Learning to Optimize Mobile Robot Navigation Based on HTN Plans
|
|
- Rüdiger Siegel
- vor 6 Jahren
- Abrufe
Transkript
1 Learning to Optimize Mobile Robot Navigation Based on HTN Plans lernen Betreuer: Freek Stulp Hauptseminar Intelligente Autonome Systeme (WiSe 2004/05) Forschungs- und Lehreinheit Informatik IX 8. Dezember 2004
2 Learning to Optimize Mobile Robot Navigation Based on HTN Plans lernen Überblick Probleme Rhino Überblick Probleme Rhino bei Robotern HTNs HTN in der Praxis lernen Künstliche Neuronale Netze & Model Trees in der Praxis
3 Probleme lernen Überblick Probleme Rhino Vermittlung: Abstrakte Pläne, Low-Level Aktionen Effektiv planen lernen
4 Das Rhino Navigationssystem lernen Überblick Probleme Rhino Robust Navigation Planning Bekommt Ziele Erstellt Navigationsstrategien Local Control Übersetzt Navigationsaufgaben in Motorkommandos Reagiert auf dynamische Hindernisse
5 HTN Pläne lernen HTN Pläne HTN: Praxis Hierarchischer Aufbau Pläne als Objekte Elementare und Zusammengesetzte Pläne Planexpansion Lazy Expansion
6 für einen HTN Plan lernen HTN Pläne HTN: Praxis Zur TU Garching fahren Mit dem Auto zur TU fahren 1. Ins Auto steigen 2. Mit dem Auto zur TU fahren Über die Autobahn 1. Auf die A99 fahren 2. Auf die A9 fahren 3. Ausfahrt Garching-Nord nehmen 4. Auto am Parkplatz parken Über Landstraßen Aussteigen Mit dem MVV zur TU fahren
7 für einen HTN Plan lernen HTN Pläne HTN: Praxis Zur TU Garching fahren Mit dem Auto zur TU fahren... Mit dem MVV zur TU fahren 1. Zur S-Bahn Station gehen Zu Fuß gehen Mit dem Fahrrad fahren 2. Nach Garching fahren 1. Mit der S5 zum Marienplatz fahren 2. Mit der U6 nach Garching-Hochbrück fahren 3. Mit dem Bus nach Garching fahren Linie 291 nehmen Verstärker der Linie 291 nehmen Linie 630 nehmen
8 Das HTN lernen HTN Pläne HTN: Praxis MDPgoto(x, y) Expandiert durch ApproachPoint(x, y, d) Expandiert durch SetTarget(x, y, d) TurnTo(x, y), SetTarget(x, y, d) MoveBackward(30), SetTarget(x, y, d) TurnToFree(), MoveForward(d), TurnTo(x, y), SetTarget(x, y, d)
9 lernen 1. MDPgoto(400, 400) Expandiert 2. ApproachPoint(310, 310, 2) Expandiert 3. SetTarget(310, 310, 2) Schwebend HTN Pläne HTN: Praxis SetTarget 1. MDPgoto(400, 400) Expandiert 2. ApproachPoint(310, 310, 2) Expandiert 3. SetTarget(310, 310, 2) Schwebend 4. MoveBackwards(5) Schwebend
10 lernen lernen Die Situation Neuronale Netze HTN Pläne Abstrakte Pläne Konkretisiert durch Expansion Wahl der Expansion? Lernen Die Situation Künstliche Neuronale Netze & Model Trees
11 Situationseigenschaften lernen Die Situation Neuronale Netze Distanz bis zum ersten Hindernis Verfügbarer Platz an derzeitiger Position Verfügbarer Platz an Zielposition Minimal verfügbarer Platz auf dem Weg Durchschnittlich verfügbarer Platz a. d. Weg Krümmung des Weges Differenz zwischen maximal und minimal verfügbarem Platz auf dem Weg Länge des Pfades
12 Künstliche Neuronale Netze lernen w 1, j w i, j Σ Die Situation Neuronale Netze Merkmale Klasse
13 lernen Die Situation Neuronale Netze Knoten: Attribute Kanten: Belegungen Blätter: Funktionswert/Klasse Pfade: Horn-Formeln ( X 0 X 1... X n 1 X 0 )
14 lernen Die Situation Neuronale Netze Nein Nein Geld reicht für einen besseren Computer Ja Ja Bilder pro Sekunde in Spielen < > 25 Nein Genügt aufrüsten? Ja Laut Wie laut ist der Computer? Mittel Leise Ja Nein Ja Lautstärke kann gedämmt werden Nein Nein Ja Ja Nein
15 lernen Die Situation Neuronale Netze Konstruktion Gute vs schlechte Bäume Model Trees Vorteile: Verständliche Regeln
16 e gelernter Regeln lernen Die Situation Neuronale Netze ( (Bilder pro Sek. In Spielen = 18) (Geld reicht für besseren Computer = Ja) (Genügt aufrüsten = Nein) (Lautstärke kann gedämmt werden = Ja) (Wie laut ist der Computer = Leise) ) IF (Geld reicht für besseren Computer = Ja) AND (Bilder pro Sekunde in Spielen >= 15) AND (Bilder pro Sekunde in Spielen <= 25) AND (Genügt aufrüsten = Nein) THEN Neuen Computer Kaufen = Ja
17 e gelernter Regeln lernen Die Situation Neuronale Netze IF (pathcurvature < 1.05) AND (NOT crossesdoor) AND (pathlength >= 110.0) AND (pathlength < 130.0) THEN Duration = 1 / * pathlength
18 Praxis lernen Zielpunkte, gewählt durch Standard-Expansion Zielpunkte, gewählt durch Expansion nach Training
19 Praxis lernen Hand-Optimierte Regeln: Rücken zum Ziel, wenig Platz => zuerst drehen Platz nimmt ab => Ziel nur 1 Meter voraus Viel Platz, geringe Krümmung => 4 Meter voraus Performanz: ca 31 % besser Gelernte Regeln Lernphase: Exploration => Model Trees Planung: Geschätzte Zeit = Negativer Reward Expansion: Regel mit größtem Reward zuerst Performanz: ca 42 % besser
20 lernen Optimierungen Detailliertere HTNs Optimierte Klassifikation... Hier unbehandelte Themen Dynamische Umgebungen Unüberwachtes Lernen...
