Tez No	İndirme	Tez Künye	Durumu
338371		Simple and complex behavior learning using behavior hidden Markov model and CobART / Saklı Markov model ve CobART kullanımı ile basit ve karmaşık davranışları öğrenme Yazar:SEYİT SABRİ SEYHAN Danışman: PROF. DR. FERDA NUR ALPASLAN Yer Bilgisi: Orta Doğu Teknik Üniversitesi / Fen Bilimleri Enstitüsü / Bilgisayar Mühendisliği Ana Bilim Dalı Konu:Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol = Computer Engineering and Computer Science and Control Dizin:Robot denetim = Robot control ; Saklı Markov modeli = Hidden Markov model ; Yapay sinir ağları = Artificial neural networks	Onaylandı Doktora İngilizce 2013 101 s.
Bu tez kapsamında, basit ve karmaşık robot davranışlarını gözetmen ihtiyacı duymayan yöntemlerle öğrenen ve tekrarlayabilen davranış modelleri tasarlandı. Basit davranışlar basit-davranış öğrenme modeli (SBLM) ile karmaşık davranışlar ise daha önce öğrenilen basit ve karmaşık davranışları kullanabilen karmaşık-davranış öğrenme modeli (CBLM) ile modellendi. Her iki model de davranış sınıflandırma, davranış modelleme ve davranış üretme aşamalarından oluşmaktadır. Sınıflandırma aşamasında algılayıcılardan elde edilen veriler robotun temel yeteneklerine karşılık gelen temel hareketleri elde etmek amacıyla ilinti temelli uyarlanır rezonans kuramı kullanılarak sınıflandırılır. Modelleme aşamasında, saklı Markov modelinin değiştirilmiş bir şekli olan davranış-HMM kullanılarak temel hareketler arasındaki ilişki sonlu durumlu olasılıksal ağ biçiminde modellenir. Davranış modeline ilaveten robot motor komutlarını öğrenmek amacıyla her bir temel davranış için yapay sinir ağlarını kullanan bir hareket üretici eğitilir. Davranış üretme aşamasında, istenen görev amaç gözlem şeklinde sunulur ve model karşılık gelen temel hareket dizisini üretir. Sonra herbir temel hareket daha önce bu amaçla eğitilmiş hareket üreticiler aracılığıyla sırasıyla işletilir.Modeller tek bir davranış için değil bütün davranışlar için bir dayanak oluşturması açısından tasarlandı. CBLM daha önce öğrenilen davranışları sıradüzensel olarak birleştirerek öğrenme yeteneğinin gelişmesini sağlar. Böylece yeni davranışlar daha önce öğrenilmiş davranışları kullanma yeteneğine sahip olur. Önerilen modeller robot benzeştiriciler üzerinde denendi ve deneme sonuçlarına göre basit ve karmaşık davranış modelleri istenen davranışları etkin bir biçimde tekrar üretmeyi başardı.
In this thesis, behavior learning and generation models are proposed for simple and complex behaviors of robots using unsupervised learning methods. Simple behaviors are modeled by simple-behavior learning model (SBLM) and complex behaviors are modeled by complex-behavior learning model (CBLM) which uses previously learned simple or complex behaviors. Both models have common phases named behavior categorization, behavior modeling, and behavior generation. Sensory data are categorized using correlation based adaptive resonance theory network that generates motion primitives corresponding to robot's base abilities in the categorization phase. In the modeling phase, Behavior-HMM, a modified version of hidden Markov model, is used to model the relationships among the motion primitives in a finite state stochastic network. In addition, a motion generator which is an artificial neural network is trained for each motion primitive to learn essential robot motor commands. In the generation phase, desired task is presented as a target observation and the model generates corresponding motion primitive sequence. Then, these motion primitives are executed successively by the motion generators which are specifically trained for the corresponding motion primitives.The models are not proposed for one specific behavior, but are intended to be bases for all behaviors. CBLM enhances learning capabilities by integrating previously learned behaviors hierarchically. Hence, new behaviors can take advantage of already discovered behaviors. The proposed models are tested on a robot simulator and the experiments showed that simple and complex-behavior learning models can generate requested behaviors effectively.