Hallo,
Aus praktischen Gründen muß der motivierte autonome Roboter, charackterisiert in diesem Forum in meinem Beitrag "Neuer motivierter Roboter" und in
http://mywebpage.netscape.com/alschurm1/page2.html , lern- und adaptationsfähig sein, egal ob er Haushalts- oder Industrieroboter ist. Ich nehme an daß der Roboter einige bekannte Programme für Bildung visueller und akustischer (vielleicht auch Geruch-) Muster hat.
Der Roboter muß zusätzlich folgende lern- und adaptationsfähigkeiten haben um auch in veränderter Umgebung intelligent zu handeln:
i. neue Eigenschaften eines Objektes erkennen;
ii. Objektmodell für neues Objekt bilden und in die Wissensbasis eintragen;
iii. Situationsmodelle für neue wichtige Situationen bilden und in die Wissensbasis eintragen;
iv. Aktivitätsschemas für Bedienung neuer Geräte und Maschinen, eventuell in neuen Räumen, adaptieren;
v. neue Aktivitätschemas bilden.
1. Neue Eigenschaften eines bekannten Objektes lernen Der Roboter kann selbstständig visuelle und akustische (und Geruch) Änderungen eines Objektes, dessen Objektmodell er hat, erkennen und mittels der gesagten Programme für Bildung von Mustern neue visuelle und akustische (bzw. Geruch) Muster bilden und in das Modell des Objektes ( in der Baumartigen Wissensbasis, sehe ..."1 Abstrakte Objekt- und Situationsmodelle...." in Intelligenz des motivierten...."
http://mywebpage.netscape.com/alschurm1/page7.html ) eintragen. Der Roboter kann auch selbstständig einige Gewohnheiten oder Zustände eines Objektes erkennen und in dessen Objektmodell eintragen; Beispiele solcher Eigenschaften: "Person x steht zwischen 6:30 und 6:45 auf", "Person x ißt zwischen 7:15 und 7:35 Frühstück", "Gerät g1 funktioniert nicht", "Wasser fließt nicht in die Waschmaschine wenn sie eingeschaltet wird", "von Montags bis Freitag von 7:50 bis 17:00 Uhr ist nicht Person x in der Wohnung".
Viele neue Eigenschaften eines Objektes müßen jedoch durch zuständige Person dem Roboter gegeben werden (der sie dann im Objektmodell einträgt); Beispiele: "Person y ist krank", "Kind k1 ist 11 Jahre alt", "Kinder jünger als 11 Jahre dürfen nicht Streichhölzer und Feuerzeug in die Hand nehmen".
2. Erkennen/Lernen eines unbekannten Objektes Objektmodelle in der Wissensbasis sind in einem Baumen ähnlichem Graph als Knoten gespeichert, in dem von oben entlang Zweigen sehr abstrakte Objektmodelle (z.B. für Maschine, Behälter, Pflanzen), weniger abstrakte, bis zu Modellen konkreter Objekte gespeichert sind (sehe "1. Abstrakte Objekt- und Situationsmodelle...." in"Intelligenz des motivierten..."). Ein Objektmodell hat alle Eigenschaften des Vorgängerknotens/Objektmodells. Wenn der Roboter ein Objekt,On, bemerkt (visuell oder mittels anderen Sensoren), sucht er im Baum, von oben nach unten, zu welcher kleinsten Klasse, MOk), von Objekten On gehört (d.h. findet Objektmodell M(Ok) für das On ein Fall ist und kein Nachfolgeknoten des M(Ok) ist ein Modell für On). Falls für On kein konkretes Objektmodell ist (d.h. M(Ok) hat Nachfolgeknoten) dann betrachtet der Roboter On als neues Objekt und bildet:
a) selbstständig ein Objektmodell, Ms(On), für das Objekt On, oder
b) Objektmodell M(On) im Dialog mit einer zuständigen Person.