21 Learning to Optimize Mobile Robot Navigation Based on HTN Plans lernen Danke für die Aufmerksamkeit :-)
Seminar Künstliche Intelligenz WS 2013/14 Grundlagen des Maschinellen Lernens
Seminar Künstliche Intelligenz WS 2013/14 Grundlagen des Maschinellen Lernens Martin Hacker Richard Schaller Künstliche Intelligenz Department Informatik FAU Erlangen-Nürnberg 19.12.2013 Allgemeine Problemstellung
MehrNavigation: Einführung
Navigation: Einführung Definition (Levitt & Lawton 1990) Navigation als Prozess zur Beantwortung der Fragen (a) Wo bin ich? (b) Wo befinden sich andere Orte im Bezug zu mir? (c) Wie gelange ich von meinem
Mehr3 Programmierung von Robotern
3 Programmierung von Robotern 3.1 Arten der Programmierung Arten Programmierung durch Beispiele Programmierung durch Training roboterorientierte Programmierung aufgabenorientierte Programmierung 3.1.1
MehrAnfahrtsplan. So finden Sie zu uns
Anfahrtsplan So finden Sie zu uns Nürnberg A9 1 Flughafen München Anfahrt STANDORT Seite 3-5 A8 Stuttgart A96 Mühldorf A94 Anfahrt STANDORT Seite 6-7 Lindau A95 Garmisch- Partenkirchen A8 Salzburg STANDORT
MehrFortgeschrittene Routenplanung. Transportnetzen. Advanced Route Planning in Transportation Networks
Fortgeschrittene Routenplanung in Transportnetzen Advanced Route Planning in Transportation Networks Dissertationsvortrag von Dipl.-Inform. Robert Geisberger 1 KIT Robert Universität Geisberger: des Landes
MehrProseminar Künstliche Intelligenz: Wahrnehmung
Proseminar Künstliche Intelligenz: Wahrnehmung Sommersemester 2011 Computer Science Department Group Inhalt Department of Informatics 1 Sensoren 2 Bildverarbeitung Kantenerkennung 3D-Informationen extrahieren
MehrANREISE VON NORDEN ÜBER MÜNCHEN/GARMISCH-PARTENKIRCHEN
ANREISE VON NORDEN ÜBER MÜNCHEN/GARMISCH-PARTENKIRCHEN Das Hotel Klosterbräu ***** & SPA liegt ca. 1,5 Stunden Fahrzeit südlich von München. Nehmen Sie in München die Autobahn A95 Richtung Garmisch, das
MehrEinführung in die Künstliche Intelligenz
Einführung in die Künstliche Intelligenz - Verfahren autonomer Wegplanung - D P LS G ML ES S ST EB SA NN ME O PF EA SV FSM Sommersemester 2009 Dr. Marco Block-Berlitz 1 Übersicht zum Vorlesungsinhalt 1)
MehrSS 2005 FAU Erlangen 20.6.2005. Eine Wegeplanungs-Strategie. Jeremy Constantin, Michael Horn, Björn Gmeiner
SS 2005 FAU Erlangen 20.6.2005 Voronoi Diagramm Eine Wegeplanungs-Strategie Jeremy Constantin, Michael Horn, Björn Gmeiner Grundseminar: Umgebungsexploration und Wegefindung mit Robotern am Beispiel "Katz
MehrModellierung von Navigationswissen mit Routen-Graphen
Modellierung von Navigationswissen mit Routen-Graphen Bernd Krieg-Brückner Universität Bremen Steffen Werner Universität Göttingen Theo Herrmann Universität Mannheim Räumliches Wissen und Navigation Sensorikleistung
MehrHauptseminar Roboternavigation. Kartenaufbau nach Thrun
Hauptseminar Roboternavigation Kartenaufbau nach Thrun Hannes Keil keil@in.tum.de 18. Januar 2002 Überblick Kartenaufbau nach Thrun Überblick 1. Einführung in den Kartenbau 2. Einführung in den Aufbau
