|
main page |
Zusammenfassung - German SummaryViele Anwendungen aus dem Bereich der mobilen Robotik setzten eine geeignete Repräsentation der Umgebung voraus. Aus diesem Grund ist das Lernen von Umgebungsmodellen eines der grundlegenden Probleme für Roboter, dem schon seit mehreren Jahrzehnten Aufmerksamkeit geschenkt wird. Das selbständige Erstellen von Umgebungsmodellen ist eine der Grundvoraussetzungen für vollständig autonom agierende Systeme. Die vorliegende Arbeit beschäftigt sich mit verschiedenen Problemen, die beim selbstständigen Aufbau von Karten auftreten.Das Problem beim Erstellen von Karten besteht unter anderem in der Unsicherheit der Sensorinformationen. Sensoren wie beispielsweise Lasermesssysteme oder Sonarsensoren messen die Distanz zum nächsten Hindernis. Allerdings liefern sie mitunter nur grobe Schätzwerte und keine exakten Daten. Auch die Bestimmung der Position des Roboters anhand der Radumdrehungen (Odometrie) ist mit erheblichen Fehlern behaftet, welche sich im Laufe der Zeit sogar akkumulieren. Ohne ein geeignetes Umgebungsmodell, in dem sich der Roboter selbst lokalisieren kann, ist es sehr schwierig eine gute Positionsschätzung über längere Zeit aufrecht zu erhalten. Gleichzeitig benötigt ein Roboter aber eine gute Schätzung seiner Position, um aus seinen Sensordaten eine brauchbare Karte zu erzeugen. Auch ist es kein triviales Problem zu entscheiden, wohin sich ein autonomer Roboter bewegen soll, um seine Umgebung effizient zu explorieren. Es stellt sich die Frage, ob man eine Explorationsstrategie wählt durch die der Roboter seine Umgebung möglichst schnell abfährt, oder lieber ein Verfahren verwendet, das die Unsicherheit des Roboters über die Umgebung minimiert. Die Komplexität des Problems erhöht sich nochmals, wenn der Roboter neben seiner Unsicherheit in den Sensordaten auch die Unsicherheit in seiner Position berücksichtigen muss. Dabei stellt sich unmittelbar die Frage, ob es sinnvoller ist, zuerst die Unsicherheit des Roboters über seine Umgebung zu minimieren oder aber seine Position genauer zu ermitteln. Deutlich komplexer wird das Problem, wenn man nicht mehr nur rein statische Welten annimmt, sondern berücksichtigt, dass sich dynamische Objekte in der Umgebung befinden können. Solche beweglichen Objekte können beispielsweise Personen, Autos oder auch Türen sein. Man muss sich dabei fragen, ob man solche dynamischen Objekte aus der Karte entfernen möchte oder einige der Informationen beim Kartenbau berücksichtigen sollte. So macht es beispielsweise Sinn, wenn ein Roboter, der sich auf einem großen Parkplatz bewegt, weiß, wo typischerweise Auto parken und wo nicht. Dieses Wissen kann er dann nutzen, um seine Position robuster zu schätzen. Zusätzlich stellt sich die Frage, wie man eine Gruppe von Robotern koordiniert, damit diese eine gemeinsame Aufgabe möglichst effizient lösen können. Exploriert man beispielsweise eine Umgebung mit einem Team von Robotern, kann man erwarten, dass sie diese Aufgabe schneller ausführen können als ein einzelner Roboter. Auf der anderen Seite muss berücksichtigt werden, dass sich die einzelnen Roboter auch gegenseitig behindern können. So kann beispielsweise schnell ein Stau entstehen, wenn mehrere Roboter gleichzeitig einen engen Korridor oder eine Tür passieren wollen. Man kann die zentralen Fragestellungen beim Lernen von Umgebungsmodellen mit mobilen Robotern wie folgt zusammenfassen:
