ARS: Was ist Ihr Interesse an Robotik gefeuert?
Parker: Ich habe mich immer, wie leicht wir Menschen Funktion in der Welt zu erfüllen "einfachen" täglichen Aufgaben, wie Gehen, Sprechen fasziniert, und logisches Denken. Wir erhalten einen ständigen Bombardement der sensiblen Daten und mit wenig bis gar keine Mühe, die wir sinnvoll für die Umwelt um uns herum. Wir alle fertig bemerkenswert gut mit der Unsicherheit, ändern und unerwartete Situationen. Wir lernen und Anpassung an die Welt um uns herum mit keinen Bedarf für eine ausführliche Bauanleitung. Wir kommunizieren, zusammenarbeiten und verhandeln mit anderen, um als Gemeinschaft zu betreiben. Wir verändern die Welt, wie wir für richtig halten, um unseren Lebensunterhalt zu verbessern und Arbeitsumgebungen. Unter Berücksichtigung aller, dass die Menschen - und auch Tiere - tun können, ist es offensichtlich, dass wir alle sind unglaublich komplex, effiziente Kreaturen. Mein Interesse in der Robotik ist eine natürliche Erweiterung dieser Faszination mit der menschlichen Leistungsfähigkeit. Ich glaube, eine der besten Möglichkeiten zu erfassen und zu verstehen, die Feinheiten, wie intelligente Wesen Funktion ist, zu versuchen, wieder diese Intelligenz in künstlichen Kreaturen zu schaffen. Und, das Engineering und rechts von mir liegt auch die Genugtuung, daß Roboter physikalischen Aufgaben, die ich programmiert sie zu tun, die miteinander interagieren und die Umwelt.
ARS: Wie definieren Sie das Wort "Roboter"?
Parker: Intuitiv, denke ich an ein "Roboter", wie ein mechanisches Gerät mit einem physischen Körper, mit Sensoren in der Lage, Merkmale der Umwelt, Mobilität erkennen zu können, die in der Umwelt zu bewegen, und Überlegungen zur intelligenten Funktionen in Verbindung mit der Aktion Fernerkundung. Ferner denke ich an eine "intelligente" Roboter als eine, die in einem nicht arbeiten kann-static Umwelt und Unsicherheiten im Umgang mit Sensoren und Effektoren. Einige intelligente Roboter können auch ihre Leistung zu verbessern durch Lernen und Anpassung.
ARS: Sie befinden sich in DARPA-Projekt beteiligt. Könnten Sie das Projekt kurz vorstellen? Was sind die Ziele Ihrer Teil des Projekts?
Parker: Unser Projekt für die DARPA-Software für Distributed Robotics (SDR)-Programm ist damit großen heterogenen Teams mobiler Roboter Ziel zusammenzuarbeiten, um Überwachung und Aufklärung in Innenräumen zu erreichen. Das Gesamtprojekt umfasst die Abbildung von Innenräumen, Aufdeckung vorab identifizierten Objekte von Interesse, den Einsatz einer mobilen akustischen Sensor-Netzwerk, und Aufdeckung von Eindringling Ziele, die sich bewegen in der Umwelt. Das Projekt beteiligten bis zu 100 Robots von 3 Haupttypen - eine Art von Roboter übernimmt die Zuordnung Aufgabe, eine Art von Roboter ist ein "Führer"-Typ-Roboter in der Sensor-net Einsatz zu unterstützen, und die dritte Gruppe besteht aus den mobilen Sensor-net Roboter. Unser Teil des Projekts wurde auf net mobile Sensor-Einrichtung mithilfe führender Robotern zu erreichen, und das verteilte akustischen Sensor-Netzwerk. Eine wichtige Herausforderung der Forschung in dieser Arbeit ist die Erreichung der fehlertoleranten heterogenen Teaming, in denen Roboter Aktien sensorische Informationen gemeinsam ihre Ziele zu erreichen. Wir haben erfolgreich gezeigt, diese Fähigkeiten in einer Reihe von streng kontrollierten Experimenten durch die DARPA in Ft durchgeführt. AP Hill, Virginia, im Januar dieses Jahres.
ARS: Was ist das faszinierende an der Erforschung Roboter-Teams?
Parker: Lots of things! Die meisten realistischen komplexen Systemen - egal ob natürliche oder vom Menschen verursachten - nicht allein zu betreiben. Stattdessen müssen sie interagieren mit anderen Systemen und die Umwelt in dynamischer Weise. Dies ist eine Art der Koordinierung - jeder muss Rücksicht auf die anderen Systeme in der Umgebung machen, um sicherzustellen, dass Störungen auf ein Minimum reduziert. Noch interessanter ist, können die Fähigkeiten von einem Roboter durch Zusammenarbeit und Kooperation mit anderen Robotern erweitert werden. Aktivieren der Roboter einfach und effizient miteinander interagieren, ist einer von diesen Fähigkeiten, die für den Menschen leicht, aber sehr viel schwieriger für Roboter. Ich finde das eine faszinierende Herausforderung für Engineering-funktionale verteilten Robotersystemen. Multi-Roboter-Teams der Forschung ist sehr reich an Themen zu erkunden, wie beispielsweise verteilte Motion-Control-, Action Auswahl, Multi-Roboter-Lern-und Anpassungsprozess, kooperative Objekt Transport und Manipulation, rekonfigurierbare Roboter, inter-Roboter-Kommunikation, Multi-Roboter-Kartierung und Exploration, Mensch-Roboter-Teambildung her mobilen Sensor-Netzwerke, und so weiter. Es gibt genug interessante Forschungsthemen halten zu mir und dem Rest des verteilten Robotik Forschung, beschäftigt seit vielen Jahren zu kommen.
