesi yöntemidir. Bilginin bu şekilde ifade edilmesi ilişkisel özniteliklerin kullanılmasını mümkün kılmaktadır. Sembolik mantık kullanmanın bir diğer yararı da verilen gözlemleri ve artalan bilgisini kullanarak yeni bilgiler çıkarsama yeteneğidir. Bu sayede, öğrenme yöntemine, alan uzmanı tarafından tespit edilen kuralların ve önceden elde edilmiş bilgilerin verilmesi mümkün olur. Sembolik mantık, robotikte planlama ve çıkarsama sistemlerinde de kullanıldığı için TMP ile öğrenilen kuralların kolayca bu sistemlere aktarılması mümkündür. Ancak TMP'nin sayısal kısıtları öğrenmek konusunda eksiklikleri vardır. Bu yüzden öğrenme yöntemi tembel değerlendirme ve kısıt çözme ile geliştirilmiştir. Sayısal kısıtların ilişkisel bilgi korunarak öğrenilmesi bir kısıt çözme problemi olarak modellenmektedir. Geliştirilen yöntem, eğer mümkünse, tutarsız bir hipotezdeki sayısal değişkenlerin tanım kümelerini kısıtlayarak doğru hipotezler üretir. Geliştirilen yöntem Tümevarımlı Mantık Programlama'nın ilişkisel öğrenme kabiliyeti ile Kısıt Mantık Programlama'nın (KMP) sayısal çıkarsama kabiliyetini bir araya getirmektedir. Sayısal kısıtlar bir kısıt çözücü kullanılarak belirlenir. TMP'nin hipotez üretimi sırasında, eğer bir hipotez sayısal bir değişkene sahipse, bir kısıt sağlama problemi (KSP) çözülür. Bu KSP çözülerek sayısal değişkenin tanım kümesi içerisindeki bir aralık tespit edilir. Bu aralıktaki değerler hipotezdeki sayısal değişkenin yerine koyulduğunda hipotez olumsuz örneklerin hiçbirini gerektirmez ve olumlu örneklerin en az birini gerektirir. Bulunan aralık mümkün olan en geniş aralık olmalıdır. Eğer böyle bir aralık varsa, değişkenin tanım kümesinin bu aralığa kısıtlanması hipotezi tutarlı hale getirir. Yöntemin gerçek dünya ortamında çalışan robotlarda kullanılması amaçlandığı için zorlu dünya koşullarına uygun hale getirilmesi gerekmektedir. Bu çalışmada ele alınan koşullar gürültülü bilgi ve kavram kaymasıdır. Gürültülü bilgi robotun donanımsal zaafiyetlerinden ve dünya ortamının stokastik olmasından kaynaklanır. Robot amaçlanan davranışları yanlış yürütebilir ya da robotun topladığı sensör verileri kusurlu olabilir. Bir diğer zorlu dünya koşulu olan kavram kayması, bir kavramı açıklayan hipotezlerin zamanla değişmesidir. Eski hipotezler geçersiz hale geldiğinde sistemin hata oranı artar. Kavram kaymasının sebebi, genellikle, kavramın aslında gözlemlenemeyen bir bağlamla ilişkili olmasıdır. Gözlemlenemeyen bağlam değiştiğinde, onunla ilişkili olan kavramın da değişmesine neden olur. Gözlem yoluyla bu değişim fark edilemediği için kavram kaymasının tespiti için özel yöntemler geliştirilmiştir. Hatalar hem gürültü hem de kavram kayması tarafından oluşabileceği için tespit yönteminin bu ikisini ayırt edebiliyor olması gerekmektedir. Öğrenme sistemini gerçek dünya zorluklarına dayanıklı hale getirmek için bir uyarlanır öğrenme mimarisi tasarlanmıştır. Bu mimari sembolik sayısal kısıt öğrenme yöntemini temel alacak şekilde geliştirilmiştir. Gürültü zorluğunun aşılabilmesi için öğrenme yöntemine bir gürültü filtreleyici eklenmiştir. Gürültünün filtrelenmesi için veri yoğunluğuna duyarlı ve genel amaçlı bir yöntem seçilmiştir. Gürültü filtreleme, kısıt çözücünün girdilerine uygulanır. Öngörücü bileşen, öğrenme yönteminin çıktısı olan hipotezleri, artalan bilgisini ve gözlemlenen dünya durumunu değerlendirerek tahminlerde bulunur. Doğrulayıcı bileşen, yapılan tahminleri gerçekleşen çıktı ile karşılaştırarak hataları takip eder. Kayma saptayıcı bileşen, doğrulayıcıdan gelen bilgileri değerlendirerek kavram kaymasını tespit eder. Bu çalışmada kullanılan tespit yöntemi, daha önce öğrenilmiş olan hipotezlerin tahmin etme hatasındaki değişmeleri takip ederek çalışır. Kavram kayması tespit edildiğinde, gözlem geçmişinden yeni bir eğitim kümesi oluşturarak öğreniciyi tetikler. Öğrenilen yeni hipotezler öngörücü tarafından gelecekteki çıkarsamalarda kullanılır. Sunulan sistemin etkinliği, gerçek dünya ortamında yapılmış robot deneyleri ve bilgisayar ortamında oluşturulmuş deneyler ile değerlendirilmiştir. Bilgisayar ortamında oluşturulan deneylerde temel öğrenme sisteminin tek ve çok boyutlu kısıtları öğrenebildiği doğrulanmıştır. Gerçek dünya deneylerinde bir robot kolunun nesneleri yanyana koyabileceği yakınlık kısıtı ve bir insansı robotun bir kasedeki malzemeleri dökerken dikkat etmesi gereken açı ve yükseklik kısıtları öğrenilmektedir. Deney sonuçları, yapılan geliştirmelerin öğrenicinin etkinliğini ve gürbüzlüğünü artırdığını göstermiştir. Önerilen sistemin gerçek dünya ortamında elde edilen gürültülü veriden öğrenebildiği ve kavram kaymasını yakalayarak öngörü performansını artırdığı doğrulanmıştır. Bu tezde, sembolik hipotezler ve sayısal kısıtları bir arada öğrenebilen bir öğrenme yöntemi ve bu yöntemin gerçek dünya koşullarına uyum gösterebilmesi için yapılan gürültü filtreleme ve kavram kaymasına uyarlanırlık geliştirmeleri sunulmaktadır. Gelecekte birçok farklı geliştirme seçeneği bulunan bu sistemin, ömür boyu robot öğrenmesi senaryolarında, robotların yüksek seviye öğrenme ve düşük seviye öğrenme sistemleri arasında geçiş sağlamasında faydalı olacağı düşünülmektedir.