🎓Learning to Embrace Change: Adaptive and Open-Ended Continual Learning for Embodied Autonomous Systems

Autonome Systeme und Roboter arbeiten in dynamischen Umgebungen, die sich im Laufe der Zeit allmählich oder radikal verändern. Um Aufgaben in solchen sich ständig verändernden Umgebungen ausführen zu können, sollte der Roboter kontinuierlich lernen und seine Fähigkeiten anpassen. Kontinuierliches Lernen (CL) ist eine Methode des maschinellen Lernens, die aus kontinuierlichen Datenströmen lernt. CL zielt darauf ab, einen Ausgleich zwischen den zu erhaltenden und den zu verbessernden Fähigkeiten zu schaffen, eine Eigenschaft, mit der das derzeitige maschinelle Lernen zu kämpfen hat. Die Doktorarbeit von MOHAMMAD WASIL konzentriert sich auf die Nutzung der physischen Interaktion eines Roboters, wie z. B. die Nutzung von räumlich-zeitlichen Informationen über die Umgebung, um robustere Daten für die Lösung des Problems des kontinuierlichen Lernens zu erhalten.