Kooperative Bewegungsstrategien für Roboter in unbekannten ...

Weitere Magazine

Empfehlungen

Info

16 2.1 Kartenerstellung und Lokalisierung die Verarbeitung großer Datenmengen, die Qualität der erzeugten Pixelbilder ist beleuchtungsabhängig und es mangelt diesen an Tiefeninformation. Jedoch sind Kameras heutzutage kompakt und günstig, die Erstellung eines Bildes erfolgt unmittelbar und die Eigenschaften der Abbildungsoptik sind wohlbekannt. „Vision, of course, also has great intuitive appeal as the sense humans and animals primarily use to navigate“ (Davison & Molton 2007, S. 1052). Nebenbei eignen sich Kameras für den Umgang mit anderen Aufgaben autonomer mobiler Roboter, die das Erkennen von Objekten beinhalten, und werden deshalb ohnehin in zahlreichen Einsatzgebieten benötigt. Lokalisierung mit Kameras geht nahezu immer auf die Extraktion von Landmarken aus den gelieferten Bildern zurück. Die Autoren eines Surveys über vision stellen heraus, dass sich grundsätzlich Entwicklungen für indoor robots und outdoor robots getrennt beobachten lassen (vgl. DeSouza & Kak 2002). Bedingt wird dies vor allem durch das unterschiedliche Wissen, mit dem die Roboter sich in strukturierten im Vergleich zu unstrukturierten Umgebungen bewegen können, insbesondere auch im Hinblick auf etwaige Möglichkeiten der Kartenerstellung. Zumindest an dieser Stelle sei sich aber auf die direkte Verwendung von den aus Kamerabildern entnehmbaren Daten beschränkt; dann lässt sich prinzipiell unterscheiden, ob Landmarken künstlich in die Umgebung gesetzt worden oder zumindest durch Vorwissen als in der Welt bekannte Punkte gegeben sind, oder ob es sich um natürliche Merkmale handelt, die der lokalisierende Roboter selbst zu Zwecken der Ortsbestimmung heranzieht. Im Roboterfußball (vgl. RoboCup 2009) werden klassischerweise fest installierte Teile des Spielfelds zur Lokalisierung genutzt, so wird in Göhring & Burkhard 2006 unter Anderem die relative Lage zu Flags und Toren ermittelt (vgl. Abbildung 2.1 links). Für ein autonomes Fahrzeug wird bei Marmoiton et al. 1998 beschrieben, dass die Identifizierung dreier leuchtender Landmarken, die an einem Führungsfahrzeug angebracht sind, in einem Schwarzweißbild ausreichen, um Abstandsschätzungen durchführen zu können. Einige Verfahren gehen von einer Lernphase aus, in der die Roboter selbst im Terrain Objekte über die Kamera als Landmarken klassifizieren, die sie später wiedererkennen sollen (Trahanias et al. 1999, Werman et al. 1999). Andere suchen nach speziellen Merkmalspunkten von Objekten bekannter Lage über mehrere Frames und berechnen Tiefeninformationen aus den Veränderungen der Koordinaten dieser Punkte in den Kamerabildern (Davidson 2003, Strasdat et al. 2007). Während durch Vorwissen über Landmarken Fehler langfristig nicht akkumulativ wirken, weisen entsprechende Methoden das Problem auf, dass sie nicht ohne zusätzliche Informationen über ihrer Umwelt auskommen und damit nicht allgemeinhin einsetzbar sind. Stephen Se, David Lowe und Jim Little hingegen präsentierten einen wichtigen Ansatz zum Finden natürlicher Landmarken in Kamerabildern (Se et al. 2002). Die dafür genutzten Merkmale, so genannte SIFT-Features, wurden ebenfalls von Lowe eingeführt und sind invariant gegenüber Skalierung, Translation und Rotation, durch bewusste Verstärkung ihrer Bildgradienten sogar partiell gegenüber Beleuchtungsänderungen (vgl. Lowe 1999, S. 1150 f.). Dadurch lassen sie sich in folgenden Kamerabildern oft leicht wiederfinden, weshalb auch im SIFT-Verfahren aus Kamerabewegungen Tiefeninformationen zur Kartenerstellung abgeleitet werden, was genaue Lokalisierungen vor allem in indoor-Umgebungen zulässt (vgl. Abbildung 2.1 rechts). In Se et al. 2002 geschieht die Erkennung der Merkmale noch per Stereokamera, andere Autoren zeigen aber, dass