Im Falle (a), bildet der Roboter das Modell Ms(On) aufgrund des Modells M(Ok); er trägt in Ms(On) nur die Eigenschaften des Objektes On ein die er erkannt hat. Für Ms(On) gelten jedoch alle Eigenschaften der Objektmodelle im Teilzweig von M(Ok) nach oben, so daß er zugleich zusätzliches Wissen über das Objekt On lernt. Selbstgebildete Objektmodelle markiert er mit "selb". Das Objektmodell Ms(On) trägt der Roboter als Nachfolgeknoten des Modells M(Ok) ein.
Im Fall (b), bildet der Roboter das Modell für On, M(On), im Dialog mit einer zuständigen Person, Pz. Zuerst muß Pz akzeptieren, daß M(On) ein Fall von M(Ok) ist (der Roboter könnte außer M(Ok) auch erkennen daß On auch ein Fall von einem anderen Modell, M(Or), ist) und als dessen Nachforlgeknoten eingetragen sein soll. Wenn Pz dies nicht akzeptiert, schlägt der Roboter vor zu welchem anderen Objektmodell, M(Od), das Objekt On gehören könnte. Die Person Pz kann auch neues abstraktes Objektmodell, M(Oa), als Nachfolgeknoten des M(Ok) (bzw. M(Od)), im Dialog mit dem Roboter bilden und danach das Modell M(On) als Nachfolgeknoten des Modells M(Oa) eintragen. Aufgrund des Modells M(Ok) (bzw. M(Oa)) fragt der Roboter nach den Eigenschaften des Objektes On und die Person Pz antwortet. In dieser Weise wird das Modell M(On) gebildet.
3. Neue Situationen und Aktivitäten lernen Bei Änderung der Umgebung (z.B. der Roboter zieht in neue Wohnung oder Fabrikhalle ein, neue Maschine soll vom Roboter bedient werden) entstehen auch neue Situationen auf die der Roboter reagieren (d.h. Aktivitäten ausführen) muß. Er muß also einige Situationsmodelle und Aktivitätsschemas zu den neuen Situationen und Aktivitäten adaptieren. Diese Adaptation (das Lernen neuer Aktivität) wird wie folgt durchgeführt:
Es sei, der Roboter soll neue Maschine, Mn, bedienen. Das Objektmodell der Maschine Mn ist gebildet worden. Er sucht und findet eine Maschine, Ma, die der Maschine Mn ähnlich ist und die er bedienen kann (d.h. entsprechende Aktivitätsschemas hat). Der Roboter adaptiert ein Aktivitätsschema, AMa, für Bedienung der Maschine Ma zum Aktivitätsschema für Bedienung der Maschine Mn im Dialog mit einer zuständigen Person, Pz, und stellt Fragen und aktualisiert:
i) in bezug auf Situationsmodelle im Aktivitätsschema AMa,
- welche Objektmodelle im Situationsmodell (im Aktivitätschema AMa) müßen durch neue ersetzt werden?
- in welcher Entfernung sind die Objekte im neuen Situationsmodell (Lokalisierung der Objekte)?
- trägt Bewegungsmerkmale (Lage, Bewegungslinie, Richtung, Geschwindigkeit) der Objekte ein;
ii) in bezug auf eine Subaktivität ( des Aktivitätsschemas AMa) verbunden mit einer gerichteten Kante (SM1,SM2) (eine Subaktivität enthält eine Folge von elementaren Aktivitäten und Operationen),
- ob die Subaktivität akzeptiert, entfernt oder modifiziert werden soll,
- im letzten Fall, fragt der Roboter, für jede elementare Aktivität, ob sie akzeptiert,entfernt, ersetzt oder modifiziert werden soll,
- in letzten zwei Fällen antwortet die Person Pz welche elementare Aktivität an dieser Stelle ausgeführt werden soll.
Nach Bildung des neuen Aktivitätsschemas für die Maschine Mn, muß dieses Aktivitätsschema experimentell angewandt werden und eventuell weiter adaptiert werden.
In dieser Weise kann der Roboter mit Hilfe der zuständigen Person auch ganz neue Aktivitäten lernen.
