Thesis - RWTH Aachen University

schiedliche Greifstrategien für unterschiedliche Objekte definieren und somit ein effizientes Greifen
von Objekten ermöglichen. Ein weiterer Unterschied zu ähnlichen Arbeiten sind die implementierten
Hindernisvermeidungsverhalten, die sowohl den Greifer als auch die Segmente des Manipulators
berücksichtigen. Dabei wird für jedes Verhalten auch eine unterschiedliche Kamerakonfiguration verwendet:
die eye-in-hand Kamera liefert die Daten für die Hindernisvermeidung des Greifers und die
eye-to-hand Kamera der mobilen Plattform akquiriert die Daten für die Hindernisvermeidung der
Manipulatorsegmente. Verhalten, die die Hindernisvermeidung für den Greifer über die eye-in-hand
Kamera implementieren, sind bei anderen Systemen nicht vorhanden. Dabei kann die Greiferkamera
eine größere Genauigkeit der Szene um den Greifer liefern , weist keine Verdeckungen durch Manipulatorsegmente
auf und trägt somit bei der Robustheit der Hindernisvermeidung bei.
Die meisten hybriden Architekturen wenden keine Verhaltenskoordinierung bei einem Manipulator
an; bestenfalls erlauben sie dem Programmierer den Koordinationsmechanismus für den Roboterarm
selbst zu realisieren. In dieser Arbeit wird ein einheitliches Konzept zur Koordination der bildgestützten
Verhalten des Roboterarmes präsentiert und mit einer Pick-and-Place Aufgabe getestet.
Dabei handelt es sich um eine gewichtete Summierung der Verhaltensausgaben anhand des gegenwärtigen
Sensorkontexts, die die situationsabhängige Fusion der Ausgaben reaktiver und planender
Fertigkeiten ermöglicht und den Roboterarm in kritischen Bereichen effektiv vor Kollisionen schützt.
Der Koordinationsmechanismus ist, unterschiedlich zu anderen Verfahren, leicht um neue Verhalten
erweiterbar: Da jedes Verhalten ein eigenes BBN erhält, wird bei der Implementierung eines neuen
Verhaltens lediglich ein neues BBN erzeugt und erlernt. Die BBNs der vorhandenen Verhalten werden
dabei ohne Änderungen übernommen. Auf diese Weise entfällt ein komplettes neues Training bzw.
ein Umstrukturieren der alten Komponenten. Der realisierte Ansatz erfordert auch kein aufwendiges
Experimentieren zum Setzen der Parameter wie in anderen Arbeiten, da diese in einer virtuellen Umgebung
erlernt werden. Im Koordinationsmechanismus ist auch die Unsicherheit der oft verrauschten
Merkmale modelliert und im Gewichtungsprozess berücksichtigt.
Weiterführende Arbeiten könnten sich mit der robusteren Bildverarbeitung, Segmentierung und Erkennung
der Objekte befassen. Dadurch kann der mobile Manipulator mit alltäglich benutzten Gegenständen
ohne künstliche Markierungen in einer realen Umgebung eingesetzt werden. Es empfiehlt
sich außerdem der Einsatz einer Stereokamera auf der Plattform, um mit der existierenden Hindernisvermeidung
der Segmente auch bei bewegten Hindernissen ein Ausweichen des Manipulators zu ermöglichen.
Weiterhin werden zur Zeit die Eingabemerkmale für die reaktive Verhalten noch manuell
bestimmt. Es ist wünschenswert, die Merkmalsauswahl in der virtuellen Umgebung zu automatisieren
und über statistische Kriterien, wie beispielsweise die Mutual Information [WT98], aus allen extrahierten
Merkmalen die ausdruckreichsten für ein Verhalten auszuwählen und zum Training sowie zur
Ansteuerung einzusetzen.
Die realisierten Fertigkeiten begrenzen den Einsatz des mobilen Manipulators nur für Pick-And-Place
Aufgaben. Um weitere Aufgaben ausführen zu können, müssen neue Verhalten in die reaktive Ebene
eingefügt werden. Solche Fertigkeiten könnten unter anderem das Verfolgen eines Objektes mit
der Bordkamera, das Greifen einer Türklinke oder das Betätigen eines Schalters umfassen. In diesem
Rahmen muss man auch die vermittelnde Ebene mit entsprechenden Planungsschritten erweitern. Der
Verhaltenskoordinationsmechanismus kann auch erweitert werden, um die gleichzeitige, eng koordinierte
Bewegung von Plattform und Manipulator bei Transportaufgaben zu ermöglichen. Weiterhin ist
zu untersuchen, inwiefern das Training in der virtuellen Umgebung auch auf das Erlernen der BBN-
Struktur zu erweitern ist. Dadurch kann ein höherer Automatisierungsgrad bei der Implementierung
der vermittelnden Ebene erzielt werden.
147