Thesis - RWTH Aachen University

46 2.7 Ein Konzept zur mobilen Manipulation
fe von Differenzialgleichungen 25 ermittelt. Das System kann dadurch die Ausgaben von mehreren
Verhalten fusionieren. Allerdings ist es mit neuen Verhalten nur bedingt erweiterbar und die Gewichtungsparameter
müssen durch aufwendiges Experimentieren bestimmt werden. Die Architektur
verfügt nicht über eine deliberative Planungsebene, die bei einem mobilen Manipulator notwendig ist,
um komplexe Aufgaben auszuführen. In den vorgestellten Experimenten ist die Hindernisvermeidung
erst nach dem Greifen aktiviert.
2.7 Ein Konzept zur mobilen Manipulation
Das in dieser Arbeit vorgestellte Konzept zur mobilen Manipulation versucht die Defizite von existierenden
Systemen im Bereich der Hindernisvermeidung, der Verhaltenskoordination und dem Erlernen
von Bildgestützten zu vermeiden, um dadurch einen robusten Einsatz in einer teilweise bekannten
Umgebung zu ermöglichen. Zwei Ansätze werden hier verfolgt: einerseits ist eine erweiterte drei-
Ebenen Architektur 26 implementiert, um ein schnelles, situationsabhängiges Verhalten des mobilen
Manipulators zu erlangen (Abbildung 2.24). Anderseits werden die bildgestützten Komponenten der
reaktiven und der vermittelnden Ebene in einer virtuellen Umgebung erlernt und anschließend auf
den mobilen Manipulator übertragen.
Beim Roboterarm beinhaltet die unterste, reaktive Ebene die elementaren Verhalten, die die Kameras
mit dem Manipulator verbinden. Dadurch kann der Roboter sofort auf Änderungen der Umgebung
reagieren und seine Bewegung an die neue Situation anpassen. Die Verhalten setzen die Information
der Roboterkameras ein, um den Manipulator bildgestützt zum Ziel zu führen, das Objekt im Sichtfeld
der Greiferkamera zu halten und den Greifer und die Manipulator-Segmente vor Kollisionen zu
schützen. Sie sind entweder explizit programmiert oder mit neuronalen Netzen erlernt. Im letzteren
Fall werden lokale Approximatoren verwendet 27 , um die Abbildung der gewünschten Änderung der
Bildmerkmale auf entsprechende Roboterbewegungen zu realisieren. In dieser Ebene wird auch ein
Routenplaner als Verhalten eingesetzt, um besonders zu Beginn einer Greifbewegung eine grobe Bewegungsrichtung
vorzugeben und dadurch den Manipulator vor Deadlocks zu bewahren und Konflikte
aufzulösen. Der Routenplaner beschränkt seine Planung auf eine begrenzte Region des Arbeitsraums
um die aktuelle Gelenkstellung des Roboterarms und die Position des Zielobjektes.
Die vermittelnde Ebene implementiert den Verhaltensaktivierungs- und Verhaltenskoordinationsmechanismus.
Die Verhaltensaktivierung wählt nach dem Arbitration-Prinzip mit einem endlichen Zustandsakzeptor
(Finite State Acceptor, FSA) die Gruppen von parallel auszuführenden Fertigkeiten
aus und aktiviert sie. Der Koordinationsmechanismus basiert auf dem Superposition Command
Fusion-Prinzip und ist mit Bayesian Belief Netzwerken (BBN) [Cha91], [Hec95] realisiert, die die
Anwendbarkeit der Verhalten bestimmen und die Ausgaben der aktiven Verhalten zum Roboter miteinander
interpolieren. Der Einsatz der BBN erlaubt das Lernen der Anwendbarkeit der Verhalten in
verschiedenen Situationen, sowie die Modellierung der Fehlerwahrscheinlichkeit bei der Merkmalsextraktion
aus den Bilddaten und erhöht dadurch die Robustheit des Koordinationsmechanismus.
Auf der mobilen Plattform kommt für die reaktive und die vermittelnde Ebene der Ansatz von Pauly
[Pau98] zum Einsatz.
25Der genaue Vorgang bei diesem Ansatz wurde schon in Abschnitt 2.3.2 diskutiert.
26Dabei existieren zwei reaktive und zwei vermittelnde Ebenen - je eine für den Roboterarm und für die mobile Plattform.
27Wie z.B. Radial Basis Function Networks (RBF)[Hay94] für die bildgestützte Zielführung und Neurofuzzy [vA93]
für die Hindernisvermeidung des Greifers.