MehrCARRY TUGGER FORKLIFT CUSTOMIZED. Intralogistik Mobile Robotik
CARRY TUGGER FORKLIFT CUSTOMIZED Intralogistik Mobile Robotik 2 Grenzebach schließt die Automatisierungslücke Das Familienunternehmen Grenzebach ist seit Generationen ein verlässlicher, innovativer Anbieter
MehrRationale Agenten Rationalität
Rationale Agenten Rationalität des Agentenverhaltens hängt ab von Performanzmaß (auf dem Ergebnis der Agentenfunktion) vorgegebenem Wissen des Agenten über die Umgebung ausführbaren Aktionen aktueller
MehrServicepool für Teilnehmer/innen an der Konferenz "Sprachen AIRleben 2013" am 4. und 5. Dezember 2013 in Graz
Servicepool für Teilnehmer/innen an der Konferenz "Sprachen AIRleben 2013" am 4. und 5. Dezember 2013 in Graz IHR AUFENTHALT IN GRAZ NÄCHTIGUNGSMÖGLICHKEITEN UND ANFAHRTBESCHREIBUNGEN Wir haben für Sie
MehrWEGBESCHREIBUNG STANDORT HAMBURG KAISER-WILHELM-STRASSE 93 20355 HAMBURG
WEGBESCHREIBUNG STANDORT HAMBURG KAISER-WILHELM-STRASSE 93 20355 HAMBURG MIT DEM AUTO ANFAHRT AUS RICHTUNG BERLIN Am Autobahnkreuz 20-Dreieck Wittstock/Dosse rechts halten und den Schildern A 24 in Richtung
MehrProf. Dr.-Ing. Holger Voos M.Sc. Suparchoek Wangmanaopituk. Hochschule Ravensburg-Weingarten Labor für mobile Robotik und Mechatronik
Agent-based Automation of a flexible Microproduction System including Teams of Mobile Robots Prof. Dr.-Ing. Holger Voos M.Sc. Suparchoek Wangmanaopituk Hochschule Labor für mobile Robotik und Mechatronik
MehrProbleme der Navigation von Rehabilitationsroboter: Intelligenter Rollstuhl
16.04.2013 Advanced Seminar "Computer Engineering" WS2012/2013 Probleme der Navigation von Rehabilitationsroboter: Intelligenter Rollstuhl Sandrine Michele Chouansu Lehrstuhl für Automation; Universität
MehrÜbungen - Für das Deutsche Sprachdiplom der KMK
Die Grundlage der Übung ist der Beitrag Fahr mit Bus und Bahn! - Personennahverkehr in Deutschland in vitamin de, Nr. 58, Seite 16 bis 17. Alle Aufgaben können auch einzeln bearbeitet werden. Es werden
MehrAuswertung der Bürgerumfrage zum öffentlichen Personennahverkehr in Neubiberg
Auswertung der Bürgerumfrage zum öffentlichen Personennahverkehr in Neubiberg Unser Dank gilt Herrn Dr.-Ing. Wolfgang Kieslich für die überaus schnelle und umfassende Datenauswertung und seine stets kooperative
MehrVeranstaltungsort. Übernachtung im Hotel Esperanto
Veranstaltungsort Kongress- und Kulturzentrum Fulda Esperantoplatz 36037 Fulda http://www.kongresszentrum-fulda.com/ Übernachtung im Anfahrt mit der Bahn Die Anfahrt ist mit dem ICE (Anbindung stündlich),
MehrWas bisher geschah. Lernen: überwachtes Lernen. biologisches Vorbild neuronaler Netze: unüberwachtes Lernen
Was bisher geschah Lernen: überwachtes Lernen korrigierendes Lernen bestärkendes Lernen unüberwachtes Lernen biologisches Vorbild neuronaler Netze: Neuron (Zellkörper, Synapsen, Axon) und Funktionsweise
MehrBagger. Parkplatz. Kran. Kanal. Fahrrad JOKER. Auto. Auto. Krankenwagen. Heißluftballon. Dreirad. Boot. Anker. Motorroller. Kran. Fallschirm.
