Ein Tiefes Selbst: Emergenz eines ereignisprädiktiven, handelnden Selbst in Robotern

• Antragsteller: Professor Dr. Martin Butz; Professor Dr.-Ing. Pablo Lanillos Pradas, Ph.D.
• Fachliche Zuordnung: Bild- und Sprachverarbeitung, Computergraphik und Visualisierung, Human Computer Interaction, Ubiquitous und Wearable Computing ; Allgemeine, Kognitive und Mathematische Psychologie ; Automatisierungstechnik, Mechatronik, Regelungssysteme, Intelligente Technische Systeme, Robotik
• Förderung: Förderung seit 2021
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 467045002

Die Erfahrung eigene Handlungen und dadurch Ereignisse in der Welt zu kontrollieren (Haggard & Chambon, 2012) ist zentral für das handelnde Selbst. Die Basis dafür liegt wohl in sensomotorischen Kodierungen. Allerdings scheinen für eine explizitere Erkenntnis über die eigenen Handlungsfähigkeiten abstraktere, Ereignis-spezifische Kodierungen notwendig zu sein. Im Ergebnis könnte ein handelndes Selbst entstehen, das sich seiner eigenen Erfahrungen, Handlungen und Konsequenzen in der Welt "bewusst" wird.Unser Ziel ist es entscheidende Komponenten für die Entwicklung eines handelnden Selbst in Robotern zu identifizieren. Nach der Entwicklung von Aktions-Effekt-Bindungen werden wir uns auf die Antizipation von Ereigniseffekten konzentrieren. Dabei werden wir antizipative, crossmodale Kongruenzeffekte modellieren, die zeigen wie unser Gehirn unseren eigenen Körper handlungseffektantizipierend in die Zukunft projizier. Schließlich werden wir mit Verhaltensexperimenten und deren Modellierung am Roboter untersuchen, in wie fern und auf welche Weise wir auch beim Werkzeuggebrauch zukünftige Körper- und Werkzeugstellungen antizipieren. Ausgangspunkt für unser Modell ist die Ideomotortheorie, Komparatormodelle und das Freie Energie Prinzip (bzw. Aktive Inferenz). Über die letzten Jahre (auch innerhalb der ersten Förderphase des SPPs) haben wir bereits einige der kritischen Komponenten in künstlichen Systemen und Robotern implementiert. Unser Deep Active Inference Modell erlaubt Robotern generative Modelle aus Sensorrohdaten zu erlernen und damit modell-prädiktiv zu planen. Unsere Beiträge zu Theorien einer ereignisprädiktiven Kognition führten zur Implementierung von Systemen, die relative Entfernungen und Orientierungen kompakt kodieren, um ereignisbezogen und zielgerichtet planen zu können.Zur Umsetzung werden wir unsere Expertise in der adaptiven Robotik- und tiefen künstlichen neuronalen Netzwerken (Donders) mit der in der kognitiven Psychologie und neurokognitiven Modellierung (Tübingen) verschmelzen. Wir werden (i) Mechanismen und Voraussetzungen identifizieren, die es einem [künstlichen] Agenten erlauben, ein Selbst zu entwickeln, und (ii) die Rolle des handelnden Selbst für eine effektive, zielgerichtete Ereigniskontrolle entschlüsseln. Außerdem werden wir kritische Mechanismen für die Selbstplastizität beim Werkzeuggebrauch determinieren. Durch die Entwicklung von kompakten, ereignisprädiktiven Strukturen werden wir auch zur Entwicklung vorausschauend handelnder Robotern beitragen. Ultimativ sollten solche Systeme erlernen, ihre und andere kausale Einflüsse auf die Umwelt nicht nur zu erkennen, sondern auch zu erklären. Wir erwarten auch, dass unsere Forschungsarbeit die Umsetzung kompetenter sozialer Interaktionen von Robotern mit dem Menschen erleichtern wird. Wie hoffen diese Überlegungen während der zweiten Förderphase intensiv mit den anderen SPP-Projekten zu diskutieren.

• DFG-Verfahren: Schwerpunktprogramme
• Teilprojekt zu: SPP 2134: Das handelnde Selbst
• Internationaler Bezug: Spanien