Acquiring and maintaining knowledge by natural multimodal dialog [Elektronische Ressource] / von Hartwig Holzapfel

Hartwig Holzapfel, Institut Für Anthropomatik, Interact, Universit{Ä}T Karlsruhe (Th)

Sujets

• Informatik

Informations

• Publié par: karlsruher_institut_fur_technologie
• Publié le: 01 janvier 2009
• Nombre de lectures: 11
• Langue: Deutsch
• Poids de l'ouvrage: 4 Mo

Extrait

Acquiring and Maintaining
Knowledge by Natural
Multimodal Dialog
zur Erlangung des akademischen Grades eines
Doktors der Ingenieurwissenschaften (Dr.-Ing.)
von der Fakultat fur Informatik
der Universitat Fridericiana zu Karlsruhe (TH)
genehmigte
Dissertation
von
Hartwig Holzapfel
aus Karlsruhe
Tag der mundlichen Prufung: 29. Juni 2009
Erster Gutachter: Prof. Dr. Alex Waibel
Zweiter Gutachter: Professor Rolf CarlsonZusammenfassung iii
Zusammenfassung
Dialogsysteme kommen heutzutage in einer Vielzahl von Anwendungsgebie-
ten zum Einsatz. Hierzu gehoren Navigationssysteme, Call Center, diverse
interaktive Systeme und in den letzten Jahren, verstarkt in der Forschung,
auch Dialogsysteme fur die Mensch-Roboter Interaktion. Eine Beschrankung,
die diese Systeme trotz signikanten Fortschritts in den letzten Jahren noch
innehaben, ist fehlende Adaptionsfahigkeit, da diese Systeme durch statische
Vorgaben, statische Systemkomponenten und statische Wissensmodelle be-
schrankt sind. Im Gegensatz dazu sollte die nachste Generation von Dialog-
systemen in der Lage sein, ihre Strategien und Wissensmodelle zu adaptieren
und dadurch in die Lage versetzt werden, sich an ihre Umgebung anzupas-
sen. Eine derartige Adaptionsfahigkeit ist z.B. fur einen humanoiden Roboter
von hohem Nutzen, insbesondere dann, wenn die Adaption durch das Sys-
tem autonom und ohne den manuellen Eingri eines menschlichen Operators
durchgefuhrt werden kann.
Diese Arbeit bildet einen Beitrag fur das Fernziel, komplett autonome
Systeme zu entwerfen, die sich an ihre Umgebung anpassen konnen. Hier-
fur wird in dieser Arbeit ein Dialog-basierter Lernansatz vorgestellt, um eine
Wissensbasis uber einen langeren Zeitraum hinweg zu pegen, mit neuem
Wissen anzureichern und Fehleintrage zu korrigieren. Der vorgestellte Ansatz
wurde fur Personenidentikation, Soziale Netzwerkmodellierung und Lernen
von Objekten im Bereich der Mensch-Roboter Interaktion untersucht und
evaluiert. Neben robusten und fehlertolerante Lernmethoden werden in die-
ser Arbeit auch Fehlerkorrekturmechanismen eingesetzt, da fehlerhafte Ein-
tragungen in einem autonom lernenden System insbesondere beim Einsatz
uber einen langeren Zeitraum in einer realistischen Umgebung unvermeidlich
sind. Diese Arbeit liefert daher einen Beitrag fur den Entwurf robuster Lern-
methoden durch fehlertolerante Dialogstrategien fur Lernaufgaben, Optimie-
rung durch Reinforcement Learning, enge Kopplung der Systemkomponenten
auf verschiedenen Verarbeitungsebenen des Dialogsystems, Fehlerkorrektur-
dialoge und Untersuchung des Lernverhaltens uber einen langeren Zeitraum
hinweg, was die Verbesserung der Qualitat der Wissensbasis zur Folge hat.
Im Rahmen dieser Arbeit wurde der interACT Rezeptionsroboter ent-
wickelt, der uber einen Zeitraum von elf Monaten im Dauerbetrieb getes-
tet wurde und anhand einer zu lernenden Population von Mitarbeitern zur
Universitat Karlsruhe (TH)iv Zusammenfassung
Evaluation des Lernansatzes verwendet wurde. Die Evaluationen belegen,
dass der vorgeschlagene Dialog-basierte Lernansatz Lernergebnisse mit guter
Qualitat liefert, dass Personen automatisch modelliert, Objekte und deren
Semantik gelernt werden konnen, dass durch die Kopplung der Erkennungs-
komponenten und durch multimodale Fusion die Erkennungsergebnisse und
die Dialogfuhrung verbessert werden konnten, und dass Korrekturdialoge si-
gnikante Verbesserungen der Qualitat der Wissensbasis in einem derartigen
autonomen System erzielen.
Hartwig HolzapfelAbstract v
Abstract
While there have been various improvements and signication advancements
in spoken dialog systems in recent years, today, dialog systems still have
restricted adaptation abilities as dialog systems are generally being built as
static systems with predened and static knowledge models. In contrast, the
next generation of dialog systems will be able to adapt their strategies and
knowledge models and thus gaining the ability to adapt to their environment.
Such adaptation abilities can be of great service for humanoid robots, if
adaptation is autonomously conducted by the system and without manual
intervention by a human operator.
This thesis presents a contribution to the far goal of building completely
autonomous systems that can adapt to their environment, by introducing a
dialog-based learning approach for maintaining a knowledge base in a long-
term run including knowledge acquisition and knowledge correction. The
presented approach has been applied to and evaluated on person identi