情報処理学会 第79回全国大会講演要旨

不完全知覚問題が生じるような部分観測マルコフ決定過程(POMDPs:
Partially Observable MarkovDecision Processes)環境においては、
決定的な政策を学習することは難しい。それに対し、過去の観測の
系列を用いることで、同じ観測に対して複数の行動をとる必要があ
る場合にもより適切な確率で行動の選択が行える手法としてPOMDPs
環境のための決定的政策を学習するProfit Sharingが提案されてい
る。また、この手法を自己組織化マップに基づいた時系列パターン
のための確率的連想メモリにより実現する方法も提案されている。
本研究では、自己組織化マップに基づいた時系列パターンのための
確率的連想メモリによる強化学習を用い、ロボットの行動学習を実
現する。