Fahrrad Parkplatz Bagger kenwagen Auto Auto Bus Motorrad Schienen Roller Flugzeug Fahrrad Motorrad Roller Flugzeug Reifen Bus Skateboard Flugzeug U- Parkplatz Skateboard kenwagen Skateboard Taxi Schienen
Mehr2. Lernen von Entscheidungsbäumen
2. Lernen von Entscheidungsbäumen Entscheidungsbäume 2. Lernen von Entscheidungsbäumen Gegeben sei eine Menge von Objekten, die durch Attribut/Wert- Paare beschrieben sind. Jedes Objekt kann einer Klasse
MehrSeminar Textmining SS 2015 Grundlagen des Maschinellen Lernens
Seminar Textmining SS 2015 Grundlagen des Maschinellen Lernens Martin Hacker Richard Schaller Künstliche Intelligenz Department Informatik FAU Erlangen-Nürnberg 17.04.2015 Entscheidungsprobleme beim Textmining
MehrSTANDORT HAMBURG - - MIT DEM AUTO ANFAHRT AUS RICHTUNG BERLIN
STANDORT HAMBURG - - MIT DEM AUTO ANFAHRT AUS RICHTUNG BERLIN Am Autobahnkreuz 20-Dreieck Wittstock/Dosse rechts halten und den Schildern A 24 in Richtung Hamburg/Schwerin folgen. Im Kreisverkehr zweite
MehrAnreise Karl-Franzens-Universität Graz
Anreise Karl-Franzens-Universität Graz Auto Von Norden München, Salzburg, Linz über die A9 kommend nehmen Sie die Ausfahrt Graz Nord Richtung Zentrum. Sie fahren gerade aus auf der Wiener Straße weiter,
MehrDynamische Programmierung. Problemlösungsstrategie der Informatik
als Problemlösungsstrategie der Informatik und ihre Anwedung in der Diskreten Mathematik und Graphentheorie Fabian Cordt Enisa Metovic Wissenschaftliche Arbeiten und Präsentationen, WS 2010/2011 Gliederung
MehrUberblick 1. Kurzeste Wege 2. Sichtbarkeitsgraphen 3. Berechnung des Sichtbarkeitsgraphen 4. Kurzeste Wege fur polygonale Roboter 1
Vorlesung Geometrische Algorithmen Sichtbarkeitsgraphen und kurzeste Wege Sven Schuierer Uberblick 1. Kurzeste Wege 2. Sichtbarkeitsgraphen 3. Berechnung des Sichtbarkeitsgraphen 4. Kurzeste Wege fur polygonale
MehrBinary Decision Diagrams (Einführung)
Binary Decision Diagrams (Einführung) Binary Decision Diagrams (BDDs) sind bestimmte Graphen, die als Datenstruktur für die kompakte Darstellung von booleschen Funktionen benutzt werden. BDDs wurden von
MehrReinforcement Learning
Reinforcement Learning 1. Allgemein Reinforcement Learning 2. Neuronales Netz als Bewertungsfunktion 3. Neuronales Netz als Reinforcement Learning Nils-Olaf Bösch 1 Allgemein Reinforcement Learning Unterschied
MehrRück vergütung für Krankheits kosten und Behinderungs kosten
Sie bekommen Ergänzungs leistungen? Dann ist dieses Merk blatt für Sie. Ein Merk blatt in Leichter Sprache Rück vergütung für Krankheits kosten und Behinderungs kosten Wann bekommen Sie Geld zurück? Dieser
MehrAlgorithmen und Datenstrukturen
Algorithmen und Datenstrukturen Datenstrukturen: Anordnung von Daten, z.b. als Liste (d.h. in bestimmter Reihenfolge) Beispiel: alphabetisch sortiertes Wörterbuch... Ei - Eibe - Eidotter... als Baum (d.h.
MehrAlgorithmen für Computerspiele
Algorithmen für Computerspiele Künstliche Intelligenz von Manuel Bischof 3. Mai 2010 Gliederung Einleitung Was umfasst die KI? Nutzung in verschiedenen Genres Wo sind Verbesserungen notwendig? Möglichkeiten,
MehrMOLECULES National Take Up Seminar
Verkehrsinformationen und die Vorstellung des intermodalen Routenplaners mit Fokus Elektromobilität Berlin, 09. Oktober 2014 Agenda 1. 2. 3. Intermodale Routenplanung 4. 5. 2 Agenda 1. 2. 3. Intermodale
MehrLernumgebung für das Travelling Salesman Problem. Bedienungsanleitung. Projekt im Sommersemester 2016 Betreuer: Prof. Dr.
Lernumgebung für das Travelling Salesman Problem Bedienungsanleitung Projekt im Sommersemester 2016 Betreuer: Prof. Dr. Peter Klutke Alexander Kirijatov (286925), Andreas Peter (266601), Benjamin Heckel
MehrStudienkolleg der TU- Berlin
Aufnahmetest Studienkolleg der TU- Berlin a) Hörtext Stadtolympiade 5 10 15 20 25 Seit 1896 finden alle vier Jahre die modernen Olympischen Spiele statt, bei denen Spitzensportler der ganzen Welt ihre
MehrÜbungen auf instabiler Unterlage
Übungen auf instabiler Unterlage Sicher stehen sicher gehen. Weitere Informationen auf /instabil Training auf instabiler Unterlage Möchten Sie sich zusätzlich herausfordern? Auf instabiler Unterlage ausgeführt,
MehrEntwicklung einer Entscheidungssystematik für Data- Mining-Verfahren zur Erhöhung der Planungsgüte in der Produktion
Entwicklung einer Entscheidungssystematik für Data- Mining-Verfahren zur Erhöhung der Planungsgüte in der Produktion Vortrag Seminararbeit David Pogorzelski Aachen, 22.01.2015 Agenda 1 2 3 4 5 Ziel der
MehrAlgorithmen und Datenstrukturen 2
Algorithmen und Datenstrukturen 2 Sommersemester 2006 5. Vorlesung Peter F. Stadler Universität Leipzig Institut für Informatik studla@bioinf.uni-leipzig.de Wdhlg.: Dijkstra-Algorithmus I Bestimmung der
MehrSpieltheorie Gemischte Strategien
Spieltheorie Gemischte Strategien Emanuel Kitzelmann Kognitive Systeme Universität Bamberg Übung KogSys I, WS 06/07 E. Kitzelmann (Universität Bamberg) Gemischte Strategien Übung KogSys I, WS 06/07 1 /
Mehr4. Lernen von Entscheidungsbäumen. Klassifikation mit Entscheidungsbäumen. Entscheidungsbaum
4. Lernen von Entscheidungsbäumen Klassifikation mit Entscheidungsbäumen Gegeben sei eine Menge von Objekten, die durch /Wert- Paare beschrieben sind. Jedes Objekt kann einer Klasse zugeordnet werden.
