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.
1.3 Gliederung der Arbeit 7<br />
Grund dafür ist, dass der Trainingsvorgang in der realen Welt aufwändig ist. Er erfordert einen präzisen<br />
Aufbau zur Akquisition der Trainingsdaten und ständige Überwachung. Besonders zu Beginn<br />
des Trainings sind Kollisionen mit Objekten im Arbeitsbereich nicht auszuschließen und können die<br />
Hardware beschädigen. Durch die Verwendung der virtuellen Umgebung ist dagegen die Automatisierung<br />
des Trainingvorgangs von bildgestützten Verhalten möglich, ohne die ständige Überwachung des<br />
Systems und ohne die Hardware zu gefährden. Als Trainingsdaten dienen Aufnahmen aus virtuellen<br />
Kameras und Positionsdaten des Manipulators. Für das Lernen von zielführenden Verhalten werden<br />
objektspezifische Pfade anhand einer Vorgabe automatisch generiert und entlang der Pfade die Trainingsdaten<br />
gesammelt (algorithmisches Teach-In). Beim stochastischen Teach-In dagegen erforscht<br />
der Roboterarm seinen Einsatzraum ohne eine Vorgabe. Dieses Verfahren basiert auf Reinforcement<br />
Learning-Techniken [SB98] und kommt beim Training der kollisionsvermeidenden Verhalten sowie<br />
des Koordinationsmechanismus zum Einsatz. Die erlernten Algorithmen werden anschließend auf<br />
den realen Serviceroboter transferiert und eingesetzt (siehe auch Abbildung 1.1).<br />
1.3 Gliederung der Arbeit<br />
In Kapitel 2 wird der aktuelle Stand der Technik präsentiert und ähnliche Ansätze in der Literatur vorgestellt.<br />
Anschließend findet die Präsentation des Gesamtkonzeptes und der realisierten Architektur<br />
sowie eine Abgrenzung von bestehenden Systemen statt.<br />
Das dritte Kapitel behandelt die virtuelle Umgebung, die als Trainings- und Simulationsumgebung<br />
des mobilen Manipulators dient. Hier werden insbesondere die benötigten Bildverarbeitungsschritte<br />
zum Abgleich der Aufnahmen aus realen Kameras mit Bildern virtueller Kameras diskutiert. Zum<br />
Anschluss stellt das Kapitel das algorithmische und das stochastische Teach-In in der virtuellen Umgebung<br />
vor.<br />
Die reaktive Ebene und die realisierten, bildgestützten Verhalten erläutert Kapitel 4. Dabei wird die<br />
Struktur der Fertigkeiten und das Training in der virtuellen Umgebung vorgestellt und Ergebnisse des<br />
Einsatzes in der virtuellen und in der realen Umgebung präsentiert. In diesem Kapitel wird auch ein<br />
so genanntes planendes Verhalten beschrieben, dessen Ausgabe als grobe Vorgabe zu Beginn einer<br />
Greifbewegung dient.<br />
Kapitel 5 befasst sich mit der vermittelnden Ebene. Es stellt die implementierte Verhaltensauswahl<br />
und das Konzept der Verhaltenskoordinierung vor. Insbesondere wird auf die Topologie und Eigenschaften<br />
des Koordinationsmechanismus eingegangen und die Möglichkeiten zum Training in der<br />
virtuellen Umgebung werden untersucht. Ergebnisse des Trainings und des späteren Einsatzes des erlernten<br />
Koordinationsmechanismus auf dem realen Roboter werden am Ende des Kapitels vorgestellt.<br />
Gegenstand vom sechsten Kapitel ist die deliberative Ebene. Die Aufteilung der Aufgabenplanung<br />
und deren Durchführung von einem reaktiven und einem symbolischen Planer wird erläutert und untersucht.<br />
Zusätzlich wird der Ansatz zur Pfadplanung für die mobile Plattform vorgestellt. In Kapitel<br />
7 folgt die Zusammenfassung der Arbeit und ein Ausblick auf mögliche Erweiterungen.