De afgelopen jaren heeft artificiële intelligentie belangrijke stappen gezet in de ontwikkeling van systemen die taken op menselijk niveau kunnen oplossen. Het is echter nog steeds moeilijk voor kunstmatige systemen om complexe taken op te lossen die begrip, redeneren en plannen over langere tijdschalen vereisen. In dit project stel ik autonome systemen voor die diepe temporele modellen van de wereld leren en deze gebruiken om over lange termijn acties te plannen, gebaseerd op de neuro-geïnspireerde actieve inferentie theorie voor perceptie, cognitie en controle. Tijdens het project zal ik verschillende onderzoeksvragen behandelen, zoals hoe een hierarchisch model van de wereld te leren op basis van sensor observaties, hoe dit model te gebruiken om acties te plannen en hoe onzekerheid te verminderen door op zoek te gaan naar de nodige informatie. Alle ontwikkelde benaderingen zullen worden geïmplementeerd met moderne, machinaal lerende technieken en zullen worden vergeleken met state-of-the-art technieken uit de literatuur.