Seminar Kognitive Robotik. Interne Modelle I Vorwärtsmodelle Vortragender: Rüdiger Timpe

Transkript

1 Seminar Kognitive Robotik Interne Modelle I Vortragender: Rüdiger Timpe

2 Quellen Miall/Wolpert: Forward Models for Physiological Motor Control (1996) Blakemore/Wolpert/Frith: Why can't you tickle yourself? (2000) Karniel: Three creatures named forward model. (2002) Rüdiger Timpe - - Seite 2/22

3 Gliederung 3 Typen von internen Modellen Praktische Anwendung: 3 Kreaturen Repräsentation und Training Fazit, offene Fragen Rüdiger Timpe - - Seite 3/22

4 Typ 1: a) Dynamik-Vorwärtsmodell Input: Aktueller Zustand + Motorkommando Output: Schätzung des Neuen Zustandes Beispiel: Vorwärtskinematik b) Ausgabe-Vorwärtsmodell Output: Schätzung des Sensorfeedbacks Zustand : Alle Variablen des zu kontrollierenden motorischen Systems Rüdiger Timpe - - Seite 4/22

5 Typ 2: Inverse Modelle a) Inverses Dynamik-Modell Input: alter + neuer Zustand Output: Schätzung des Motorkommandos Beispiel: Inverse Kinematik b) Inverses Ausgabe-Modell Input: alter + neuer Sensorinput Output: Schätzung der Zustandsänderung Genaueres dazu in der nächsten Woche Rüdiger Timpe - - Seite 5/22

6 Typ 3: Vorwärts-Modelle für die Umwelt Vorhersage externer Zustände Beispiel: Trajektorien-Vorhersage Benötigt Weltwissen Rüdiger Timpe - - Seite 6/22

7 Kreatur 1: Output Predictor These: Das Gehirn ist in der Lage, die (sensorischen) Folgen eigener Aktionen vorherzusagen Rüdiger Timpe - - Seite 7/22

8 Corollary Discharge Resultatsentfernung afference - Sensorinput durch externe Einwirkung reafference - Sensorinput durch willentliche Bewegung Unterscheidung zwischen afference und reafference oft erforderlich Mögliche Erklärung für schizophrene Halluzinationen Rüdiger Timpe - - Seite 8/22

9 Corollary Discharge - Diagramm Rüdiger Timpe - - Seite 9/22

10 Tickle-Studie (Blakemore, Wolpert, Frith) Untersuchung über die Exaktheit der Berechnung Selbst-Kitzeln mit Roboterarm Rüdiger Timpe - - Seite 10/22

11 Internal Feedback Internes Feedback Zwei Möglichkeiten der Motorsteuerung Feedforward Generierung eines exakten Motorkommandos Braucht exaktes Wissen über das kontrollierte System Feedback Differenz von Sensorstatus und Referenzwert Sehr robust Verzögerung zwischen Kommando und Feedback Rüdiger Timpe - - Seite 11/22

12 Kreatur 2: State Estimator These: Mit Hilfe eines Vorwärtsmodells kann der nächste Zustand eines dynamischen Systems vorausgesagt werden Rüdiger Timpe - - Seite 12/22

13 State Estimation Zustandsschätzung Bewegungs-Koordination Rekursives Update Observer-Model (Kalman-Filter) Rüdiger Timpe - - Seite 13/22

14 Smith Predictor Rüdiger Timpe - - Seite 14/22

15 Model Predictive Control Modelvorhersage Dynamik-Vorwärtsmodell kann Zustände in die Zukunft vorausberechnen Erkennung von Kommandofehlern bevor sie auftreten Exakte Verfolgung von berechenbaren Bewegungen Rüdiger Timpe - - Seite 15/22

16 Mental Practice and Planning Mentaltraining Dynamik-Vorwärtsmodell: Vorhersage von kompletten Bewegungsabläufen möglich Ohne tatsächliche Bewegung findet Training des motorischen Apparates statt Rüdiger Timpe - - Seite 16/22

17 Kreatur 3: Distal Teacher These: Ein Vorwärtsmodell kann auch zur Übersetzung von Fehlersignalen zwischen verschiedenen Domänen verwendet werden Rüdiger Timpe - - Seite 17/22

18 Fehler bei der Ausführung von motorischen Befehlen treten häufig in einer anderen Domäne auf Greifen eines Objektes Erlernen von Sprachkontrolle Backpropagation Rüdiger Timpe - - Seite 18/22

19 Repräsentation von n Nicht universell möglich, Parameter ändern sich drastisch Training erforderlich, möglich über Fehler zwischen Ergebnis und Vorhersage (überwachtes Lernen) Darstellungs-Möglichkeiten: Input-Output-Tabelle Sehr einfach, schlechte Generalisierung Aufstellung der physikalischen Zusammenhänge Trigonometrische Formeln für die Vorwärtskinematik Neuronales Netz Siehe Vorlesung Rüdiger Timpe - - Seite 19/22

20 Kleinhirn essentiell für motorische Koordination These: Durch die Bereitstellung von n Kleinhirn unterscheidet zwischen selbst- und fremderzeugten Stimuli Elektrophysiologische Identifikation von VMs Verschiedene Möglichkeiten müssen überprüft werden: Erhält das Gehirn den nötigen Input für ein VM? Gibt es einen aus dem VM entstandenen Output? Wie ist das VM neural kodiert? Wie wird das VM trainiert? Rüdiger Timpe - - Seite 20/22

21 Experimentelle Nachweise Anpassen der Griffstärke an variierendes Gewicht Tracking der Handposition über Cursorsignal Lokalisation von Objekten im Raum Tickle-Studie Rüdiger Timpe - - Seite 21/22

22 Zahlreiche Experimente legen die Verwendung von n nahe Offene Fragen: Lokalisation? Repräsentation? Verwendete Lernalgorithmen? Welche Typen? Strukturen? Sind wirklich erforderlich?

23 Danke für die Aufmerksamkeit!