Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Bücher
Zeitschriften
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
SLX-Digitalkonferenz: Zukunftswerkstatt 2024

Mehr Umsatz mit Top-Kontakten

Am 7. Mai erfahren Sie, wie Vertriebsteams Leadgenerierung, Leadnurturing und Leadstrategien effizient steuern können.
Erweiterte Suche
Anmelden
nach oben
e+i Elektrotechnik und Informationstechnik
Erschienen in: e & i Elektrotechnik und Informationstechnik 6/2017

06.09.2017 | Originalarbeit

Autonomous robots: potential, advances and future direction

verfasst von: Simon Hangl, Emre Ugur, Justus Piater

Erschienen in: e+i Elektrotechnik und Informationstechnik | Ausgabe 6/2017

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

Recent advances in machine learning, such as deep neural networks, have caused a huge boost in many different areas of artificial intelligence and robotics. These methods typically require a large corpus of well-prepared and labelled training data, which limits the applicability to robotics. In our opinion, a fundamental challenge in autonomous robotics is to design systems that are simple enough to solve simple tasks. These systems should grow in complexity step by step and more complex models like neural networks should be trained by re-using the information acquired over the robot’s lifetime. Ultimately, high-level abstractions should be generated from these models, bridging the gap from low-level sensor data to high-level AI systems. We present first steps into this direction and analyse their limitations and future extensions in order to achieve the goal of designing autonomous agents.
Vorheriger Artikel Vertrauenswürdige Roboter
Nächster Artikel Safety & Security – Erfolgsfaktoren von sensitiven Robotertechnologien

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Literatur
1.
2.
Asada, M., Hosoda, K., Kuniyoshi, Y., Ishiguro, H., Inui, T., Yoshikawa, Y., Ogino, M., Yoshida, C. (2009): Cognitive developmental robotics: a survey. IEEE Trans. Auton. Ment. Dev., 1(1), 12–34. doi:10.​1109/​TAMD.​2009.​2021702. CrossRef
3.
Briegel, H. J., De las Cuevas, G. (2012): Projective simulation for artificial intelligence. Sci. Rep., 2, 400, EP CrossRef
4.
Fukushima, K. (1988): Neocognitron: a hierarchical neural network capable of visual pattern recognition. Neural Netw., 1(2), 119–130. CrossRef
5.
Hangl, S., Dunjko, V., Briegel, H., Piater, J. H. (2017): Skill learning by autonomous robotic playing using active learning and creativity. CoRR. 1706.​08560.
6.
Hangl, S., Stabinger, S., Piater, J. (2017): Autonomous skill-centric testing using deep learning. In IEEE/RSJ international conference on intelligent robots and systems.
7.
Hangl, S., Ugur, E., Szedmak, S., Piater, J. (2016): Robotic playing for hierarchical complex skill learning. In IEEE/RSJ international conference on intelligent robots and systems.
8.
Hubel, D. H., Wiesel, T. N. (1968): Receptive fields and functional architecture of monkey striate cortex. J. Physiol., 195(1), 215–243. CrossRef
9.
10.
Kahn, G., Villaflor, A., Pong, V., Abbeel, P., Levine, S. (2017): Uncertainty-aware reinforcement learning for collision avoidance. CoRR. 1702.​01182.
11.
LeCun, Y., Bengio, Y., Hinton, G. (2015): Deep learning. Nature, 521(7553), 436–444. CrossRef
12.
Levine, S., Pastor, P., Krizhevsky, A., Ibarz, J., Quillen, D. (2017): Learning hand-eye coordination for robotic grasping with deep learning and large-scale data collection. Int. J. Robot. Res., doi:10.​1177/​0278364917710318​
13.
Lungarella, M., Metta, G., Pfeifer, R., Sandini, G. (2003): Developmental robotics: a survey. Connect. Sci., 15(4), 151–190. CrossRef
14.
McCarthy, J., Minsky, M. L., Rochester, N., Shannon, C. E. (1955): A proposal for the Dartmouth summer research project on artificial intelligence. AI Mag., 31(4), 12. 27, 2006.
15.
Piaget, J. (1952): The origins of intelligence in children. New York: Norton. CrossRef
16.
Sadeghi, F., Levine, S. (2017): Cad2rl: real single-image flight without a single real image. In Robotics: science and systems.
17.
Schmidhuber, J. (2015): Deep learning in neural networks: an overview. Neural Netw., 61, 85–117. CrossRef
18.
Silver, D., Huang, A., Maddison, C. J., Guez, A., Sifre, L., Van Den Driessche, G., Schrittwieser, J., Antonoglou, I., Panneershelvam, V., Lanctot, M., et al. (2016): Mastering the game of go with deep neural networks and tree search. Nature, 529(7587), 484–489. CrossRef
19.
Stoytchev, A. (2009): Some basic principles of developmental robotics. IEEE Trans. Auton. Ment. Dev., 1(2), 122–130. CrossRef
20.
21.
Tobin, J., Fong, R., Ray, A., Schneider, J., Zaremba, W., Abbeel, P. (2017): Domain randomization for transferring deep neural networks from simulation to the real world. CoRR. 1703.​06907.
22.
23.
Ugur, E., Piater, J. (2015): Bottom-up learning of object categories, action effects and logical rules: from continuous manipulative exploration to symbolic planning. In IEEE international conference on robotics and automation, ICRA (S. 2627–2633). New York: IEEE Press.
24.
Weng, J. (2004): Developmental robotics: theory and experiments. Int. J. Humanoid Robot., 1(02), 199–236. CrossRef
25.
Yu, W., Liu, C. K., Turk, G. (2017): Preparing for the unknown: Learning a universal policy with online system identification. CoRR. 1702.​02453.
Metadaten
Titel
Autonomous robots: potential, advances and future direction
verfasst von
Simon Hangl
Emre Ugur
Justus Piater
Publikationsdatum
06.09.2017
Verlag
Springer Vienna
Erschienen in
e+i Elektrotechnik und Informationstechnik / Ausgabe 6/2017
Print ISSN: 0932-383X
Elektronische ISSN: 1613-7620
DOI
https://doi.org/10.1007/s00502-017-0516-0

Weitere Artikel der Ausgabe 6/2017

e & i Elektrotechnik und Informationstechnik 6/2017 Zur Ausgabe

Originalarbeit

Skill-based learning of an assembly process

Originalarbeit

Roboter lernen mit Gegenständen umzugehen: neue Entwicklungen und Chancen

Originalarbeit

Safety & Security – Erfolgsfaktoren von sensitiven Robotertechnologien

Originalarbeit

Bildgebende Sensorsysteme für robotische Systeme in der Agrar- und Landtechnik

Vorwort

Vertrauenswürdige Roboter

Neuer Inhalt

    Bildnachweise