In quest of making artificial agents more autonomous and intelligent, equipping them with the ability of self-learning of skills plays a crucial role. In this thesis, we focus on intrinsically motivated exploration to enable efficient acquisition of skills for artificial agents. During the exploration, the agent uses the intrinsic motivation signal to self-select the exploration regions to proceed. This motivation signal drives the agent to explore the region that is neither too easy nor too difficult for the agent. First, we proposed a method that continuously partitions the sensorimotor space using the predictability principle to form specialized learning regions to better employ an existing intrinsic motivation framework. Our next study aims to utilize a latent space that facilitates the self-organization of the exploratory behaviors driven by the intrinsic motivation to learn a set of skills. To make this space reflect the dynamics of the interaction between the robot and the environment, we propose blending the outcome, action, and object information. Next, the latent space is clustered into different regions; each is then learned by separate predictors. The proposed approach is validated with a simulated robot that manipulates different objects using parameterized actions in a table-top environment. Our approach allows the robot to organize its own curriculum, enabling it to proceed from easier skills to more complex ones. The analysis of the curriculum deduces that grasp emerges before pushing, which is consistent with the skill emergence in infants. Furthermore, results show that the proposed method makes significantly lesser prediction errors than its counterparts in various settings.

Yapay ajanları daha özerk ve zeki yapma arayışında, onların, becerileri kendi kendilerine öğrenebilme yeteneğiyle donatılması çok önemli bir rol oynar. Bu tezde, yapay ajanların becerileri verimli bir şekilde kazanmasını sağlamak için içsel motivasyonlu keşfe odaklanmaktayız. Keşif sırasında ajan, keşfe devam edeceği bir sonraki bölgeyi içsel motivasyon sinyalini kullanarak seçer. Bu motivasyon sinyali, ajanı, ajan için ne çok kolay ne de çok zor olan bölgeyi keşfetmeye yönlendirir. İlk çalışmamızda, mevcut bir içsel motivasyon mimarisini daha iyi kullanmak amacıyla, özel öğrenme bölgelerini oluşturmak için, duyumotor uzayını öngörülebilirlik ilkesini kullanarak sürekli olarak bölen bir yöntem önerdik. Bir sonraki çalışmamız, bir dizi becerinin öğrenimi için, içsel motivasyonun yönlendirdiği keşifsel davranışların kendi kendine örgütlenmesini kolaylaştıran saklı bir uzay kullanmayı amaçlamaktadır. Bu uzayın robot ve çevre arasındaki etkileşimin dinamiklerini yansıtmasını sağlamak için, sonuç, eylem ve nesne bilgilerinin harmanlanmasını öneriyoruz. Daha sonra, bu saklı uzay farklı bölgelere ayrılmakta ve her bölge ayrı tahmin modelleri tarafından öğrenilmektedir. Önerilen yaklaşım, masa üstü bir ortamda, parametrik eylemler kullanarak farklı nesnelerle etkileşime giren, simüle edilmiş bir robotla doğrulanmaktadır. Sunduğumuz yaklaşım, robotun kendi müfredatını düzenlemesine olanak tanıyarak, robotun daha kolay olan becerilerden daha karmaşık olanlara geçmesini sağlar. Oluşan müfredatın analizi, itme becerisinden önce kavrama becerisinin ortaya çıktığı sonucuna varmaktadır, bu da bebeklerdeki beceri gelişimi ile benzerlik göstermektedir. Ayrıca, sonuçlar önerilen yöntemin çeşitli koşullar altında, benzerlerinden önemli ölçüde daha az tahmin hatası yaptığını göstermektedir.