Thesis - RWTH Aachen University

Weitere Magazine

Empfehlungen

Info

22 2.2 Reaktive Verhalten für Manipulatoren s ∆s =s a2 a1−sa2 sa1 s a2 E(s)=s −s s s s a2 J Bild−Gelenk JBild−Gelenk (a) ∆q GelenkeErwünscht (b) ∆q Gelenke Abbildung 2.12: Schätzung der Bild-Gelenk Jacobi Matrix JBild−Gelenk. Das Verfahren teilt sich in zwei Phasen auf: nach einer Bewegung wird aus der Änderung der Merkmale und der Gelenkpositionen die Bild-Gelenk Jacobi Matrix JBild−Gelenk neu berechnet (a) und zur Bestimmung der nächsten erwünschten Bewegung der Gelenke ∆�qGelenkeErwünscht verwendet (b).
2.2 Reaktive Verhalten für Manipulatoren 23 Singularitäten zu vermeiden. Dasselbe Ziel hat auch das Verfahren von Buessler et al. [BU97], der die Ansätze zur Schätzung der Jacobi Matrix mit einem Gedächtnis in Form eines hierarchischen, zweischichtigen neuronalen Netzes erweitert. Ansätze zum Lernen des Bild-Motor Modells verwenden neuronale Netze. In diesem Rahmen hat der Einsatz von Back Propagation (BP) Netzen 11 ergeben, dass eine grobe Abbildung schnell zu erreichen ist, eine präzise Abbildung jedoch wegen des globalen Charakters der Netze schwierig ist [Tor00], [BN94]. Deswegen werden in den letzten Jahren lokale Approximatoren verwendet, wie Cereberal Model Articulation Controller (CMAC) [Alb75], Self Organising Maps (SOM) und Radial Basis Function (RBF) Netze [Hay94]. Zum Training wird oft die so genannte Piaget’s Circular Reaction 12 benutzt. Miller [MHGK90] hat als einer der ersten einen Ansatz vorgestellt, der keine BP-Netze verwendet. Es handelt sich um ein adaptives System mit zwei CMAC Netzen in einer eye-in-hand Konfiguration und vier Freiheitsgraden, das ein Objekt auf einem sich bewegenden Band verfolgt. Ziel ist, den Roboterarm so zu bewegen, dass das Objekt im Bild eine bestimmte Trajektorie verfolgt. Der Roboterarm greift jedoch das Objekt nicht. In [CD98] wird ein dem CMAC ähnliches, selbstorganisierendes Netz, der Feature CMAC, präsentiert, um aus einer Aufnahme eines Objektes dessen 2D Lage und Orientierung zu bestimmen. Allerdings geht das Verfahren von einem bekannten, konstanten Abstand zum Objekt am Anfang aus, was es für mobile Manipulatoren ungeeignet macht. Wegen ihrer Topologie-erhaltenden Eigenschaft sind Kohonen Netze, auch als SOM bekannt, geeignet für das Visual Servoing von Manipulatoren. SOMs haben jedoch den Nachteil, dass sie eine lange Trainingsphase beanspruchen [BN94]. Ritter et al. verwenden in [RMS89] 3D-Kohonen Netze für die Steuerung eines simulierten Manipulators mit drei Gelenken und zwei eye-to-hand Kameras. Das SOM Netz erlernt die Transformation der Bildkoordinaten des Zielpunktes auf Gelenkstellungen; da nur drei Gelenke zum Einsatz kommen, wird nur die Position und nicht die Orientierung des Greifers angesteuert. Bei der Lernphase werden die Gewichtungen der aktivierten Neuronen angepasst und die Gelenkposition des Roboterarms sowie eine modifizierte Jacobi Matrix abgespeichert (Abbildung 2.13). Die Topologie-erhaltende Eigenschaft der Kohonen Netze wird während der Ausführung eines Greifvorgangs ausgenutzt, um nicht erlernte Zielpositionen aus den aktivierten Neuronen, die den nächsten erlernten Positionen entsprechen, zu interpolieren. In ähnliche Weise arbeiten auch die Ansätze in [WS93] und [JV94]. Erweiterungen, um die Orientierung des Greifers zu erlernen, basieren auf hierarchischen SOMs, wie in [RMS92], [dAT97] und [HSvdSS94]. Zu dieser Gruppe können auch die Verfahren in [Wal96] und [BG97] zugeordnet werden. All diese Ansätze sind jedoch nur auf eye-to-hand Konfigurationen mit zwei Kameras anwendbar und setzen keine objektspezifische Trajektorien zum Greifen ein. Ausnahme ist das in [SD98] beschriebene System mit zwei stationären und zwei auf dem Greifer montierten Kameras. Die Bewegung wird in eine grobe und eine feine Phase 11 Verfahren, die BP-Netze einsetzen, sind unter anderem in [KvdKG90], [SvdLKG95], [vdS95], [WH99], [ZKS00], [WVT96], [YKD97] und [WS97] vorgestellt. All diese Verfahren, außer in [YKD97] und [WS97], haben einen kleinen Aktionsradius und können nicht für große Regionen um das Objekt eingesetzt werden. Weiterhin kann keiner der erwähnten Ansätze eine objektspezifische Trajektorie zum Ziel ausführen. 12 Piaget’s Circular Reaction ist eine Methode, um Trainingsdaten für den Roboter zu generieren. Dabei wird eine willkürliche Bewegung erzeugt, vom Roboterarm durchgeführt und die entsprechenden Sensordaten werden gemessen. Das System verwendet die Positions- und der Merkmalswerte zu Beginn und am Ende der Bewegung, um ein neuronales Netz mit einem überwachten Lernverfahren anzupassen. Somit exploriert der Roboter seine Arbeitsumgebung selbstständig und lernt, wie er bei einem gegeben Merkmalsvektor eine erwünschten Position erreichen kann. Das Verfahren ist jedoch nicht zum Erlernen der Hindernisvermeidung verwendbar, da es Kollisionen des Roboters mit Objekten in der Umgebung nicht ausschließen kann.
Seite 1: Bildgestütztes Teach-In eines mobi
Seite 4 und 5: ii und der Koordinationsmechanismus
Seite 7 und 8: Inhaltsverzeichnis Abbildungsverzei
Seite 9 und 10: INHALTSVERZEICHNIS vii 5.3 Verhalte
Seite 11 und 12: Abbildungsverzeichnis 1.1 Anwendung
Seite 13 und 14: ABBILDUNGSVERZEICHNIS xi 4.10 Epipo
Seite 15 und 16: ABBILDUNGSVERZEICHNIS xiii C.11 Rad
Seite 17 und 18: Tabellenverzeichnis 2.1 Gemeinsamke
Seite 19 und 20: Kapitel 1 Einleitung In der industr
Seite 21 und 22: 1.2 Mobile Manipulation mit Hindern
Seite 23 und 24: 1.2 Mobile Manipulation mit Hindern
Seite 25 und 26: 1.3 Gliederung der Arbeit 7 Grund d
Seite 27 und 28: Kapitel 2 Einführung in die mobile
Seite 29 und 30: 2.1 Allgemeine Systemarchitekturen
Seite 31 und 32: 2.2 Reaktive Verhalten für Manipul
Seite 39: 2.2 Reaktive Verhalten für Manipul
Seite 47 und 48: 2.3 Verfahren zur Koordination reak
Seite 53 und 54: 2.4 Planung 35 die Welt, die aus ei
Seite 55 und 56: 2.4 Planung 37 liche Zustand nicht
Seite 57 und 58: 2.4 Planung 39 eine Suche im Graphe
Seite 59 und 60: 2.5 Virtuelle Realität und Robotik
Seite 61 und 62: 2.6 Spezielle Systemarchitekturen f
Seite 63 und 64: 2.6 Spezielle Systemarchitekturen f
Seite 65 und 66: 2.7 Ein Konzept zur mobilen Manipul
Seite 67 und 68: 2.8 Abgrenzung von anderen Arbeiten
Seite 69 und 70: Kapitel 3 Eine virtuelle Umgebung z
Seite 71 und 72: 3.2 Abgleich der Daten virtueller u
Seite 81 und 82: 3.3 Teach-In in virtuellen Umgebung
Seite 91 und 92:
Kapitel 4 Bildgestützte reaktive V
Seite 93 und 94:
4.1 Bildgestützte Zielführung 75
Seite 95 und 96:
Seite 97 und 98:
Seite 99 und 100:
Seite 101 und 102:
4.2 Hindernisvermeidung 83 Steuerun
Seite 103 und 104:
4.2 Hindernisvermeidung 85 PSfrag r
Seite 105 und 106:
4.2 Hindernisvermeidung 87 Stochast
Seite 107 und 108:
4.2 Hindernisvermeidung 89 Fünfte
Seite 109 und 110:
4.2 Hindernisvermeidung 91 H 1 ρ
Seite 111 und 112:
4.2 Hindernisvermeidung 93 Ist der
Seite 113 und 114:
4.2 Hindernisvermeidung 95 Aus der
Seite 115 und 116:
