Thesis - RWTH Aachen University

5.3 Verhaltenskoordination 111
Verhalten in Abhängigkeit des aktuellen Sensorkontexts zu errechnen oder ihre Struktur durch Lernalgorithmen
an eine gestellte Aufgabe anzupassen. Im Gegensatz dazu bieten BBNs, die im nächsten
Abschnitt beschrieben werden, die Möglichkeit, mit Hilfe von aktuellen Sensorwerten die Anwendbarkeit
eines Verhaltens zu bewerten und durch Training zu erlernen.
5.3 Verhaltenskoordination
Nach Auswahl und Aktivierung der Verhalten sind deren Ausgaben nach dem Command Fusion-
Prinzip zu koordinieren. Hierzu ist die Berechnung der Gewichtungsmatrix G (Gleichung 2.16) notwendig.
G beschreibt, mit welchem Anteil eine Fertigkeit an der Bewegung des Roboters beteiligt
ist. Dies entspricht der Bestimmung der so genannten Anwendbarkeit der Verhalten in einer Situation.
Zu ihrer Berechnung werden in dieser Arbeit Bayesian Belief Networks (BBN) eingesetzt [Cha91].
BBNs sind zur Realisierung des Koordinationsmechanismus ausgewählt worden, da sie leicht um
neue Knoten ergänzt werden können. Wird der Merkmalsvektor um ein zusätzliches Element, eine
zusätzliche Beobachtung oder sogar einen neuen Sensor erweitert, kann einem bestehenden BBN ein
entsprechender Knoten hinzugefügt werden. Die bisherige Struktur bleibt dabei unverändert bestehen.
Desweiteren existieren für BBNs lernfähige Algorithmen. Sie erlauben es, die Anwendbarkeit eines
Verhaltens in einer bestimmten Situation durch Erfahrung zu erlernen und nicht manuell zu bestimmen.
möglich, insbesondere wenn mehrere erlernte Roboterfertigkeiten koordiniert werden müssen.
BBNs erlauben unterschiedlich zu anderen Verfahren die robuste Ermittlung von Entscheidungen,
auch wenn nicht alle Elemente des Merkmalsvektors vorhanden sind. In einem solchen Fall kann der
Wert des betroffenen Knotens nicht angegeben werden. Dafür kommt an dessen Stelle im BBN bei
der Inferenz eine a priori Wahrscheinlichkeit zum Einsatz.
In den nächsten Abschnitten wird zuerst kurz auf die theoretischen Grundlagen von BBNs und auf die
Besonderheiten bei ihrem Entwurf für die Verhaltenskoordinierung eingegangen. Als Beispiel wird
das BBN der Kollisionsvermeidung des Greifers vorgestellt und erläutert 5 . Anschließend wird der
eigentliche Ablauf der Verhaltenskoordination präsentiert.
5.3.1 Bayesian Belief Networks
Ein Bayesian Belief Network (BBN) ist ein gerichteter azyklischer Graph (Directed Acyclic Graph -
DAG), der die Verbundwahrscheinlichkeit eines Ereignisses, das von mehreren Zufallsvariablen abhängt,
effizient repräsentiert [Cha91]. Bestandteile eines BBN sind Knoten, die Zufallsvariablen darstellen,
und gerichtete Kanten, die Abhängigkeiten zwischen den Knoten modellieren. Die Zufallsvariablen
können sowohl unendlich viele Werte mit einer kontinuierlichen Wahrscheinlichkeitsverteilung
oder eine endliche Anzahl von Zuständen mit einer diskreten Wahrscheinlichkeitsverteilung
annehmen. Häufig wird auch der Sonderfall eines boolschen Knotens mit zwei diskreten Zuständen
verwendet.
Eine Zufallsvariable hängt von den Zuständen ihrer Vorgängerknoten im Graphen ab. Besitzt sie keinen
Vorgänger, ist sie stochastisch unabhängig. Die zugehörige bedingte Wahrscheinlichkeitsverteilung
wird im kontinuierlichen Fall als Funktion und im diskreten in der so genannten Conditional
Probability Table (cpt) angegeben. Diese enthält für jede mögliche Kombination der Zustände der
5 Die BBNs der restlichen Verhalten werden in Anhang E präsentiert.