Mehr14. Rot-Schwarz-Bäume
Bislang: Wörterbuchoperationen bei binären Suchbäume effizient durchführbar, falls Höhe des Baums klein. Rot-Schwarz-Bäume spezielle Suchbäume. Rot-Schwarz-Baum mit n Knoten hat Höhe höchstens 2 log(n+1).
MehrSchnelle und genaue Routenplanung
Sanders/Schultes: Routenplanung 1 Schnelle und genaue Routenplanung Peter Sanders Dominik Schultes Institut für Theoretische Informatik Algorithmik II Universität Karlsruhe Uni für Einsteiger, 22. November
MehrWarum gibt es so viel Verkehr?
J. Michael SCHOPF Warum gibt es so viel Verkehr? Über die Tätigkeit T von VerkehrsplanerInnen 1 Warum entsteht Verkehr? Menschen sind unterwegs man sagt auch, sie sind mobil weil sie etwas erledigen wollen.
MehrFSJ Projekt von Julia Dittmer
FSJ Projekt von Julia Dittmer Zu Fuß zur Schule - Projektwoche an der Grundschule Steinhude 05.05.-09.05.2014-1- In der Woche vom 05.05.2014 bis zu 09.05.2014 findet an der Grundschule Steinhude für alle
MehrIntelligente Transportsysteme
Intelligente Transportsysteme Universität Ulm Fakultät für Informatik Proseminar Künstliche Intelligenz SS 2004 Michael Arnold Typen intelligenter Transportsysteme Fahrer-Assistenz-Systeme Mensch hat Kontrolle
MehrQ.CELLS im Solar Valley Thalheim,
HAUPTEINGANG SOLAR VALLEY AUSFAHRT WOLFEN 12 A 9 BERLIN 130KM ALEXANDER-BEQUEREL-STRAßE Q-CELLS SE OT Thalheim Sonnenallee 17-21 06766 THALHEIM Sonnenallee 1-5 B 183 SANDERSDORFER STR. THALHEIMER STR.
MehrStefan Schmid TU Berlin & T-Labs, Berlin, Germany. Reduktionen in der Berechenbarkeitstheorie
Stefan Schmid TU Berlin & T-Labs, Berlin, Germany Reduktionen in der Berechenbarkeitstheorie Problem: Wie komme ich von hier zum Hamburger Hbf? 2 Beispiel P1 Wie komme ich von hier zum Hamburger Hbf? kann
MehrData Mining und maschinelles Lernen
Data Mining und maschinelles Lernen Einführung und Anwendung mit WEKA Caren Brinckmann 16. August 2000 http://www.coli.uni-sb.de/~cabr/vortraege/ml.pdf http://www.cs.waikato.ac.nz/ml/weka/ Inhalt Einführung:
MehrÜbungen: Den Graphen einer linearen Funktion zeichnen, wenn die Steigung und der y-achsenabschnitt bekannt sind
1 Übungen: Den Graphen einer linearen Funktion zeichnen, wenn die Steigung und der y-achsenabschnitt bekannt sind 1. Zeichne die Graphen zu den folgenden Funktionen in ein Koordinatensystem, indem Du zuerst
MehrZusammenfassung in Leichter Sprache
Zeit für jeden einzelnen Schritt Der Weg für die Hilfe-Planung ist klar. Dann kann man gut planen. Und nichts wird vergessen. Es gibt Zeit für jeden einzelnen Schritt. Und bei jedem Schritt ist immer nur
MehrKapitel : Andere dynamische Datenstrukturen. Algorithmen und Datenstrukturen WS 2012/13. Prof. Dr. Sándor Fekete
Kapitel 4.8-4.11: Andere dynamische Datenstrukturen Algorithmen und Datenstrukturen WS 2012/13 Prof. Dr. Sándor Fekete 4.6 AVL-Bäume 4.8 Rot-Schwarz-Bäume Idee: Verwende Farben, um den Baum vertikal zu
MehrKopiervorlagen zu Kapitel 7
7a Deutschlandkarte A1, Kap. 7, Ü 1a Seite 1 Kopiervorlagen zu Kapitel 7 7b Stadtplan von Berlin (Ausschnitt) Seite 2 A1, Kap. 7, Ü 3b 7c Wie komme ich zu...? A1, Kap. 7, Ü 3b Seite 3 7d Anweisungen A1,
MehrVor der Haustür. Hinweise!