2 Einsatz von Roboter-Teams in unbekannten Umgebungen 17 Abbildung 2.1: (links) Die relative Lage zu einem Tor bekannter Größe wird in Göhring & Burkhard 2006 aus einem einzelnen Bild über Winkelverhältnisse hergeleitet. (rechts) In einer Büroumgebung gefundene SIFT-Features. Größe und Orientierung der Quadrate geben die Skalierung und Richtung der Merkmale an (aus Se et al. 2002). single perspective cameras, also monokulare Kameras, ausreichen (vgl. Bennewitz et al. 2006). Einer der wenigen Nachteile von SIFT-Features ergibt sich aus der trotz schneller Filteralgorithmen komplexen Auswertung der Kamerabilder, was die mögliche Geschwindigkeit des Roboters reduziert. Alternative Ansätze verzichten daher absichtlich auf die Vorteile von SIFT und wählen stattdessen Landmarken, die in erster Linie effizient identifizierbar sind, so zum Beispiel Davison & Molton 2007. Nun kann für bestimmte Zwecke die Richtung zu Objekten genügen, weil sich etwa die eigene Pose aus der relativen Lage zu mehreren bekannten Punkten bestimmen lässt. Hier kommt zum Tragen, was Eric Krotkov schon 1989 als „the excellent angular resolution of standard CCD cameras“ (Krotkov 1989, S. 978) bezeichnete. Während dazu an manchen Stellen omnidirektionale Kameras dienen (Betke & Gurvits 1997, Dhanapanichkul 2006), werden in Krotkov 1989 einzelne Bilder einer monokularen Kamera untersucht. Dabei wird der relative Winkel zwischen vertikalen Linien bekannter Landmarken und der Kamera anhand der horizontalen Lage der Linien auf dem Pixelbild berechnet, der sich indirekt aus dem Abstand zwischen Projektion und Linse ergibt. Die Genauigkeit der Winkelbestimmung hängt unmittelbar vom Verhältnis der Anzahl der Pixel zur Breite des Bildsensors ab. Dieser Ansatz führt in die Richtung der Berechnungsverfahren dieser Arbeit; entgegen Krotkov werden hier aber sogar die Positionen von Landmarken (genauer: anderen Robotern) aus Kamerabildern ermittelt werden, wozu Vorwissen über die Größe der Landmarken ausgenutzt wird: „Because the original size of landmarks is known, the robot is able to calculate its own distance to the flag“ (Göhring & Burkhard 2006, S. 32). Unsicherheit bei der Bestimmung der eigenen Pose „Ein Robotersystem ist mit einer permanenten Unsicherheit bezüglich seines Aufenthaltsortes in Bezug zu seiner Umgebung behaftet“ (Delipetkos 2002, S. 2). Unabhängig der zur Verfügung stehenden Sensoren, kann eine exakte Lokalisierung nie vollends stattfinden: Sobald Entfernungen und Richtungen gemessen werden oder neue
Seite 1: Fakultät EIM, Institut für Inform
Seite 5: Danksagung Die vorliegende Diplomar
Seite 9 und 10: Kapitel 1 Einleitung Autonome mobil
Seite 11: 1 Einleitung 11 stimmung der Blickr
Seite 14 und 15: 14 2.1 Kartenerstellung und Lokalis
Seite 22 und 23: 22 2.2 Gemeinsame Bewegung und koop
Seite 30 und 31: 30 2.3 Abgrenzung des im vorliegend
Seite 32 und 33: 32 2.3 Abgrenzung des im vorliegend
Seite 34 und 35: 34 3.1 Grundlagen der Abbildungsopt
Seite 40 und 41: 40 3.2 Berechnung der relativen Pos
Seite 46 und 47: 46 3.3 Fehler in der Entfernungsber
Seite 52 und 53: 52 3.4 Exemplarische Fallstudien zu
Seite 58 und 59: 58 3.5 Ermittlung eines günstigen
Seite 66 und 67:
66 3.5 Ermittlung eines günstigen
Seite 68 und 69:
68 3.5 Ermittlung eines günstigen
Seite 70 und 71:
70 4.1 Ziele und Probleme bei der F
Seite 72 und 73:
Seite 74 und 75:
Seite 76 und 77:
76 4.2 Kooperative Posenschätzung
Seite 78 und 79:
Seite 80 und 81:
Seite 82 und 83:
Seite 84 und 85:
84 4.3 Fehlerakkumulation bei der k
Seite 86 und 87:
86 4.3 Fehlerakkumulation bei der k
Seite 88 und 89:
88 4.4 Ansatz 1: Kontinuierlicher A
Seite 90 und 91:
Seite 92 und 93:
Seite 94 und 95:
Seite 96 und 97:
96 4.5 Ansatz 2: Effizientes Vorans
Seite 98 und 99:
98 4.5 Ansatz 2: Effizientes Vorans
Seite 100 und 101:
100 4.6 Ansatz 3: Erschließung von
Seite 102 und 103:
Seite 104 und 105:
Seite 106 und 107:
Seite 108 und 109:
108 4.7 Szenarien für den Einsatz
Seite 110 und 111:
Seite 112 und 113:
Seite 114 und 115:
Seite 116 und 117:
Seite 118 und 119:
118 4.8 Diskussion der vorgestellte
Seite 120 und 121:
120 4.8 Diskussion der vorgestellte
Seite 122 und 123:
122 ε ε Gewichtung Abbildung 5.1:
Seite 124 und 125:
124 dadurch gegebene Sichtbehinderu
Seite 126 und 127:
126 Abbildung 5.2: Vier Experimente
Seite 128 und 129:
128 zu projizieren, was dann erlaub
Seite 130 und 131:
130 Orientierungsabweichungen ersch
Seite 132 und 133:
132 [DeSouza & Kak 2002] G. N. DeSo
Seite 134 und 135:
134 [Madhavan et al. 2004] R. Madha
Seite 136 und 137:
136 [Sinz 2004] F. H. Sinz (2004):
Seite 138 und 139:
138 Abbildung A.1: Die Bedienungsob
Seite 141:
Anhang B Eidesstattliche Erklärung
Alle anzeigen

Kooperative Bewegungsstrategien für Roboter in unbekannten ...

Sie wollen auch ein ePaper? Erhöhen Sie die Reichweite Ihrer Titel.

Template löschen?

Als Template speichern?