Thesis - RWTH Aachen University

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