Vor der Haustür Du kennst Dich in Deiner Straße sicher gut aus. Denke daran, trotzdem auf andere Fußgänger, Radfahrer und Fahrzeuge zu achten, wenn Du aus der Haustür gehst. Erläutern Sie Ihrem Kind die
MehrNavigation und virtuelle Begleitung von Behinderten mittels GIS. Masterarbeit von Ralf Schweizer
Navigation und virtuelle Begleitung von Behinderten mittels GIS Masterarbeit von Ralf Schweizer Zürich, 23. Januar 2007 Inhalt Einleitung Ziele Grundlagen Über Weg und Zeit Betreuungsablauf Verwirklichung
MehrLEGO WeDo: SCRATCH-Programmierung
LEGO WeDo: SCRATCH-Programmierung Version 1.0 SCRATCH ist eine kostenlose kindergerechte Programmiersprache, die vom MIT entwickelt wurde. Vor kurzem ist die neue Version 2.0 erschienen, die direkt von
MehrData Mining Anwendungen und Techniken
Data Mining Anwendungen und Techniken Knut Hinkelmann DFKI GmbH Entdecken von Wissen in banken Wissen Unternehmen sammeln ungeheure mengen enthalten wettbewerbsrelevantes Wissen Ziel: Entdecken dieses
MehrEinführung in die Methoden der Künstlichen Intelligenz. Maschinelles Lernen
Einführung in die Methoden der Künstlichen Intelligenz Maschinelles Lernen Dr. David Sabel WS 2012/13 Stand der Folien: 14. Februar 2013 Einführung Direkte Programmierung eines intelligenten Agenten nicht
MehrReaktive und Hybride Agenten
Reaktive und Hybride Agenten Seminar: Multiagentensysteme SS07 Veranstalter: Prof. Dr. Ipke Wachsmuth Dipl. Inform. Kirsten Bergmann Vortrag von Daniel Nagel und Alexander Wecker 03.05.2007 Mars Vortrag
MehrHinweise für Eltern. Rhein-Sieg-Kreis Der Landrat Straßen-Verkehrs-Amt. Sicher zur Schule
Sicher zur Schule Hinweise für Eltern Rhein-Sieg-Kreis Der Landrat Straßen-Verkehrs-Amt Sicher zur Schule Wenn Ihr Kind in die Schule kommt ist vieles neu. Neu sind andere Kinder, die Lehrer, der Weg zur
Mehr2.7 Lernzirkel zur Sicherung und Anwendung des Gelernten
2.7 Lernzirkel zur Sicherung und Anwendung des Gelernten Allgemeine Informationen Mit einem Lernzirkel oder einer Lerntheke können die Schüler/innen das bisher Gelernte sichern und anwenden. Dabei werden
MehrBettina Obrecht Kirsten Höcker. Käpt n Kork fliegt davon
Bettina Obrecht Kirsten Höcker Käpt n Kork fliegt davon Dieses Buch gehört Käpt n Kork fliegt davon Eine Geschichte von Bettina Obrecht mit Bildern von Kirsten Höcker 2015 Sozialverband VdK Hessen-Thüringen
MehrAnreise zur PKMS-Jahrestagung im Hotel Grand La Strada
Anreise zur PKMS-Jahrestagung im Hotel Grand La Strada Veranstaltungsort Hotel Grand La Strada Raiffeisenstraße 10 Telefon: +49 (0) 561 20 90 0 Internet: www.lastrada.de 34121 Kassel Deutschland Anreise
MehrWegbeschreibung zur Alanus Hochschule, Campus I und II
beschreibung zur Alanus ochschule, und II Ab dem er auptbahnhhof fahren Sie etwa zehn Minuten mit der nbahnlinie (U-Bahn) 8 oder 68 Richtung -Thielenbruch bis zur altestelle Alfter Stadtbahn / Alanus ochschule.
MehrModerne Methoden der KI: Maschinelles Lernen
Moderne Methoden der KI: Maschinelles Lernen Prof. Dr.Hans-Dieter Burkhard Vorlesung Entscheidungsbäume Darstellung durch Regeln ID3 / C4.5 Bevorzugung kleiner Hypothesen Overfitting Entscheidungsbäume
MehrSeminar Informationsintegration und Informationsqualität. Dragan Sunjka. 30. Juni 2006
Seminar Informationsintegration und Informationsqualität TU Kaiserslautern 30. Juni 2006 Gliederung Autonomie Verteilung führt zu Autonomie... Intra-Organisation: historisch Inter-Organisation: Internet
Mehrlyondellbasell.com Wie ungesund ist Sitzen?
