Koşullu sinir süreçleri ile kompleks robotik yönetim becerilerinin zamansal sensor-motor dağılımlarının öğrenilmesi

Bu tez, derin bir sinir mimarisi olan Koşullu Nöral Süreçler (CNP'ler) üzerine inşa edilmiş bir robotik hareket öğrenme ve üretim sistemi olan Koşullu Nöral Hareket İlkelleri (CNMP) adında yeni bir öğrenim çerçevesi sunmaktadır. CNMP'ler, ön bilgileri, gözlemleri örnekleyerek doğrudan eğitim verilerinden çıkarır ve diğer hedef noktalara göre koşullu bir dağılımı tahmin etmek için kullanır. CNMP'ler spesifik olarak harici parametreler ve hedeflerle karmaşık zamansal çok modlu sensörimotor ilişkilerini öğrenir; eklem veya görev alanında hareket yörüngeleri üretir; ve bu yörüngeleri üst düzey bir geri besleme kontrol döngüsü ile hayata geçirir. Simülasyonlar ve gerçek robot deneyleri sayesinde, CNMP'lerin düşük boyutlu parametre uzayları ve karmaşık hareket yörüngeleri arasındaki doğrusal olmayan ilişkileri birkaç gösteriden öğrenebildikleri; ve ayrıca çok sayıda gösterim kullanarak yüksek boyutlu sensörimotor uzaylar ve karmaşık hareketler arasındaki ilişkileri modelleyebildikleri gözlenmiştir. Deneyler ayrıca görev parametrelerinin bile açıkça sağlanmadığı zaman, robotun öğrenilen sensorimotor temsillerini hareket yörüngeleriyle ilişkilendirerek öğrenebileceğini göstermiştir. Örneğin deneylerden birinde robot, propriyosepsiyonu ve kuvvet ölçümlerini içeren sensorimotor alanından yararlanarak nesne ağırlıklarının ve şekillerinin harekete etkisini öğrendi ve bu faktörlerden biri harici müdahale ile değiştirildiğinde hareket yörüngesini anında değiştirmeyi başarmıştır.