Der Mensch als Vorbild für intelligente Assistenz -Transfer von Fertigkeiten -

Transkript

1 Der Mensch als Vorbild für intelligente Assistenz -Transfer von Fertigkeiten - Umwelt(-modell) zb. Strassenverkehr + Auto Oldenburg - Stadt der Wissenschaft Perspektivenwechsel Operator(-modell) Pilot oder Autofahrer Claus Möbus, Jan Lenk Lernende und kognitive Systeme Department für Informatik, Uni OL Bereich Verkehr, OFFIS OL 1

2 Vita 1965 Abi in WHV, Praktikum bei AEG Olympia TU BS, Uni HD: Studium der Psychologie 1970 Hab mein Herz in Heidelberg verloren 1974 Uni HD: Promotion FU Berlin: Professor für Psychologie Uni OL: Professor für angewandte Informatik Uni OL: Gründung des FB Informatik 1991 Gründung von OFFIS 1997 OL: Hausbau in Etzhorn 1998 OL: Annus horribilis Direktor des Department für Informatik 2

3 Themen Wissen, Kompetenz, Intelligenz, künstliche Intelligenz Warum intelligente Assistenz? Kooperative Assistenz Transfer von Fertigkeiten elearning: projektorientiertes Lernen Künstliche Intelligenz: Beispiel für maschinelles Lernen Zwei Fahrermodelle Akzeptanz von Fehlleistungen Bei Menschen Bei Maschinen Ausblick 3

4 Die Die Wissenstreppe KPMG 2001 Kompetenz + Bedeutsamkeit/Nützlichkeit/Pragmatik + Bedeutung/Semantik

5 Bloom s Lernzieltaxonomie ist domänenunabhängig! Synthese Die Kommunikation Wissenstreppe Evaluation KPMG 2001 Intelligenz Analyse Anwenden Verstehen Wissen + Bedeutsamkeit/Nützlichkeit/Pragmatik + Bedeutung/Semantik

6 Künstliche Intelligenz

7 Künstliche Intelligenz 2009 planning and scheduling; vision and perception; machine learning and data mining; evolutionary computing; natural language processing; knowledge representation and reasoning; cognition; history and philosophical foundations; AI and engineering; automated reasoning; spatial and temporal reasoning; agents and intelligent virtual environments; experience and knowledge management; and robotics. 7

8 Themen Wissen, Kompetenz, Intelligenz, künstliche Intelligenz Warum intelligente Assistenz? Kooperative Assistenz Transfer von Fertigkeiten elearning: projektorientiertes Lernen Künstliche Intelligenz: Beispiel für maschinelles Lernen Zwei Fahrermodelle Akzeptanz von Fehlleistungen Bei Menschen Bei Maschinen Ausblick 8

9 Unübersichtlichkeit der Situation ohne Licht ohne Bremse! 9

10 Themen Wissen, Kompetenz, Intelligenz, künstliche Intelligenz Warum intelligente Assistenz? Kooperative Assistenz Transfer von Fertigkeiten elearning: projektorientiertes Lernen Künstliche Intelligenz: Beispiel für maschinelles Lernen Zwei Fahrermodelle Akzeptanz von Fehlleistungen Bei Menschen Bei Maschinen Ausblick 10

11 Kooperative Assistenz: Fahrlehrer vs. Schutzengel Claus Möbus, HCII

12 Themen Wissen, Kompetenz, Intelligenz, künstliche Intelligenz Warum intelligente Assistenz? Kooperative Assistenz Transfer von Fertigkeiten elearning: projektorientiertes Lernen Künstliche Intelligenz: Beispiel für maschinelles Lernen Zwei Fahrermodelle Akzeptanz von Fehlleistungen Bei Menschen Bei Maschinen Ausblick 12

13 elearning 2009! (besucht )

14 TORCS besucht

15 TORCS Robot Tutorial Claus Möbus

16 Themen Wissen, Kompetenz, Intelligenz, künstliche Intelligenz Warum intelligente Assistenz? Kooperative Assistenz Transfer von Fertigkeiten elearning: projektorientiertes Lernen Künstliche Intelligenz: Beispiel für maschinelles Lernen Zwei Fahrermodelle Akzeptanz von Fehlleistungen Bei Menschen Bei Maschinen Ausblick 16

17 TORCS racing scenario Fahrermodell mit 2-Punkt-Steuerung

18 2-Punkt-Steuerung, Veränderung des Lenkwinkels: f (, ) Veränderung der Geschwindigkeit: f (, ) f f n n Fernpunkt Ausrichtung Nahpunkt f n Mittelstreifen Claus Möbus