Wie ungesund ist Sitzen? Sitzen und Muskel-Skelett-Erkrankungen Wenn Sie richtig sitzen unterstützen Sie Ihren Körper, so dass er sich ausruhen kann. Ab wann wird zu viel sitzen ungesund? Forschungsergebnisse
MehrIX. HEIDELBERGER KUNSTRECHTSTAGE
Institut für Kunst und Recht IFKUR e.v. IX. HEIDELBERGER KUNSTRECHTSTAGE 30. & 31.10.2015 AKADEMIE DER WISSENSCHAFTEN HEIDELBERG Kultur im Recht - Recht als Kultur Mit freundlicher Unterstützung: UNIQA
MehrMaschinelles Lernen: Neuronale Netze. Ideen der Informatik
Maschinelles Lernen: Neuronale Netze Ideen der Informatik Kurt Mehlhorn Adrian Neumann 16. Januar 2014 Übersicht Biologische Inspiration Stand der Kunst in Objekterkennung auf Bildern Künstliche Neuronale
MehrDatenstrukturen & Algorithmen Lösungen zu Blatt 6 FS 14
Eidgenössische Technische Hochschule Zürich Ecole polytechnique fédérale de Zurich Politecnico federale di Zurigo Federal Institute of Technology at Zurich Institut für Theoretische Informatik 2. April
MehrEntwurf autonomer mobiler Systeme
Entwurf autonomer mobiler Systeme NI LabVIEW Robotics als Standardhard- und - softwareplattform für mobile Robotersysteme Jochen Klier AE-Specialists Manager Agenda Herausforderungen in der Robotik LabVIEW
MehrBusschule Sicher unterwegs mit Bus und Bahn
2.7 Lernzirkel zur Sicherung und Anwendung des Gelernten Allgemeine Informationen Mit einem Lernzirkel oder einer Lerntheke können die Schüler/innen das bisher Gelernte sichern und anwenden. Dabei werden
MehrBegriffsbestimmung CRISP-DM-Modell Betriebswirtschaftliche Einsatzgebiete des Data Mining Web Mining und Text Mining
Gliederung 1. Einführung 2. Grundlagen Data Mining Begriffsbestimmung CRISP-DM-Modell Betriebswirtschaftliche Einsatzgebiete des Data Mining Web Mining und Text Mining 3. Ausgewählte Methoden des Data
MehrBESCHREIBUNG ANFAHRTEN. München. Seminarort: Mein Arbeits(t)raum Businesscenter, Freibadstr. 30, 81543 München
BESCHREIBUNG ANFAHRTEN München Mein Arbeits(t)raum Businesscenter, Freibadstr. 30, 81543 München Mit dem Auto: Vom Mittleren Ring Höhe Candidstraße nach Südosten Richtung Schönstraße fahren und links abbiegen
MehrVorlesungsplan_FH München_2010. Raum Datum 08:15-09:00 Uhr 09:00-09:45 Uhr 10:00-10:45 Uhr 10:45-11:30 Uhr Junkers 18.10.2010 H.
Vorlesungsplan_FH München_2010 Raum Datum 08:15-09:00 Uhr 09:00-09:45 Uhr 10:00-10:45 Uhr 10:45-11:30 Uhr Junkers 18.10.2010 Einführung Produktsicherungssystem Führung H. Simon/ Führung H. Simon/ Junkers
MehrUMWELT- TIPPS IN LEICHTER SPRACHE
LVR-HPH-Netze Heilpädagogische Hilfen UMWELT- TIPPS IN LEICHTER SPRACHE Einleitung Der LVR macht sich für den Umweltschutz stark. Ziel ist, dass die Umwelt gesund bleibt. Damit die Menschen auch in Zukunft
MehrMut zur Inklusion machen!
Heft 4 - Dezember 2015 Mut zur Inklusion machen! Die Geschichte... von dem Verein Mensch zuerst Was bedeutet People First? People First ist ein englischer Name für eine Gruppe. Man spricht es so: Piepel
MehrUnsere Ideen für Bremen!
Wahlprogramm Ganz klar Grün Unsere Ideen für Bremen! In leichter Sprache. Die Partei BÜNDNIS 90/DIE GRÜNEN hat diesen Text geschrieben. BÜNDNIS 90/DIE GRÜNEN Adresse: Schlachte 19/20 28195 Bremen Telefon:
MehrPROSEMINAR ONLINE ALGORITHMEN
PROSEMINAR ONLINE ALGORITHMEN im Wintersemester 2000/2001 Prof. Dr. Rolf Klein, Dr. Elmar Langetepe, Dipl. Inform. Thomas Kamphans (Betreuer) Vortrag vom 15.11.2000 von Jan Schmitt Thema : Finden eines
MehrAn- und Abreise. Informationen für behinderte und mobilitätseingeschränkte Passagiere am Flughafen Frankfurt
An- und Abreise Informationen für behinderte und mobilitätseingeschränkte Passagiere am Flughafen Frankfurt Gültig ab 1.9.2011 i Bitte beachten Sie, auf Grund von ständig fortschreitenden Bauarbeiten zur
MehrParksystemtechnik Donnersbergerstraße, München 28.März 2007, Eu-Workshop
Parksystemtechnik Donnersbergerstraße, München 28.März 2007, Eu-Workshop München, Donnersbergerstraße: 284 Stellplätze unter der Straße Technische Daten: - 2 getrennte Systeme für 150 und für 134 Stellplätze
Mehr10.1 Geometrische Wegplanung im Konfigurationsraum
10 Pfadplanung 10.1 Geometrische Wegplanung im Konfigurationsraum Vorausetzungen Roboter bewegt sich in der Ebene, ohne sich zu drehen Hindernisse sind konvexe Polygone Beispiel Grundgedanke Problem wird
MehrDÜSSELDORFER SEGLER-VEREIN e.v.