ARS: Wie können wir nutzen die emergente Phänomene und Selbst-Organisation?
Parker: Da ich vor allem in der praktischen, Engineering-Seite verteilt Robotik, ich glaube, dass eine der wichtigsten Voraussetzungen für die Nutzung entstehender Phänomene und Selbst-Organisation die Fähigkeit, die Grenzen des Möglichen emergente Verhalten vorherzusagen, ist daran interessiert bin. In der realen Welt Systeme, wir haben in der Regel eine bestimmte Aufgabe zu erfüllen, mit klaren Einschränkungen auf die Lösung. In diesen Systemen, die wir normalerweise nicht leisten können, die Unsicherheit in den Arten von Verhaltensweisen der verteilten Roboter-Team zu zeigen. Aber während entstehende Systeme per Definition nicht genau vorhersehbar ist, brauchen wir ein Verständnis für die Grenzen des Verhaltens Merkmale aus der entstehenden globalen Phänomen erwartet, um die Verwendung dieser Systeme in der Praxis zu machen. Techniken, die es uns ermöglichen, Vorhersagen über das globale Verhalten des verteilten Systems machen, sind sehr wichtig für uns sein zu können, um diese Fähigkeiten zu nutzen.
ARS: Warum ist das Lernen so wichtig?
Parker: Unsere Welt ist nicht statisch und nicht vollständig vorhersagbar. Wir haben noch keine einheitlichen Gesetze, ähnlich wie die Gesetze der Physik, daß Begriffe wie der gesunde Menschenverstand zu kapseln. Wir haben noch keine genaue Modelle der Dynamik der Roboter Interaktion mit ihrer Umwelt. Wir können nicht lesen den Köpfen der Menschen, die Aktien der Umwelt. Wir wissen nicht, das System steuern Definition von externen Akteuren in der Welt des Roboters. Wir können nicht genau vorhersagen, alle Hardware-Erniedrigungen, dass der Roboter Erfahrung könnte. Einfach gesagt, können wir nicht wissen oder vorhersagen, alles, was ein Roboter kann bei der Erfüllung seiner Aufgabe zu begegnen. Da die gemeinsame Sprichwort besagt, ist nur dann ändern, sicher. Also, mit all diesen Fragen zu befassen, müssen Roboter in der Lage sein, zu lernen und sich an Veränderungen in ihrer Umgebung, in der Roboter-Team-Mitglied Fähigkeiten und in ihre Aufgabe. Robot-Lösungen ohne Lernen kann richtig für eine Weile zu betreiben, aber sie werden schließlich einen Zustand zu ändern, aus denen sie sich nicht erholen kann. Lernen und Adaptation die Gelegenheit bieten, mehr robuste Lösungen für praktische Anwendungen zu generieren.
ARS: Was sind die Unterschiede und die wichtigsten Probleme der Anwendung von Natur aus kooperativen Lernens in verteilten Systemen sind?
Parker: Von Natur aus kooperativen Aufgaben sind diejenigen, die nicht in unabhängige Teilaufgaben zerlegt werden können, um individuell auf die verschiedenen Team-Mitglieder zugeordnet werden. Stattdessen wird der Erfolg des Teams während seiner Ausführung durch die kombinierte parallele Aktionen der Roboter-Team, statt einzelner Roboter Maßnahmen gemessen. Die größte Herausforderung des Lernens in diesen Zusammenhängen ist die Herausforderung des Kredits Abtretung an. Mit anderen Worten, in diesen Bereichen ist es schwierig, für einen Roboter, um die Auswirkungen ihrer eigenen Aktionen vor den Auswirkungen von Maßnahmen anderen Mitspieler "zu unterscheiden. So ist es nicht sofort ersichtlich, wie einem Roboter auf eigene lernen kann, sondern ist das Erlernen einer kooperativen Anstrengung auszuüben. Die Natur dieser Probleme führt auch zu sehr großen Räumen suchen.
ARS: Was lernen Sie gewählt haben, und warum?
Parker: Ich glaube nicht, dass es nur eine Lerntechnik, dass "das Beste" für Multi-Roboter-Kooperation. Meine Mitarbeiter und ich haben mehrere Arten des Lernens in Multi-Roboter-Systeme für verschiedene Anwendungen untersucht. Diese unterscheiden sich von der Anpassung von vordefinierten System-Parameter für das Lernen neuen kooperativen Verhaltensweisen. Techniken, die wir untersucht haben, gehören Funktion Lernen, Reinforcement Learning und Lernen neuronale Netz. Aus praktischer Sicht sind meine bisherigen Interessen in Multi-Roboter-Lernen in die Lage versetzen ein Team, das mit einer effektiven Verhalten zu kontrollieren beginnt zu lernen, mit ökologischen Zustand Veränderungen umzugehen und für Roboter, ihre Lernerfahrungen mit ihren Teamkollegen zu teilen. Ich glaube, dass dies eine wichtige praktische Notwendigkeit in realen Anwendungen von Multi-Roboter-Teams ist.
