Projects

Phase 2 Projects

Learning to Behave in the Sensorimotor Loop – An Animat Approach


Project leaders: Frank Pasemann (Osnabrück)

Researchers: Christian Rempis, Hazem Toutounji

Administration: Beate Eibisch

Associates:

Summary:

The proposed project will generate and identify artificial neural structures and mechanisms which endow autonomous robots (“animats”) with learning capacities, such that their behaviour resembles that of animals. Because behaviour is best understood by focusing on the interaction between the behaving individual and its dynamically changing environment, learning will be associated with processes driven by signals in the sensorimotor loop. Learning mechanisms will be based on homeostatic properties of single neurons and/or of functional neural modules, and will satisfy certain boundary conditions given in terms of body states represented by proprioceptive signals.
Assuming that neural structure is as relevant for learning as synaptic plasticity,  evolutionary techniques for combining network structure generation with synaptic weight dynamics will be applied. Thus, learning will be explored in the context of a dynamical systems approach to cognition, assuming that brains, as systems for behaviour regulation, can be understood as embodied adaptive dynamical systems. The project will use physical simulations of autonomous robots situated in various changing environments, and will apply techniques from Neural Networks, Evolutionary Robotics, Artificial Life, Dynamical and Complex Systems Theory.

Das geplante Vorhaben wird evolutionär erzeugte, künstliche neuronale Strukturen und deren Prozesse identifizieren, die autonomen Robotern (Animaten) ermöglichen, sich wie Tiere zu verhalten. Das Entstehen von verschiedenen Verhaltensmustern wird in Experimenten untersucht, die sich auf die Interaktion des Individuums mit seiner Umgebung konzentrieren. Lernen wird hier also als ein Prozeß verstanden, der durch Signale in der sensomotorischen Schleife “getrieben” wird. Die untersuchten Lernmechanismen beruhen auf homöostatischen Eigenschaften einzelner Neurone bzw. neuronaler Subsysteme und werden durch Randbedingungen spezifiziert. Diese werden durch Signale von inneren Sensoren (Propriozeptoren) definiert, die Körperzustände repräsentieren. Es wird ferner davon ausgegangen, dass Struktureigenschaften der Neurokontroller für Lernprozesse ebenso entscheidend sind wie die synaptische Plastizität. Daher werden evolutionäre Techniken zur Strukturerzeugung eingesetzt und mit homöostatischen Prozessen zur synaptischen Plastizität kombiniert. Lernen wird im Kontext des Dynamische Systeme Ansatzes zu “embodied cognition” mit Hilfe von Techniken aus den Bereichen Evolutionäre Robotik, Artificial Life, Dynamische und  Komplexe Systeme untersucht.

Phase 1 Projects

Learning to Behave in the Sensorimotor Loop – An Animat Approach


Project leaders: Frank Pasemann (Osnabrück)

Researchers: Christian Rempis, Hazem Toutounji

Administration: Beate Eibisch

Associates:

Summary:

The proposed project will generate and identify artificial neural structures and mechanisms which endow autonomous robots (“animats”) with learning capacities, such that their behaviour resembles that of animals. Because behaviour is best understood by focusing on the interaction between the behaving individual and its dynamically changing environment, learning will be associated with processes driven by signals in the sensorimotor loop. Learning mechanisms will be based on homeostatic properties of single neurons and/or of functional neural modules, and will satisfy certain boundary conditions given in terms of body states represented by proprioceptive signals.
Assuming that neural structure is as relevant for learning as synaptic plasticity,  evolutionary techniques for combining network structure generation with synaptic weight dynamics will be applied. Thus, learning will be explored in the context of a dynamical systems approach to cognition, assuming that brains, as systems for behaviour regulation, can be understood as embodied adaptive dynamical systems. The project will use physical simulations of autonomous robots situated in various changing environments, and will apply techniques from Neural Networks, Evolutionary Robotics, Artificial Life, Dynamical and Complex Systems Theory.

Das geplante Vorhaben wird evolutionär erzeugte, künstliche neuronale Strukturen und deren Prozesse identifizieren, die autonomen Robotern (Animaten) ermöglichen, sich wie Tiere zu verhalten. Das Entstehen von verschiedenen Verhaltensmustern wird in Experimenten untersucht, die sich auf die Interaktion des Individuums mit seiner Umgebung konzentrieren. Lernen wird hier also als ein Prozeß verstanden, der durch Signale in der sensomotorischen Schleife “getrieben” wird. Die untersuchten Lernmechanismen beruhen auf homöostatischen Eigenschaften einzelner Neurone bzw. neuronaler Subsysteme und werden durch Randbedingungen spezifiziert. Diese werden durch Signale von inneren Sensoren (Propriozeptoren) definiert, die Körperzustände repräsentieren. Es wird ferner davon ausgegangen, dass Struktureigenschaften der Neurokontroller für Lernprozesse ebenso entscheidend sind wie die synaptische Plastizität. Daher werden evolutionäre Techniken zur Strukturerzeugung eingesetzt und mit homöostatischen Prozessen zur synaptischen Plastizität kombiniert. Lernen wird im Kontext des Dynamische Systeme Ansatzes zu “embodied cognition” mit Hilfe von Techniken aus den Bereichen Evolutionäre Robotik, Artificial Life, Dynamische und  Komplexe Systeme untersucht.