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