Deutsch
 
Hilfe Datenschutzhinweis Impressum
  DetailsucheBrowse

Datensatz

DATENSATZ AKTIONENEXPORT
Zur Ablage hinzufügen
 Lokale TagsFreigabegeschichteDetailsÜbersicht
  Learning Complex Motions by Sequencing Simpler Motion Templates

Neumann, G., Maass, W., & Peters, J. (2009). Learning Complex Motions by Sequencing Simpler Motion Templates. In A. Danyluk, L. Bottou, & M. Littman (Eds.), ICML '09: Proceedings of the 26th Annual International Conference on Machine Learning (pp. 753-760). New York, NY, USA: ACM Press.

Item is

 

einblenden: alle ausblenden: alle

Basisdaten

einblenden: ausblenden:
Datensatz-Permalink: https://hdl.handle.net/11858/00-001M-0000-0013-C487-8 Versions-Permalink: https://hdl.handle.net/21.11116/0000-0002-F921-0
Genre: Konferenzbeitrag

Externe Referenzen

einblenden:
ausblenden:
externe Referenz:
https://dl.acm.org/citation.cfm?doid=1553374.1553471 (Verlagsversion)
Beschreibung:
-
OA-Status:

Urheber

einblenden:
ausblenden:
 Urheber:
Neumann, G, Autor
Maass, W, Autor
Peters, J1, 2, Autor           
Affiliations:
1Department Empirical Inference, Max Planck Institute for Biological Cybernetics, Max Planck Society, ou_1497795              
2Dept. Empirical Inference, Max Planck Institute for Intelligent Systems, Max Planck Society, ou_1497647              

Inhalt

einblenden:
ausblenden:
Schlagwörter: -
 Zusammenfassung: Abstraction of complex, longer motor tasks
into simpler elemental movements enables
humans and animals to exhibit motor skills
which have not yet been matched by robots.
Humans intuitively decompose complex motions
into smaller, simpler segments. For
example when describing simple movements
like drawing a triangle with a pen, we can
easily name the basic steps of this movement.
Surprisingly, such abstractions have rarely
been used in artificial motor skill learning algorithms.
These algorithms typically choose
a new action (such as a torque or a force) at a
very fast time-scale. As a result, both policy
and temporal credit assignment problem become
unnecessarily complex - often beyond
the reach of current machine learning methods.
We introduce a new framework for temporal
abstractions in reinforcement learning (RL),
i.e. RL with motion templates. We present a
new algorithm for this framework which can
learn high-quality policies by making only
few abstract decisions.

Details

einblenden:
ausblenden:
Sprache(n):
 Datum: 2009-06
 Publikationsstatus: Erschienen
 Seiten: -
 Ort, Verlag, Ausgabe: -
 Inhaltsverzeichnis: -
 Art der Begutachtung: -
 Identifikatoren: DOI: 10.1145/1553374.1553471
BibTex Citekey: 5880
 Art des Abschluß: -

Veranstaltung

einblenden:
ausblenden:
Titel: 26th International Conference on Machine Learning (ICML 2009)
Veranstaltungsort: Montreal, Canada
Start-/Enddatum: 2009-06-14 - 2009-06-18

Entscheidung

einblenden:

Projektinformation

einblenden:

Quelle 1

einblenden:
ausblenden:
Titel: ICML '09: Proceedings of the 26th Annual International Conference on Machine Learning
Genre der Quelle: Konferenzband
 Urheber:
Danyluk, A, Herausgeber
Bottou, L, Herausgeber
Littman, M, Herausgeber
Affiliations:
-
Ort, Verlag, Ausgabe: New York, NY, USA : ACM Press
Seiten: - Band / Heft: - Artikelnummer: - Start- / Endseite: 753 - 760 Identifikator: ISBN: 978-1-60558-516-1

Quelle 2

einblenden:
ausblenden:
Titel: ACM International Conference Proceeding Series
Genre der Quelle: Reihe
 Urheber:
Affiliations:
Ort, Verlag, Ausgabe: -
Seiten: - Band / Heft: 382 Artikelnummer: - Start- / Endseite: - Identifikator: -