QUINTAS – Ein durch eine Assoziativmaschine gesteuertes Vehikel

 

Das Vehikel QuintAs

 

Künstliche neuronale Netze eignen sich zur fehlerrobusten Datenspeicherung, Mustererkennung, Musterergänzung und für zahlreiche daraus abgeleitete Aufgaben. Im Modell QuintAs sind einige künstliche neuronale Netze in innovativer Weise zu einer Assoziativmaschine zusammengeschlossen, so dass sich ein frei programmierbares und robust agierendes Vehikel ergibt. Robust bedeutet hier, dass sowohl das Speichern als auch das Abarbeiten von Programmen störunanfällig geschieht. Selbst wenn Teile der neuronalen Netze oder Teile des Programmes oder Teile der Sensorik oder der Sensordaten ausfallen, kann das Vehikel noch korrekt weiterarbeiten.

 

Die Assoziativmaschine als Steuerungsgerät

 

Bei herkömmlichen Computern steht ein Rechenwerk im Mittelpunkt der Maschinerie. Eine Assoziativmaschine besitzt kein Rechenwerk, sondern ist um ein Assoziierwerk herum aufgebaut. Zur Programmierung von Abläufen werden Assoziationsketten gebildet, die die Assoziativmaschine abarbeitet. Die Assoziativmaschine von QuintAs legt die Sensordaten, die von Licht-, Temperatur-, Berührungs- und Navigationssensoren bezogen werden, kodiert in einem Datenspeicher ab, der durch eines der künstlichen neuronalen Netze gebildet wird.

 

 

Ein Quintas-Vehikel, welches durch Roboterbauteile der Firma Lego nachgebildet wurde

 

Weitere Stärken der Assoziativmaschine liegen in der Fähigkeit zum schnellen Lernen und Abfragen von Mustern, womit sie als Grundbaustein für den Aufbau von Systemen zur Mustererkennung dienen kann. Als Anwendungsfelder dieser völlig neuen Technik kommen solche in Betracht, in denen Störungen oder Ungenauigkeiten zu Fehlverhalten oder Ausfällen führen (zum Beispiel in der Robotik, Fahrzeugtechnik oder bei Maschinensteuerungen). Zum Test der Störunanfälligkeit wurde das Modell QuintAs in der Simulation mit mehreren Arten von Störungen überprüft.

 

Was wird gezeigt?

 

QuintAs wurde mit Hilfe von Roboterbauteilen der Firma Lego nachgebildet und zeigt auf diese Weise seine Eigenschaften in anschaulicher und anfassbarer Weise.

 

-         QuintAs findet gelernte Wege wieder – trotz Störungen (in der Maschine, im Umfeld der Maschine, durch unterschiedliche Startpunkte, durch Hindernisse auf dem Weg).

-         QuintAs benötigt keine Führungsdrähte (es reicht ein farbiger Untergrund, wobei das ‚farbig’ auch verschiedene Graustufen bedeuten kann). Zum Beispiel werden bunte Fliesen auf dem Boden verlegt und die Abfolge der Farbmuster gelernt.

-          QuintAs findet sich im Irrgarten zurecht: Alternativ zum Verfolgen eines gelernten Weges bewegt es sich zielgerichtet in einer unbekannten Umgebung mit Hilfe von einigen Grundregeln.

-         QuintAs kann Objekte finden und dort eine bestimmte Verhaltensweise zeigen (zum Beispiel eine „Garage“ finden und darin einparken).

-         Eine Simulation von QuintAs erfolgt auch auf dem Bildschirm.

 

 

Das Quintas-Vehikel findet seinen gelernten Weg durch den Merkmalswald (links) auch wenn dieser gestört wird (rechts).

 

Summary

 

Quintas is a vehicle based on a processing unit formed by artificial neural networks. This associative machine is well suited for error-tolerant information storage, pattern recognition and pattern completion tasks. The vehicle stores its programs to work on a series of problems: it finds paths, objects and performs tasks, respectively.

 

Kontaktdaten

==========================================
Prof. Dr. Hans-J. Bentz
Dr. Andreas Dierks
 
Institut für Mathematik
und Angewandte Informatik

Universität Hildesheim
Marienburger Platz 22
D-31141 Hildesheim 

Telefon: +49 5121 883-715 (Bentz)
         +49 5121 883-719 (Dierks) 
         +49 5121 883-710 (Sekretariat)
Telefax: +49 5121 883-720 

E-Mail:	bentz@cs.uni-hildesheim.de
        dierks@cs.uni-hildesheim.de

http://www.uni-hildesheim.de/de/imai.htm
===============================================