عنوان پایان‌نامه
به کارگیری یادگیری تقلیدی سطح بالا در ربات ایر-هاکی
- رشته تحصیلی
- مهندسی کامپیوتر-هوش مصنوعی- رباتیک
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه مرکزی پردیس 2 فنی شماره ثبت: E 2429;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 62878
- تاریخ دفاع
- ۰۵ مهر ۱۳۹۱
- دانشجو
- مهناز محمودیان
- استاد راهنما
- مجید نیلی احمدآبادی, منوچهر مرادی سبزوار
- چکیده
- تقلید یکی از روشهای یادگیری اجتماعی است که در انتقال دانش و افزایش سرعت یادگیری نقش اساسی دارد. بیشتر محققین بر این باورند که تقلید تنها به معنای تکرار سادهی یک عمل نیست و با درک عمل مشاهده شده و تجرید همراه است. یادگیری تقلیدی مفهومی یکی از روشهایی است که برای تجرید و بازنمایی سطح بالای دانش به کار میرود. در این پایان‌نامه روشی برای یادگیری خودکار مفاهیم بر اساس مشاهدات مرکب ارائه میشود. مفاهیم بر اساس معیارهای متفاوتی میتوانند ایجاد شوند. برخی مفاهیم بر اساس شباهتهای ادراکی و ظاهری شکل میگیرند. گروه دیگری از مفاهیم که شباهتهای ظاهری و کارکردی هر دو در شکلگیری آنها موثر است، مفاهیم رابطهای نام دارند. این پایان‌نامه به یادگیری این دسته از مفاهیم میپردازد. مشارکت علمی اصلی این پایان نامه ارائه روشی خودکار برای یادگیری سلسله مراتبی مفاهیم بر اساس تحریک های ورودی مرکب است. در این روش مفاهیم به صورت کاملا خودکار و با توجه به اثر اعمال در محیط ایجاد می شوند. هم چنین مدل احتمالی مناسب برای بازنمایی مشاهدات مرکب به صورت نمونه ها و الگوها معرفی شده است. مفاهیم در روش پیشنهادی به صورت مجموعه ای از نمونه ها و الگوها و بر اساس مدل حافظه ی انجمنی بازنمایی می شوند. هم چنین یک فضای کارکردی برای ایجاد مفاهیم انتزاعی و سطح بالا معرفی شده است. این فضای کارکردی بر اساس احتمال تولید اثر اعمال مختلف به وسیله ی هر یک از مفاهیم ایجاد می شود. مفاهیم انتزاعی می توانند در کل این فضا و یا زیرفضاهایی از آن تشکیل شوند. الگوریتمهای پیشنهاد شده در این پایان نامه در بستر بازی ایرهاکی ارزیابی شده اند. برای این کار از یک محیط شبیه سازی شامل یک بازوی ربات دو درجه آزادی، استفاده شده است. آزمایش های انجام شده توانایی مدل های پیشنهادی در شناسایی و باز تولید ضربه ها و همچنین قابلیت آن ها در بازنمایی مفاهیم سطح بالا را مورد بررسی قرار می-دهند. نتایج این آزمایش ها توانایی روش های ارائه شده در یادگیری خودکار و سلسله مراتبی مفاهیم را تایید می کند. کلیدواژهها: یادگیری تقلیدی، مفاهیم رابطهای، مشاهدات مرکب، یادگیری مفهومی سلسلهمراتبی، فضای کارکرد
- Abstract
- Imitation as a main social learning method plays a crucial role in knowledge transfer and development of skills and behaviors both in animals and infants. Most researchers believe that imitation is different from similar social learning techniques such as mimicking. True imitation is more than learning to repeat a task; it is goal-directed and involves abstraction. In this thesis a framework for hierarchical concept learning by means of imitation is proposed. Concepts can be categorized into different types. Relational concepts are those that both perceptual and functional similarities are involved in their formation. In this work relational concepts and their relations are formed autonomously based on effect of actions in environment. In other words in this framework actions and their effects are learned simultaneously. Main contribution of this work is to propose an autonomous concept learning algorithm for learning and categorization of relational concepts based on observed actions and their effect. Presented demonstrations are a combination of spatio-temporal signals and feature vectors. A probabilistic model is proposed to represent these hybrid demonstrations. In order to learn concepts relations a hierarchical form of autonomous concept learning algorithm is provided. This hierarchical method has its limitations, so a functional space is defined in order to form more complicated and high-level concepts. The proposed methods are used in an air-hockey simulation environment in order to learn air-hockey basic shots. Performance of methods in recognition and reproduction of these shots is evaluated. Experimental results show efficiency of the proposed methods in recognition and reproduction of air-hockey shots and their ability for hierarchical concept learning. Keywords: imitation learning, relational concepts, hybrid demonstrations, hierarchical concept learning, functional space.