4.2 Hindernisvermeidung 97 Nach der
Seite 117 und 118:
4.3 Pfadplanung im lokalen Manipula
Seite 119 und 120:
Seite 121 und 122:
Seite 123 und 124:
Kapitel 5 Verhaltensauswahl und Ver
Seite 125 und 126:
5.2 Verhaltensauswahl 107 Rückmeld
Seite 127 und 128:
5.2 Verhaltensauswahl 109 5.2.2 Abl
Seite 129 und 130:
5.3 Verhaltenskoordination 111 Verh
Seite 131 und 132:
5.3 Verhaltenskoordination 113 Nach
Seite 133 und 134:
5.3 Verhaltenskoordination 115 5.3.
Seite 135 und 136:
PSfrag replacements 5.3 Verhaltensk
Seite 137 und 138:
5.4 Erlernen der Verhaltenskoordina
Seite 139 und 140:
5.5 Resultate des Trainings 121 Nac
Seite 141 und 142:
5.6 Ergebnisse der Verhaltenskoordi
Seite 143 und 144:
5.7 Bewertung und Einordnung des im
Seite 145 und 146:
5.7 Bewertung und Einordnung des im
Seite 147 und 148:
Kapitel 6 Aufgabenplanung Die vermi
Seite 149 und 150:
6.2 High-Level Planer 131 einen Pla
Seite 151 und 152:
6.4 Weltdatenbank 133 der Erfolgsme
Seite 153 und 154:
6.5 Geometrische Planung 135 Root =
Seite 155 und 156:
6.5 Geometrische Planung 137 (a) (b
Seite 157 und 158:
6.6 ComControl 139 ja nein nein nei
Seite 159 und 160:
6.7 Ausführung des Testszenarios 1
Seite 161 und 162:
6.7 Ausführung des Testszenarios 1
Seite 163 und 164:
Kapitel 7 Zusammenfassung und Ausbl
Seite 165 und 166:
schiedliche Greifstrategien für un
Seite 167 und 168:
Literaturverzeichnis [ABD + 98a] N.
Seite 169 und 170:
LITERATURVERZEICHNIS 151 [BAHK95] B
Seite 171 und 172:
LITERATURVERZEICHNIS 153 [BRS99] R.
Seite 173 und 174:
LITERATURVERZEICHNIS 155 [DH55] J.
Seite 175 und 176:
LITERATURVERZEICHNIS 157 [GKG96] R.
Seite 177 und 178:
LITERATURVERZEICHNIS 159 [HOB + 04]
Seite 179 und 180:
LITERATURVERZEICHNIS 161 [KL94a] L.
Seite 181 und 182:
LITERATURVERZEICHNIS 163 [MCB00] E.
Seite 183 und 184:
LITERATURVERZEICHNIS 165 [PRG + 03]
Seite 185 und 186:
LITERATURVERZEICHNIS 167 [SD98] L.
Seite 187 und 188:
LITERATURVERZEICHNIS 169 [Tsa87] R.
Seite 189 und 190:
LITERATURVERZEICHNIS 171 [YYW03] Ca
Seite 191 und 192:
Anhang A Symbolverzeichnis Allgemei
Seite 193 und 194:
Symbol Bedeutung Ij Interner Zustan
Seite 195 und 196:
Anhang B Mobiler Service Roboter TA
Seite 197 und 198:
B.3 Kalibrierung der Roboterkameras
Seite 199 und 200:
Anhang C Theoretische Grundlagen C.
Seite 201 und 202:
C.1 Theoretische Grundlagen der Man
Seite 203 und 204:
Seite 205 und 206:
Seite 207 und 208:
Seite 209 und 210:
Seite 211 und 212:
Seite 213 und 214:
Seite 215 und 216:
C.2 Epipolare Geometrie 197 und αl
Seite 217 und 218:
C.3 Radial Basis Function Netze 199
Seite 219 und 220:
C.3 Radial Basis Function Netze 201
Seite 221 und 222:
C.4 Fuzzy Logik 203 gemessene Einga
Seite 223 und 224:
C.5 Neurofuzzy 205 Maximum einer Zu
Seite 225 und 226:
C.6 Temporal Differencing Verfahren
Seite 227 und 228:
C.7 Bayesian Belief Networks 209 Di
Seite 229 und 230:
C.7 Bayesian Belief Networks 211 Im
Seite 231 und 232:
Anhang D Implementierungsdaten der
Seite 233 und 234:
D.2 Steuerungskomponente der Hinder
Seite 235 und 236:
Seite 237 und 238:
Seite 239 und 240:
Seite 241 und 242:
Anhang E FSAs und BBNs der vermitte
Seite 243 und 244:
E.2 Realisierte Bayesian Belief Net
Seite 245 und 246:
Seite 247 und 248:
Seite 249 und 250:
Anhang F Deliberative Ebene F.1 S-G
Seite 251 und 252:
F.1 S-GOLOG Programm für das Tests
Seite 253:
F.2 Weltdatenbank für das Testszen
Alle anzeigen

Thesis - RWTH Aachen University

Erfolgreiche ePaper selbst erstellen

Template löschen?

Als Template speichern?