Skip to main content

Bättre robotinlärning genom komprimerat minne

Pressmeddelande   •  Jul 09, 2003 16:41 CEST

Med en speciell teknik för att komprimera minnet hos en robot går det att få roboten att själv lära sig nya saker utifrån den information som finns lagrad i minnet. Tekniken presenterar Fredrik Linåker, verksam vid Högskolan i Skövde, i
sin nyligen framlagda doktorsavhandling vid University of Sheffield i England. I avhandlingsarbetet utgår Fredrik Linåker från tidigare studier om komprimering av minne hos robotar för inlärning. I dessa studier har man inte lyckats kombinera ett komprimerat minne med inlärning. Den komprimeringsteknik Fredrik Linåker har tagit fram visar däremot att det är möjligt.

Robotens minne bör innehålla information som är relevant för den situation inlärningen avser. Med hjälp av sensorer kan roboten bland annat registrera avstånd, temperaturer, bilder
och ljud och på så sätt bygga upp ett minne utifrån detta. Tidigare tekniker bygger på att roboten utrustas med ett slags filter som sållar bort alla ovanliga signaler från minnet och bevarar de vanligt förekommande. Därigenom blir minnet statistiskt sett ganska bra. Den nya tekniken går istället ut på att roboten själv får välja vad den ska komma ihåg. Vad som lagras i minnet beror på vad roboten sett tidigare och vad som hände vid det tillfället. Minnet blir därmed ”personligt” för varje robot som utrustats med det nya komprimeringssystemet. Tack vare komprimeringen av minnet kan roboten komma ihåg en längre tidsperiod, upp till flera veckor eller månader, beroende på hur mycket som händer kring roboten. Om minnet inte komprimeras alls kan roboten bara minnas några minuter tillbaka. Nackdelen med den nya tekniken är däremot att kvaliteten på det roboten kommer ihåg blir något sämre.

Fredrik Linåkers avhandling är gjord inom artificiell intelligens, ett forskningsområde som är inriktat på att konstruera datorsystem som har ett intelligent beteende. Målet är att på
konstgjord väg efterlikna hjärnans förmåga att lära, minnas, dra slutsatser, planera, lösa problem med mera. Inom artificiell intelligens baseras inlärning på att robotens beteende belönas respektive bestraffas, vilket kan jämföras med hur man tränar husdjur att utföra enklare uppgifter. Om
man till exempel ber sin robot att hämta en kopp kaffe och denne återvänder först en timme senare, utan något kaffe, behöver datorsystemet ha en minnesbild av vad som hände vid kommunikationen en timme tidigare. Syftet med detta är att roboten ska förstå varför den får en tillrättavisning när den kommer tillbaka.

Genom att i förväg programmera in vad roboten ska uppfatta som bra och dåligt går det att styra robotens beteende. När den gör fel blir den straffad, till exempel kan man visa upp en
röd lapp som man i förväg har bestämt att roboten inte ska tycka om. Därmed vet den att den har gjort något fel. Visar man däremot upp en grön lapp kan det betyda att den får beröm.

Roboten ska kunna utnyttja flera dagars lagrad information för att hitta samband som ger ny kunskap. En av fördelarna med att roboten kan lära sig själv är att man slipper programmera den. Ytterligare en fördel är att roboten inte längre är låst till att göra enbart en uppgift. Den nya komprimeringstekniken går även att använda i andra sammanhang än artificiell intelligens. En forskargrupp i Kanada har jämfört olika tekniker för att förutsäga beteendet
hos användare av trådlösa tjänster. Studien visar att den teknik som presenteras i Fredrik Linåkers avhandling vida överträffar tidigare metoder för att hitta mönster i tidsserierna och dessutom ger tekniken, som en bieffekt, en bra översikt över hur användarbeteendet sett ut under systemets livstid.

Fredrik Linåker har sina rötter i Skaraborg, grundskolan gick han på Nästegårdsskolan i Kvänum och läste därefter på De la Gardiegymnasiet i Lidköping. Han har sedan tidigare en
magisterexamen i datavetenskap och en kandidatexamen i systemprogrammering från Högskolan i Skövde. För närvarande arbetar Fredrik Linåker som föreläsare i artificiell
intelligens och objektorienterad programmering vid Högskolan.
Huvudhandledare under avhandlingsarbetet var professor Noel Sharkey från University of Sheffield, Englands mest berömda robotforskare, bland annat känd som domare för tvprogrammet Robot Wars. Bihandledare var professor Lars Niklasson vid Högskolan i Skövde.

Avhandlingens titel: Unsupervised On-Line Data Reduction for Memorisation and Learning in Mobile Robotics
För mer information kontakta Fredrik Linåker, tfn 0500-44 83 54 eller e-post fredrik.linaker@ida.his.se

En bild på Fredrik Linåker finns tillgänglig på sidan http://www.his.se/his/press.htm

Kommentarer (0)

Lägg till kommentar

Kommentera