Motivation
Verstärkendes Lernen ist ein etabliertes Forschungsgebiet bei dem Agenten lernen, autonom zu handeln, indem sie Belohnungen maximieren. Dieses Feld hat in der letzten Zeit neuen Auftrieb durch die Kombination mit Methoden des tiefen Lernens erhalten, die insbesondere geeignet sind, um große Datensätze zu verarbeiten. Das Tiefe Verstärkende Lernen („Deep Reinforcement Learning“, DRL) bietet vielfältige Anwendungsbereiche. Diese reichen von alltäglichen Anwendungen, z.B. in den Bereichen Gesundheitswesen, Finanzen und Robotik, bis hin zu eher theoretischen Optimierungsproblemen. Trotz großer Erfolge nutzen die bisherigen Algorithmen Daten und Rechenressourcen immer noch sehr ineffizient.
Ziele und Vorgehen
Die KI-Nachwuchsgruppe TriFORCE befasst sich mit diesen Problemen, um so die Anwendung der DRL-Algorithmen auf komplexe reale Probleme zu übertragen und zu vereinfachen. Im Einzelnen werden in diesem Projekt die folgenden grundlegenden Herausforderungen adressiert: Das DRL praktisch umzusetzen, wird oft durch die hohen Rechen- und Datenanforderungen behindert. Zusätzlich wird aktuell immer noch menschliche Aufsicht benötigt, um DRL-Experimente einzurichten und durchzuführen. Die Parameter müssen umfangreich justiert werden, da die Agenten sonst nicht zuverlässig agieren können. Um DRL bei heterogenen realen Problemen einsetzen zu können, ist es entscheidend, dass sich die entwickelten Algorithmen an zuvor unbekannte Probleme anpassen können. In diesem Projekt soll gezeigt werden, dass diese scheinbar unterschiedlichen Herausforderungen gemeinsame Ursachen haben, die durch eine einheitliche Sichtweise sowie eine gemeinsame Herangehensweise zu effizienteren und damit praktischeren Algorithmen führen.
Innovationen und Perspektiven
Die gewonnenen Erkenntnisse und Ergebnisse können sich auf ein breites Spektrum möglicher Anwendungen auswirken. Mehrere dieser Anwendungen werden innerhalb der Nachwuchsgruppe TriForce untersucht. Insbesondere werden Fortbewegungsaufgaben eines vierbeinigen Roboters und anschließend eines Roboter-Rollstuhls mit Beinen betrachtet.