19 2-Punkt-Steuerung mit Gauss Methode kleinster Quadrate Veränderung des Lenkwinkels: f (, ) Veränderung der Geschwindigkeit: f (, ) f f n n Fernpunkt Johann Carl Friedrich Gauss Ausrichtung Nahpunkt f n Mittelstreifen Claus Möbus

20 Intraindividuelle Varianz des Blickverhaltens Salvucci & Gray s Modell stimmt nur unter bestimmenten Bedingungen Es gilt wohl eher Horrey, Wickens, and Consalus Theorie der Aufmerksamkeitskontrolle mit ambienter und fovealer Wahrnehmung Claus Möbus 21

21 Probabilistisches Fahrermodell mit ambienter Wahrnehmung 22

22 2-Punkt-Steuerung mit Gauss Methode kleinster Quadrate Veränderung des Lenkwinkels: f (, ) Veränderung der Geschwindigkeit: f (, ) f f n n Fernpunkt Johann Carl Friedrich Gauss Ausrichtung Nahpunkt f n Mittelstreifen Claus Möbus

23 Probabilistisches Fahrermodell Bayesian Autonomous Driver (BAD) Veränderung des Lenkwinkels: f (, ) Veränderung der Geschwindigkeit: f (, ) f f n n Fernpunkt Johann Carl Friedrich Gauss Ausrichtung Nahpunkt f n Mittelstreifen Claus Möbus

24 Probabilistisches Fahrermodell Bayesian Autonomous Driver (BAD) Wahrscheinlichkeit des Lenkwinkels: P( t ) f ( t, t 1) Wahrscheinlichkeit der Pedalstellung: P( ) f (, ) t t t 1 Ausrichtung Thomas Bayes Mittelstreifen Claus Möbus

25 Kurvenradien und Rotationswinkel des Kurses Training Data: 1 driver 1 lap Claus Möbus

26 BAD model drive on TORCS race track Fahrt des Bayesschen Fahrermodells Video Drive of BAD Model Claus Möbus, 8.BWMMS

27 Themen Wissen, Kompetenz, Intelligenz, künstliche Intelligenz Warum intelligente Assistenz? Kooperative Assistenz Transfer von Fertigkeiten elearning: projektorientiertes Lernen Künstliche Intelligenz: Beispiel für maschinelles Lernen Zwei Fahrermodelle Akzeptanz von Fehlleistungen Bei Menschen Bei Maschinen Ausblick 30

28 Akzeptanz von Fehlleistungen Mensch Maschine Todes strafe Herstellerhaftung 31

29 Themen Wissen, Kompetenz, Intelligenz, künstliche Intelligenz Warum intelligente Assistenz? Kooperative Assistenz Transfer von Fertigkeiten elearning: projektorientiertes Lernen Künstliche Intelligenz: Beispiel für maschinelles Lernen Zwei Fahrermodelle Akzeptanz von Fehlleistungen Bei Menschen Bei Maschinen Ausblick 32

30 Was wurde gebraucht? Psychologie Wahrnehmung, Aufmerksamkeitssteuerung, Handlungsplanung Bestimmung relevanter Variablen (Größen) Verhaltensbeobachtung Datensammlung und Auswertung Regelungstheorie (Grundkenntnisse) Stochastik (Grundkenntnisse) Modellbau Inferenzen zur Aktionswahl Informatik Betrieb von Simulatoren Werkzeuge des Data Mining Software Engineering der Prototypen Effiziente Wahrscheinlichkeitsinferenzen. 33

31 Was wurde erreicht? Kommunikation Evaluation Intelligenz Synthese Analyse Anwenden Verstehen Wissen

32 Wie geht s weiter? Mehrere Verkehrsteilnehmer Kooperative Nicht kooperative (Geisterfahrer) Komplexere Verkehrszenarien Stadtverkehr / Shared Space Baustellen Kompetenzen Antizipation Handlungsbewertung Situationsverständnis Andere Fachgebiete 35

33 Was kann man selbst machen? Vorbild sein (Modelllernen berücksichtigen) Interessen wecken, Angebote machen Kritikfähigkeit, Reflexion fördern Loslassen können, Kontrollillusionen aufgeben Einfluss der Bezugsgruppe (Schule, Freunde) akzeptieren Realistische Einschätzung der eigenen Einflussmöglichkeiten: Einfluss entspricht ca. der positiv erlebten Kontaktzeit Verzeihen können (fehlertolerant sein) 36

34 Besuchen Sie uns: 37

35 Vielen Dank für Ihre Aufmerksamkeit!