ARS: Was ist das größte Problem gelöst werden soll?
Parker: Das Schwierigste Lernen Problem, das ich kann mir vorstellen, ist Überschneidungen mit den Lernprozess von Menschen, vom Säugling bis zum weisen alten Weisen. Die Fähigkeit, von der hilflosen Geschöpfe, die ganz auf ihren Betreuern zum Lernen über die Schwerkraft, Theorie des Geistes, zwischenmenschliche Beziehungen, gesunder Menschenverstand, und unzählige andere Aspekte dieser Welt abhängig sind, gehen is amazing. Wie können wir beginnen, die Breite und Tiefe der diese Fähigkeiten in einem Roboter oder Teams von Robotern duplizieren? Dies ist eine unglaubliche Herausforderung.
ARS: Ließen sich solche Probleme leichter mit künstlichen Evolution gelöst?
Parker: Ich glaube, schwierig, umfassende Lernschwierigkeiten wie beim menschlichen Lernen Problem muss eine breite Palette von Lerntechniken beinhalten. Bei einigen der Probleme wäre, die künstliche Evolution zu sein scheinen ein sinnvoller Ansatz. Aber auch andere Probleme zu erwarten sind erfordern unterschiedliche Lernmethoden.
ARS: Wenn ich einen Schüler denken darüber nach, die Forschung im Bereich mache, was kann ich jetzt tun, um vorzubereiten?
Parker: Einer der wichtigsten Aspekte der Forschung sinnvoll ist, die richtigen Fragen. Es ist wichtig, die wichtigsten offenen Fragen in den Bereichen zu verstehen. Um dies zu tun, muss der Forscher mit dem aktuellen Stand der Technik im Bereich von Interesse sein vertraut, und der beste Weg, dies zu tun ist, so viel von der aktuellen Forschung auf dem Gebiet wie möglich zu lesen. Schauen Sie sich insbesondere an den derzeitigen Annahmen der Forschung, und die vorgeschlagene Richtung der zukünftigen Forschung. Diese sind bei der Ermittlung von offenen Fragen im Bereich hilfreich sein. Aber außer dass er über die offene Forschungsfragen des Feldes, Ich rate Studierenden, die Ideen zu verfolgen, die sie erregen, über die sie haben eine echte Neugier. Forschung erfordert eine Menge harter Arbeit, und Sie wollen um dies zu tun Forschung in einem Gebiet, das Sie wirklich fasziniert sind. Diese natürliche Neugier wird ein enormer Vorteil im Sinne Ihrer Motivation stark, während Sie in das lange Tage, Monate und Jahre, um den eigenen Beiträge zur Forschung.
ARS: Im Jahr 2000 haben Sie die US Presidential Early Career Award. Was war das für diese Auszeichnung auf Ihrer wissenschaftlichen Karriere haben könnte?
Parker: Diese Auszeichnung ist eine große Ehre, und ich fühle mich sehr privilegiert, wurde diese Anerkennung erhalten haben. Auszeichnungen wie diese zu validieren meine Forschung und Hilfe zur Verbesserung der Sichtbarkeit von meiner Arbeit in verschiedenen Arenen. Die Öffentlichkeit auf diese Auszeichnung auf lokaler Ebene, die Gelegenheit zu sprechen, eine Reihe von Gemeinde-Organisationen, die zuvor nicht vertraut mit meiner Forschung geführt hatte. Auf nationaler und internationaler Ebene dazu beigetragen, diese Auszeichnung zu meiner Auswahl für verschiedene Forschungs-"Think-Tanks", Beiräten und Arbeitsgruppen, die auf die strategische Planung und Analyse im Bereich der Robotik zu konzentrieren. Ganz allgemein glaube ich, diese Auszeichnung ermutigte mich, breit Auswirkungen Fragen in meiner Auffassung, dass wissenschaftliche Forschung weit-reichende kann positive Auswirkungen auf das Feld.
ARS: Was sind die vielversprechendsten Bereiche der Forschung in diesem Bereich sind?
Parker: Ich glaube, die meisten zukunftsträchtigen Forschungsfeldern in Multi-Roboter-Systemen sind die Themen der Fehlertoleranz, heterogene Teaming in großem Maßstab (100 +) verteilt Roboter-Teams, verteilte Lern-und Anpassungsprozess, Roboter-Teams und ermöglicht auf einfache Weise mit dem Menschen als Arbeit Peers oder Controller.
Associate-professor, Department of Computer Science, University of Tennessee, USA
Veröffentlicht in: Volume 2, Number 2, June 2004
Weitere Informationen in Englisch finden Sie unter diesem Link!