The store will not work correctly when cookies are disabled.
WIR NUTZEN COOKIES
Wir benötigen für einzelne Datennutzungen Ihre Einwilligung, um die Funktion der Website zu gewährleisten. Mit Klick auf
"Akzeptieren" erteilen Sie die Einwilligung dazu.
Ausführliche Informationen erhalten Sie in unserer Datenschutzerklärung. Sie können jederzeit die Zustimmung zurücknehmen.
Der vorliegende Beitrag fokussiert einen Ansatz zur Konfiguration autonomer Robotersysteme basierend auf einer formalisierten Aufgabenbeschreibung. Hierdurch soll der industrielle Einsatz von Reinforcement Learning ermöglicht werden, einem maschinellen Lernverfahren, das durch den Einsatz von Deep-Learning-Verfahren in den letzten Jahren erhebliche Fortschritte zur Steigerung der Autonomie von Robotersystemen gemacht hat. Die Anwendung bisheriger Ansätze zur Automatisierung des Engineerings von Robotersystemen bietet die Möglichkeit, die Konfiguration dieser lernenden Systeme zu vereinfachen, für die bisher noch tiefgehendes Expertenwissen notwendig ist.
Der vorliegende Beitrag fokussiert einen Ansatz zur Konfiguration autonomer Robotersysteme basierend auf einer formalisierten Aufgabenbeschreibung. Hierdurch soll der industrielle Einsatz von Reinforcement Learning ermöglicht werden, einem maschinellen Lernverfahren, das durch den Einsatz von Deep-Learning-Verfahren in den letzten Jahren erhebliche Fortschritte zur Steigerung der Autonomie von Robotersystemen gemacht hat. Die Anwendung bisheriger Ansätze zur Automatisierung des Engineerings von Robotersystemen bietet die Möglichkeit, die Konfiguration dieser lernenden Systeme zu vereinfachen, für die bisher noch tiefgehendes Expertenwissen notwendig ist.
