Künstliche Intelligenz fur ortsbasierte Dienste - Lehrstuhl für Mobile ...

SFP oder TP ereignen. Die Forscher verifizieren diese Annahme experimentell. Insgesamt
maßen sie 280 Minuten. Die durchschnittliche Länge der Aktivität war 1,4 Sekunden mit
einer Abweichung von 0,95 Sekunden. Ein SFP oder TP dauerte weniger als 0,15 Sekunden.
Um die Bewegung weiter zu abstrahieren definieren die Forscher Bewegungsprimitive.
Beispielsweise sollen Höhenprimitive die Differenz der Personengröße (Hände hoch versus
Ducken) oder Push-Pull-Primitive das Stoßen und Ziehen der Arme abbilden.
Neben der Körperhaltung wird noch die Position der Person mittels Ubisense ermittelt.
Dies erlaubt einen Kontext herzustellen und zu klassifizieren welche Aktion denn an der
aktuellen Position überhaupt möglich ist.
Die Forscher studierten 20 Routinen einer Auto-Inspektion. Sie klassifizierten ihre Daten
mittels Joint Boosting. Zinnen et al. (2009) machen klar, dass das System nur Nutzer-
Abhängig gut funktionieren könne, da sich die exakte Ausführung einer Aktion von Person
zu Person stark unterscheiden kann [AZS09]. Sie kamen zu dem Schluss, dass das System
für die Aktionserkennung bei gleichen Testpersonen gute bis sehr gute Ergebnisse lieferte.
Aber auch bei Personen-Unabhängigen Experimenten erbrachte ihre Methode noch gute
Ergebnisse [AZS09].
4.3 Simultaneous Localization and Mapping (SLAM)
Bei Simultaneous Localization and Mapping (SLAM) geht es um ein Problem der Lokalisierung
eines Roboters. Das Problem beschäftigt sich mit der Frage ob es ein mobiler
Roboter, der an einem unbekannten Ort in einer unbekannten Umgebung ausgesetzt wird
schafft, sich sukzessive eine vollständige Karte seiner Umgebung zu bauen während er
simultan seine Position auf dieser Karte bestimmen muss. Eine Lösung dieses Problems
galt für die Robotik lange als Weg zu einem tatsächlich autonomen Roboter [DWB06].
Ein Roboter kann mittels seiner Sensoren eine unbekannte Umgebung erkunden und daraus
eine Karte generieren. Jedoch ist es schwierig für den Roboter seine eigene Position
in der teilweise erkundeten Karte festzustellen, sowie zu merken, dass er neues Territorium
erreicht hat. Eine Möglichkeit seine Umgebung zu erkennen, wären Merkmale in der
Landschaft mit bekannter Position. Jedoch ist die Vorgabe, dass dem Roboter seine Umgebung
gänzlich unbekannt ist [CN01].
Ein Roboter soll sich also durch eine Umgebung bewegen und dabei subjektive Beobachtungen
von unbekannten Landschaftsmerkmalen mit seinem Sensor machen. Zu einem
Zeitpunkt k seien die folgenden Größen definiert:
• xk: Zustandsvektor der die Position und Blickrichtung des Roboters beschreibt.
• uk: Kontrollvektor, gesetzt zum Zeitpunkt k − 1 um den Roboter zu einem Zustand
xk zum Zeitpunkt k zu bringen.
• mi: Ein Vektor der das i-te Lanschaftsmerkmal beschreibt, dessen Position als zeitunabhängig
angesehen werden soll.
• zik: Beobachtung des Roboters vom i-ten Landschaftsmerkmal zum Zeitpunkt k.