DÜSSELDORFER SEGLER-VEREIN e.v. Unsere Satzung, Gebührenordnung und weitere Informationen finden Sie auf unseren Webseiten. Wenn Sie uns kennen lernen möchten, besuchen sie doch eine unserer Veranstaltungen,
MehrWeg-Beschreibung zur Tagung Was bringt uns die UN-Behindertenrechts-Konvention in Oberösterreich
Weg-Beschreibung zur Tagung Was bringt uns die UN-Behindertenrechts-Konvention in Oberösterreich Die Tagung findet im Ursulinenhof in Linz statt. Der Ursulinenhof ist im OÖ Kulturquartier. Adresse: OÖ
MehrBasler Psi-Verein Neuweilerstrasse 15 CH- 4054 Basel
Synchronisationsworkshop Referentin: Teal Swan Datum: Sonntag, 8. Mai 2016 Workshop Zeiten: 10.00 17.00 Uhr Fragen & signieren: 17.00 19.00 Uhr Ort: Estrel Berlin, Sonnenallee 225, DE-12057 Berlin Preise
MehrKapitel : Andere dynamische Datenstrukturen. Algorithmen und Datenstrukturen WS 2013/14. Prof. Dr. Sándor Fekete
Kapitel 4.8-4.11: Andere dynamische Datenstrukturen Algorithmen und Datenstrukturen WS 2013/14 Prof. Dr. Sándor Fekete 1 4.6 AVL-Bäume 2 4.8 Rot-Schwarz-Bäume Rudolf Bayer Idee: Verwende Farben, um den
MehrSoftcomputing Biologische Prinzipien in der Informatik. Neuronale Netze. Dipl. Math. Maria Oelinger Dipl. Inform. Gabriele Vierhuff IF TIF 08 2003
Softcomputing Biologische Prinzipien in der Informatik Neuronale Netze Dipl. Math. Maria Oelinger Dipl. Inform. Gabriele Vierhuff IF TIF 08 2003 Überblick Motivation Biologische Grundlagen und ihre Umsetzung
MehrWir wollten wissen: Wie leben Menschen mit Behinderungen im Landkreis Ebersberg? Was kann und muss man verbessern?
Das sind die Ergebnisse von den Fragebögen In Leichter Sprache Im April und Mai 2012 hatten wir Fragebögen im Landkreis Ebersberg verschickt: an Menschen mit Behinderungen an Eltern von Kindern mit Behinderungen
MehrKonzepte der AI: Maschinelles Lernen
Konzepte der AI: Maschinelles Lernen Nysret Musliu, Wolfgang Slany Abteilung für Datenbanken und Artificial Intelligence Institut für Informationssysteme, TU-Wien Übersicht Was ist Lernen? Wozu maschinelles
MehrWegbeschreibung Gedenkhain Valencia-Costa Blanca
Der befindet sich in der Gemeinde "Carcaixent" (valencianische Schreibweise) respektive "Carcagente" (spanische Schreibweise), rund vierzig Kilometer südlich von Valencia, der drittgrößten Stadt Spaniens.
MehrAnmerkungen zur Durchführung / Lösungen
Anmerkungen zur Durchführung / Lösungen Lösungen 1. Gurtschlitten Vor Dir steht ein Gurtschlitten. Das Experiment wird Dir zweimal vorgeführt. Was passiert mit der Puppe, wenn der Gurtschlitten stoppt?
MehrSo kommen Sie zu T-Systems. Mit Bahn, Flugzeug oder Auto
So kommen Sie zu T-Systems. Mit Bahn, Flugzeug oder Auto Wenn Sie von außerhalb Berlins anreisen, können Sie sich für Bahn, Flugzeug oder PKW entscheiden. Die nachfolgende Übersicht zeigt, wo Sie in Berlin
MehrES-Projektseminar (SS 2012)
ES-Projektseminar (SS 2012) Endvortrag Team Justice League of America Dominik Matthias [Team ] Pascal Stephen Vorname Name; ES Real-Time Systems Lab Prof. Dr. rer. nat. Andy Schürr Dept. of Electrical
MehrNutzen statt besitzen
Nutzen statt besitzen Stationsbasiertes CarSharing als innovativer Baustein moderner Mobilität cambio-fakten Über 25 Jahre Erfahrung 54.000 Kunden in Deutschland 1.300 Autos bundesweit 21 deutsche Städte
MehrFlächenbedarf, Freizeitmobilität und Aktionsraum von Kindern und Jugendlichen in der Stadt
Rudolf-Wurzer-Preis für Raumplanung 2006 7. November 2006 Flächenbedarf, Freizeitmobilität und Aktionsraum von Kindern und Jugendlichen in der Stadt DI Dr. Dissertation durchgeführt am Institut für Verkehrsplanung
MehrProjektpraktikum: Bildauswertung und fusion Wintersemester 2011 / 2012
Projektpraktikum: Bildauswertung und fusion Wintersemester 2011 / 2012 http://www.ies.uni-karlsruhe.de Zeitlich adaptives Objekttracking in der Aufklärung und Überwachung Flugdrohne / visuell optischer
Mehr