Die vorliegende Arbeit behandelt verschiedene Aspekte des Problems der Erstellung von Umgebungsmodellen. Dabei beschäftigen wir uns explizit mit den fünf oben aufgezählten Punkte. Ein zentraler Aspekt dieser Arbeit ist die Exploration unbekannter Umgebungen oder als Frage formuliert: "Wie sollte sich ein Roboter durch eine unbekannte Umgebung bewegen, um aus den gewonnenen Sensordaten eine konsistente Karte zu erzeugen?" Dabei konzentrieren wir uns in dieser Arbeit auf die Reduktion der Unsicherheit im Umgebungsmodell des Roboters. Wir verfolgen einen Ansatz, der mögliche zukünftige Observationen und deren Auswirkungen auf das Modell des Roboters in die Zielpunktauswahl mit einbezieht. Im ersten Teil der Arbeit wird dabei die Position des Roboters als gegeben angenommen und nur die Unsicherheit in den Observationen und im Umgebungsmodell betrachtet. Des weiteren stellen wir einen Ansatz vor, der es erlaubt, ein Team von Robotern so zu koordinieren, dass diese ihre gemeinsame Explorationsaufgabe schneller lösen können. Die Annahme, dass die Positionsinformation als gegeben vorausgesetzt werden kann, ist in natürlichen Umgebungen nicht gegeben. Daher stellen wir im zweiten Teil dieser Arbeit einen Ansatz zur Lösung des Problems des simultanen Lokalisierens und Kartenlernens vor (engl. simultaneous localization and mapping, SLAM). Das probabilistische und auf Partikelfiltern basierende Verfahren ermöglicht es, eine gemeinsame Verteilung über die Trajektorie des Roboters und das Umgebungsmodell zu verwalten. Als Ergebnis erhalten wir ein System, das Karten von verhältnismäßig großen Umgebungen in Echtzeit erstellen kann. Aufbauend auf diesem Verfahren adaptieren wir unsere Explorationstechnik so, dass diese die Eigenschaften des SLAM Verfahrens berücksichtigt. Wir ermöglichen es dabei dem Roboter Schleifen in der Umgebung zu erkennen und diese aktiv zu schließen. Im Endeffekt führt dies zu besser ausgerichteten Karten im Vergleich zu herkömmlichen Explorationsverfahren. Das bis dahin gewonnene Wissen wird anschließend in ein System integriert. Dieses konzentriert sich gleichzeitig auf Exploration, Kartenbau und Lokalisierung. Bei der Auswahl der nächsten auszuführenden Aktion betrachtet das System mögliche Sequenzen von Observationen, die der Roboter beim Ausführen der Aktion erhalten könnte. Diese Observationen werden basierend auf der Verteilung über mögliche Umgebungsmodelle simuliert und deren Auswirkung auf das Gesamtmodell geschätzt. Der Roboter ist dann in der Lage, die Aktion zu wählen, die zur größten erwarteten Minimierung der Unsicherheit über die Umgebung sowie über seine Position führt. Abschließend behandeln wir das Lokalisieren und Kartenbauen in nichtstatischen Umgebungen. Im Vergleich zu den meisten existierenden Ansätzen liegt unser Fokus nicht darauf, dynamische Aspekte aus dem Umgebungsmodell zu entfernen. Statt dessen erlaubt es unser Verfahren, die möglichen Konfigurationen nichtstatischer Objekte zu bestimmen. Ein klassisches Beispiel stellen Türen dar. Diese sind typischweise entweder geschlossen oder offen. Ein Roboter, der sich solches Wissen aneignen kann, ist später in der Lage, sich besser zu lokalisieren als ein Roboter der nur ein statisches Modell seiner Welt besitzt. Der Beitrag dieser Arbeit besteht aus einer Menge von Techniken zum selbstständigen Erstellen von Umgebungsmodellen. Zusammengefasst liefern unsere Verfahren Lösungen für die folgenden Probleme:
|