Thesis - RWTH Aachen University

E.2 Realisierte Bayesian Belief Networks 227
Zustand Aktive Verhalten
Suche_Objekt Objektsuche mit der Bordkamera
Lokalisiere_Objekt 3D-Objektlokalisierung mit der Bordkamera
Erreiche_Objekt_1 Zielführung
Kollisionsvermeidung Greifer
Kollisionsvermeidung Segmente
Planungsverhalten
Zielfolgen
Erreiche_Objekt_2 Zielführung
Kollisionsvermeidung Greifer
Planungsverhalten
Zielfolgen
Erreiche_Objekt_3 Zielführung
Planungsverhalten
Zielfolgen
Erreiche_Objekt_4 Planungsverhalten
Erreiche_Objekt_5 Zielführung
Bewege_Arm_1 Planungsverhalten
Bewege_Arm_2 Planungsverhalten
Hindernisvermeidung der Segmente
Rückführung Zurückführendes Verhalten
Schließe_Greifer Greifer schließen
Öffne_Greifer Greifer öffnen
Tabelle E.2: Aktive Verhalten für die Zustände der FSAs der implementierten Planungsschritte.
kleinste Winkel zwischen dem Vektor, der vom Greifer aus in Richtung des Zieles zeigt, und
dem Vektor, der vom Greifer aus in Richtung eines Hindernisses zeigt, bestimmt. Je größer der
Winkel, desto höher die Wahrscheinlichkeit, das Objekt vollständig zu sehen.
t: Ein Zähler, der die Zeit ab Beginn des Greifvorgangs misst.
Jedes BBN erhält eine entsprechende Untermenge dieser Merkmale, die in einem Merkmalsvektor �s ′ i
zusammengefasst ist. Im Allgemeinen verwenden Verhalten und entsprechende BBNs nicht dieselben
Merkmale, also �si �= �s ′ i , da sie unterschiedliche Aufgaben zu bewältigen haben: ein Verhalten
muss den Aktuator regeln bzw. führen, während das BBN entscheiden muss, zu welchem Anteil ein
Verhaltens bei der Gesamtbewegung beitragen soll.
E.2.2 Topologie der BBNs der weiteren Verhalten
In den folgenden Abbildungen (E.6 bis E.9) werden die implementierten BBNs der gleichzeitig angewendeten
Verhalten dargestellt (siehe auch Tabelle E.2). Tabellen E.3 bis E.6 beinhalten die Beschreibung
der Knoten und der Diskretisierungsintervalle der entsprechenden BBNs.