Riemmansche Methoden zum Lernen in der Robotik

  • Typ: Vorlesung
  • Lehrstuhl: KIT-Fakultäten - KIT-Fakultät für Informatik - Institut für Anthropomatik und Robotik - IAR Asfour
  • Semester: WS 21/22
  • LVNr.: 2400285
  • Hinweis:

    Präsenz/Online gemischt

Inhalt

Der Vorlesung gibt einen Überblick über aktuelle Forschungsarbeiten zu Methoden und Ansätze des maschinelles Lernen, die auf Riemannsche Geometrie basieren mit einem besonderen Fokus auf Robotik-Anwendungen. Zunächst wird eine Einführung in die Riemannsche Geometrie gegeben, einschließlich ein Überblick über die Riemannschen Mannigfaltigkeiten, die für Probleme der Robotik und des maschinellen Lernens von Interesse sind. Hierzu werden verschiedene Methoden und Algorithmen, ihre Anwendungen in der Robotik und der aktuelle Stand der Forschung diskutiert. Speziell werden folgende Themen behandelt: geodätische
Regression, Riemannsche Clustering-Ansätze, Riemannsche Kernel-Methoden und Gaußsche Prozesse, Lernen aus Demonstrationen auf Riemannschen Mannigfaltigkeiten, Lernen von Daten auf Riemannschen Mannigfaltigkeiten, Dimensionalitätsreduktion auf Riemannschen Mannigfaltigkeiten, Riemannsche gradientenbasierte Optimierungsalgorithmen, Riemannsche Black-Box-Optimierungsalgorithmen und geometrisches Deep Learning. Die Studierenden
vertiefen ihr Wissen über die Methoden und Algorithmen, indem sie selbstständig Probleme bearbeiten und in der Übung diskutieren. Insbesondere können die Studierenden praktische Programmiererfahrung mit Werkzeugen und Softwarebibliotheken sammeln, die häufig im Kontext des geometrischen maschinellen Lernens und der Optimierung für die Robotik verwendet werden.