4. Sollen andere Lernmethoden angewandt werden? Einige Leser könnten meinen, der Roboter lernt zu wenig selbstständig - das neue Wissen und die neue Aktivitäten werden mittels aktiver Hilfe einer Person eingetragen. Ich bin der Meinung, daß die angewandten Lernmethoden richtig sind, für einen Roboter der nicht auf dem Mond oder 1000 m unter Wasser arbeitet, weil sogar intelligente Schüler und Studenten lernen in ähnlicher Weise - das Wissen und neue Fähigkeiten sind von Spezialisten (direkt als Lehrer oder indirekt mittels Büchern) mittels aktiver Teilnahme der Schüler/Studenten in deren Gehirne eingetragen; nur das Eintragen von Wissen in den gesagten (in (1), (2) und(3)) Roboter verläuft im allgemeinen schneller als bei Menschen.
Sind "Roboter Schulen" eine Lösung? Auch die "selbstlernenden Roboter" (Engl.: developmental robots), von J. Weng und Y. Zhang in USA, und E. Prassler in Deutschland, lernen nur teilweise selbstständig weil sie die Hilfe einer Person benötigen - auch Kinder lernen nicht selbstständig sondern mit Hilfe älterer Personen. Die Ergebnisse der "selbstlernenden Roboters", von Weng und Zhang und die erwarteten Ergebnisse im Projekt XPERO, sind bescheiden. Es kann auch nicht anders sein, solange die Autoren solcher Projekte nicht die Grundsteine der Intelligenz (oder Intelligenz Algorithmen) in die Roboter einbauen (ein Hund kann nur das lernen was ihm die eingebauten primitiven Intelligenzalgorithmen ermöglichen).
Einige Grundsteine der Intellegenz sind im motivierten autonomen Roboter eingebaut. Mittels diesen Intelligenzeigenschaften kann der Roboter, wie oben dargestellt, nicht nur unbekannte Objekte klassifizieren/identifizieren und deren interne Modelle bilden, aber auch mit Hilfe einer Person neue komplexe Aktivitäten lernen.
Theoretisch sind selbstlernende (developmental) Roboter interessant, weil vielleicht sehr effektive "developmental" Algorithmen in Robotern implementiert werden könnten, so daß sie Situationen erkunden/erkennen und komplexe Aktivitäten in ihrer Umgebung ausführen könnten.
Jedoch vom praktischen Standpunkt, ist es nicht kontrollierbar was ein "selbstlernender Roboter" lernt, was er nicht lernt und zu welchen Aktivitäten er fähig ist. Solche Roboter sind nicht zuverlässig, sie könnten sogar aggressiv gegen Menschen handeln; natürlich nicht in den nächsten 5 Jahren. Wenn jedoch in den nächsten 40 Jahren, wie gesagt, sehr effektive "developmental" Algorithmen (die alle wichtige Grundsteine der menschlichen Intelligenz enthalten) in Robotern implementiert würden, dann könnten sie gefährlich für Menschen sein (aber nicht so gefährlich wie Maschinenpistole).
Bei Befürwortern zuverlässiger und menschenfreundlicher Roboter müßten die Alarmglocken läuten. Kopieren von biologischen und psychologischen Entwicklungstheorien ist nicht der Weg zur Entwicklung von zuverlässigen Robotern.
Wir Menschen brauchen zuverlässige, menschenfreundliche Roboter-Diener - und der motivierte autonome Roboter, der so lernt wie oben beschrieben, ist ein solcher.
Mit Grüßen
A. Schurmann
P.S.: Zu gegnern des motivierten autonomen Roboters: Schauen Sie der Realität in die Augen und kämpfen nicht gegen Windmühlen - es sind keine kampflustige motivierte autonome Ritter Roboter da! Das obssesive Halten an Vorstellungen von Robotern in Sciencefiction Literatur und Filmen verhindert die realistische Erkennung/Bewertung des motivierten autonomen Roboters.
A.Schurmann
Autor