Thesis - RWTH Aachen University

32 2.3 Verfahren zur Koordination reaktiver Verhalten
Command Fusion−Mechanismus
Verhalten 1
Verhalten 2
Verhalten n
Abbildung 2.19: Ansatz der Command Fusion-Mechanismen
Context of Applicability assoziiert, das den Grad der Anwendbarkeit in einer bestimmten Situation
vorgibt. Dieses Vorgehen entspricht einer gewichteten Koordinierung und damit der Bestimmung der
Matrix G. Alternativ schlägt Bonarini [BILM03] vor, die Voraussetzung für die Aktivierungen von
Verhalten und die Ziele von jedem Verhalten in zwei Regelsätzen darzustellen. Aus der Regelbasis der
Voraussetzung werden diejenigen Verhalten aktiviert, deren Zugehörigkeitswert über einem Schwellenwert
liegt. Ihre Ausgaben werden entsprechend der Regelbasis der Ziele gewichtet und interpoliert.
Ähnliche Ansätze sind in [Has96], [PM99] und [ZK99] präsentiert.
Neben der beschriebenen statischen Festlegung von Regeln sollte ein intelligenter Agent in der Lage
sein, die Verhaltensselektion und -fusion zu erlernen. Eine Möglichkeit dies zu tun ist der Übergang zu
so genannten Neurofuzzy Systemen [vA93], [NODP01]. Durch Rückführung des Fehlers zwischen
Ist- und Sollausgabe während der Trainigsphase wird die Anpassung der Gewichte der Neuronen
und dadurch die Anpassung der Parameter des Fuzzy Logik Systems ermöglicht. Eine Alternative zu
Neurofuzzy bieten genetische Algorithmen, wie in [TLJ97].
Die Verhaltenskoordinierung mit Hilfe von Fuzzy-Regeln erlaubt es, mehrere Zielsetzungen zugleich
zu verfolgen. Für die gewünschte Bewegung brauchen die Verhalten keinen exakten Wert anzugeben,
sondern können einen unscharfen Bereich vorschlagen und so dem Verhaltensselektor mehr Freiheit
bei der Koordinierung geben. Jedoch können bei der Defuzzifizierung unerwünschte Effekte auftreten.
Da das Training auf Basis von neuronalen Netzen erfolgt, ist es nicht möglich, ein trainiertes Netz
nachträglich zu erweitern, ohne es neu zu trainieren. Deshalb hat bisher kein Fuzzy-based Ansatz
Anwendung auf einem mobilen Manipulator gefunden.
Voting-based Ansätze
Bei Voting-based Ansätzen gibt jedes Verhalten, abhängig vom Zustand der Umgebung und dem Ziel
des Gesamtsystems, eine Stimme zugunsten einer Aktion aus der Gesamtmenge der möglichen Aktionen
ab. Die verteilten Stimmen werden als Gewichte zur Interpolation benutzt, um die auszuführende
Aktion zu berechnen. In diesem Rahmen setzen Peterson und Kragic [PAKC00], [KC00], [KPC02]
einen Voting-Mechanismus zum Verfolgen von Bildmerkmalen ein und Zalama et al. [ZGPP02] präsentiert
eine Architektur mit mehreren Kohonen Netzen zum Erlernen der Verhaltenskoordination.
Ein charakteristisches Beispiel eines Voting-based Mechanismus ist die Distributed Architecture for
Mobile Navigation (DAMN) [Ros95]. Hier weist der so genannte Mode Manager jedem Verhalten eine
Priorität zu, die von der Gesamtsituation und dem übergeordneten Ziel abhängt. Der Voter sammelt
+