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

Weitere Magazine

Empfehlungen

Info

Zudem werden Mengen definiert die den Verlauf der Roboter-Positionen, den Verlauf von Kontrolleingaben, alle Landschaftsmerkmale sowie alle beobachteten Landschaftsmerkmale beinhalten [DWB06]. x k-1 uk x k m i m j x k-1 u k+2 x k+1 Geschätzt Wahr x k+2 Roboter Abbildung 9: Beobachtung des Roboters und dessen tatsächliche Umgebung Landschafts merkmal Hier ist zu sehen, dass der Roboter nie das wahre Bild der Umgebung kennt. Er kann nur subjektiv bestimmen was um ihn herum ist, hat aber keine anderen Daten um dies zu verifizieren. Doch auch wenn der Roboter ein um den Messfehler seines Sensors verfälschtes Bild von seiner Umgebung hat, ist dieser Fehler systematisch und die Karte des Roboters also nur verschoben. Lösungen dieses Problems sind deshalb wahrscheinlichkeitstheoretisch begründet. Auch wenn es noch Schwierigkeiten bei allgemeinen Einsätzen und komplizierten Karten gibt, gilt das Problem sowohl theoretisch als auch praktisch als gelöst [DWB06].
5 Fazit Künstliche Intelligenz ist heute ein wichtiges Forschungsfeld. Nicht nur wird versucht, einen künstlich denkenden Roboter zu bauen. Vielmehr kommen Werkzeuge und Ideen aus diesem Gebiet auch anderen Forschungsrichtungen zugute. Kontextbewusstsein ist dabei wohl einer der größten Trümpfe der KI. Mobile Dienste sollen einen Nutzer mit Informationen versorgen, die für seine Situation, für seinen Standort und für seine Vorlieben sinnvoll sind. Moderne Smartphones haben heute schon eine umfassende Sensorik verbaut. Beschleunigungssensoren, Gyroskope und GPS-Empfänger können das Gerät nicht nur lokalisieren, sondern auch dessen Ausrichtung im dreidimensionalen Raum bestimmen. Mit dieser Hardware ließen sich schon dank der Methoden der Aktionserkennung aus Abschnitt 4.1 Schlüsse auf das Verhalten und die Tagesroutinen von Nutzern folgern. Jedoch brauchen diese Verfahren zum Teil noch viel Rechenzeit. Die Anzahl der Boosting- Runden die es braucht, um eine gute Hypothese zu finden, machen diese Erkennung noch unpraktikabel für Live-Systeme. Aber mit fortschreitender Rechenleistung in mobilen Geräten und Cloud-Computing wird dies in der Zukunft wohl keine größeren Probleme mehr darstellen. Auch das Sammeln von Daten kann problematisch werden. In Abschnitt 4.1 weisen die Forscher zwar darauf hin, wie wenige Daten doch nötig sind um komplexe Routinen zu erkennen. In der Arbeit die in Abschnitt 4.2 beschrieben wird, werden jedoch komplexe dreidimensionale Modelle aufgezeichnet und ausgewertet. Künstliche Intelligenz spielt aber nicht nur in der Forschung eine wichtige Rolle. Zum Beispiel hat künstliche Intelligenz auch in der Medizin wichtige Aufgaben. Beispielsweise können mobile Defibrillatoren die sich in U-Bahn-Stationen befinden dem Benutzer nicht nur sagen was er tun muss, sondern zum Beispiel auch erst dann einen Stromimpuls abgeben, wenn sie korrekt platziert sind. Sie handeln bereits rational. Abschließend lässt sich sagen, dass zwar eine absolut autonom handelnde und denkende Maschine noch nicht praktisch implementiert werden konnte. Doch, dass vorallem die Methoden künstlicher Intelligenz bereits große Erfolge erzielt haben. HMM, Lernmethoden und Klassifizierungsverfahren helfen Intelligenz in Systeme und Dienste zu bringen die dem Nutzer ortsbasierter Dienste eine neue und verbesserte Erfahrung bieten können. Literatur [AZS09] C. Wojek A. Zinnen und B. Schiele. Multi Activity Recognition Based on Bodymodel- Derived Primitives. Location and Context Awareness, 4:1–18, 2009. [BP00] P. Bahl und V.N Padmanabhan. RADAR: an in-building RF-based user location and tracking system. INFOCOM, 2:775–784, 2000. [BS09] U. Blanke und B. Schiele. Daily Routine Recognition through Activity Spotting. Location and Context Awareness, 4:192–206, 2009.
Seite 1 und 2: Künstliche Intelligenz für ortsba
Seite 3 und 4: Wahrnehmungsfolge Aktion (A, Sauber
Seite 5 und 6: unterscheiden. Ein Label ist als An
Seite 7 und 8: Bei Time-of-Arrival (TOA) wird die
Seite 9 und 10: N 2 W N 1 V Abbildung 5: Der vermut
Seite 11 und 12: 3.4 Boosting Boosting basiert auf d
Seite 13 und 14: Es gibt verschiedene Ansätze und M
Seite 15: SFP oder TP ereignen. Die Forscher

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

Erfolgreiche ePaper selbst erstellen

Template löschen?

Als Template speichern?