Thesis - RWTH Aachen University
Thesis - RWTH Aachen University
Thesis - RWTH Aachen University
Sie wollen auch ein ePaper? Erhöhen Sie die Reichweite Ihrer Titel.
YUMPU macht aus Druck-PDFs automatisch weboptimierte ePaper, die Google liebt.
106 5.2 Verhaltensauswahl<br />
Dieses Kapitel ist wie folgt organisiert: Zuerst wird der konzeptionelle Aufbau der vermittelnden<br />
Ebene präsentiert und auf die Verhaltensselektion eingegangen. Als nächstes folgt die Implementierung<br />
der Verhaltenskoordinierung und die Darstellung des Trainings in der virtuellen Umgebung. Zum<br />
Schluss werden die Ergebnisse des Trainings und der Einsatz der implementierten Struktur präsentiert<br />
und diskutiert.<br />
5.1 Konzeptueller Aufbau der vermittelnden Ebene<br />
Die realisierte vermittelnde Ebene besteht aus zwei unabhängigen Komponenten, eine für den Manipulator<br />
und eine für die mobile Plattform. Ihre Aufgabe ist, durch geeignete Kombination von Verhalten<br />
eine Vielzahl von möglichen Aktuator-spezifischen Planungsschritten erfolgreich zu lösen.<br />
Der implementierte Ansatz stellt eine Kombination der Arbitration- und Command Fusion-Mechanismen<br />
dar (Abbildung 5.2). Durch die kombinierte Anwendung der beiden Mechanismen macht<br />
sich der hier realisierte Ansatz die Vorteile beider Verfahren zunutze (siehe auch Abschnitte 2.3.1<br />
und 2.3.2). Als ein Arbitration Mechanismus zerlegt er eine von der deliberativen Ebene erhaltenen<br />
Planungsschritt in eine Reihenfolge von Gruppen von parallel auszuführenden Verhalten. Das Problem<br />
besteht dann darin, die Verhaltensgruppen in der richtigen Reihenfolge zu aktivieren. Zu diesem<br />
Zweck werden endliche Zustandsakzeptoren (Finite State Acceptors, FSA) eingesetzt. Die vermittelnde<br />
Ebene wählt entsprechend dem aktuellen Zustand im FSA eine Untermenge der Verhalten zur<br />
Aktivierung aus. Tritt ein vorher definiertes Signal ein, dann findet eine Transition in einen neuen<br />
Zustand statt.<br />
Während der Ausführung einer Gruppe von Verhalten funktioniert die vermittelnde Ebene wie ein<br />
Command Fusion-Mechanismus. Hier findet die eigentliche Koordinierung der bei jedem Zustand Zj<br />
aktivierten Verhalten mit Hilfe von Bayesian Belief Networks (BBN) statt. Anhand der aktuellen Sensorwerte<br />
und der Manipulatorposition werden die Ausgaben der aktiven Verhalten kombiniert. Dies<br />
umfasst die Berechnung der Gewichtungsmatrix G und der Koordinierungsfunktion C (siehe auch<br />
Gleichung 2.16), die die Ausgabe der Verhalten fusioniert und die nächste Bewegung des Roboterarmes<br />
bestimmt. Dieser Vorgang wiederholt sich, sobald neue Sensor- und Positionswerte vorliegen.<br />
Die Phase der Verhaltenskoordinierung wird abgeschlossen, wenn eines der Verhalten seine erfolgreiche<br />
Durchführung oder einen Misserfolg zurückmeldet.<br />
5.2 Verhaltensauswahl<br />
5.2.1 Endliche Zustandsautomaten und endliche Zustandsakzeptoren<br />
Ein endlicher Automat (Finite State Automaton bzw. Finite State Machine, FSM) ist ein mathematisches<br />
Modell eines Systems mit diskreten Ein- und Ausgaben. Er besteht aus einer endlichen Menge<br />
von Zuständen und einer Menge von Übergängen (Transitions), die auf einem Eingang operieren und<br />
einen Zustand in einen anderen überführen. Dabei umfasst der Zustand des Systems die Information,<br />
die sich aus den bisherigen Eingaben ergeben hat und die benötigt wird, um die Reaktion des Systems<br />
auf noch folgende Eingaben zu bestimmen. Abhängig vom aktuellen Zustand verursacht eine Eingabe<br />
die Erzeugung einer bestimmten Ausgabe und einen Übergang des Automaten zu einem neuen<br />
Zustand bzw. zurück in den gleichen Zustand. Dementsprechend wird ein endlicher Automat formal