Thesis - RWTH Aachen University

146 KAPITEL 7. ZUSAMMENFASSUNG UND AUSBLICK
Diese bestimmen die Anwendbarkeit der Verhalten in einer Situation und ermöglichen die gewichtete
Interpolation der Ausgaben der aktiven Verhalten zum Roboter. Der Einsatz der BBN erlaubt
das Lernen der Anwendbarkeit der Verhalten in verschiedenen Situationen, sowie die Modellierung
der Fehlerwahrscheinlichkeit bei der Merkmalsextraktion aus den Bilddaten und erhöht dadurch die
Robustheit des Koordinationsmechanismus.
Die mobile Plattform und der Manipulator werden über die deliberative Ebene koordiniert. Diese
zerlegt eine Aufgabe in eine Reihenfolge von Planungsschritten für den Manipulator und die mobile
Plattform. Hier arbeitet der High-Level Planner (HLP) strategische Pläne aus und setzt Zwischenziele
für den mobilen Manipulator. Ein schnelles reaktives Planungssystem, der Low-Level Planner (LLP),
zerlegt die Zwischenziele in vordefinierten Sequenzen von Planungsschritten. Der LLP umfasst auch
einen probabilistischen Routenplaner, der mögliche Pfade für die mobile Plattform zum Lösen einer
Aufgabe berechnet. Zu der deliberativen Ebene gehört zusätzlich ein Weltmodell mit einer geometrischen
Karte für die Routenplanung und einer topologischen Darstellung der Umgebung für den HLP.
Diese Aufteilung der deliberativen Ebene in den HLP und den LLP ermöglicht einerseits eine zielstrebige,
globale Planung, die auch für komplexe Aufgaben Lösungen finden kann, und andererseits
eine schnelle lokale Anpassung der existierenden Pläne auf der gegenwärtigen Umgebungssituation.
Ein weiterer Kernpunkt dieser Arbeit ist das Erlernen der gewünschten, bildgestützten Steuerungsalgorithmen
des Roboterarmes anhand von Aufnahmen virtueller Kameras in einer virtuellen Umgebung
mit einem Modell des realen Roboters. Nach der Trainings- und Evaluierungsphase findet ein
Transfer der erlernten Algorithmen auf den realen Roboter statt und das System wird in der realen
Umgebung eingesetzt. Dieser lernbasierte Ansatz bietet den Vorteil, dass er die Integration von Wissen,
hier die bildgestützte Steuerung des Roboterarms, vereinfacht. Zugleich ermöglicht er die leichte
Anpassung das Gesamtsystem an wechselnde Umweltbedingungen und Aufgaben ohne die Hardware
zu gefährden. Zwei Verfahren wurden für die Automatisierung des Trainings in der virtuellen Umgebung
vorgeschlagen. Für das Lernen von zielführenden Verhalten wurden objektspezifische Pfade
anhand einer Vorgabe automatisch generiert und entlang der Pfade die Trainingsdaten gesammelt
(algorithmisches Teach-In). Kollisionsvermeidende Verhalten sowie der Koordinationsmechanismus
setzten zum Training Reinforcement Learning-Techniken ein (stochastisches Teach-In).
Mit dieser Arbeit ist ein System zur mobilen Manipulation in einer teilweise bekannten Umgebung
unter Berücksichtigung von Hindernissen entstanden und innerhalb eines Pick-and-Place Szenarios
erfolgreich getestet worden. Die realisierte drei-Ebenen Architektur ermöglicht den robusten parallelen
Einsatz zielführender und kollisionsvermeidender Verhalten und die Kombination reaktiver und
planender Fertigkeiten; bisher wurde bei existierenden mobilen Manipulatoren nur die sequentielle
Ausführung der Komponenten der reaktiven Ebene implementiert. Dadurch macht sich das System
die Vorteile sowohl der Arbitration- als auch der Command Fusion-Mechanismen zunutze. Weiterhin
wurde der erfolgreiche Einsatz virtueller Umgebungen zum Teach-In der reaktiven, bildgestützten
Verhalten sowie des Koordinationsmechanismus untersucht. Im Rahmen dieser Untersuchung wurden
auch die erforderlichen Bildverarbeitungsschritte zum Abgleich der Daten der realen und der
virtuellen Kameras festgelegt. Das Training in der virtuellen Umgebung mit dem algorithmischen
und stochastischen Teach-In erlaubt dabei das effiziente Erlernen der Verhalten ohne die Hardware
zu gefährden. Ein weiteres Novum dieser Arbeit ist das Training des Koordinationsmechanismus der
Fertigkeiten, das mit dem stochastischen Teach-In in der virtuellen Umgebung stattfindet und das
nicht in anderen Systemen vorgesehen ist.
In der reaktiven Ebene hat die bildgestützte Zielführung die Aufgabe, den Manipulator entlang eines
objektspezifischen Pfades zur Greifposition am Objekt zu führen. Dadurch kann man einfach unter-