Thesis - RWTH Aachen University

48 2.8 Abgrenzung von anderen Arbeiten
der Hindernisse und des eingesetzten Serviceroboters. 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). Kollisionsvermeidende Verhalten sowie
der Koordinationsmechanismus setzen zum Training Reinforcement Learning-Techniken [SB98]
ein (stochastisches Teach-In). Die erlernten Algorithmen werden dann auf den realen Serviceroboter
transferiert und eingesetzt. Durch den Einsatz der virtuellen Umgebung ist die Automatisierung des
Trainingvorgangs von bildgestützten Verhalten möglich, ohne die ständige Überwachung des Systems
und ohne Gefährdung der realen Hardware. Besonders das Reinforcement Learning, das unter anderem
in frühen Trainingsphasen Kollisionen mit Hindernissen nicht abfängt, kann problemlos in der
virtuellen Umgebung ablaufen. Zugleich können dieselben Situationen zur Wiederholung des Trainings
oder zur Evaluierung der Ergebnisse reproduziert werden.
2.8 Abgrenzung von anderen Arbeiten
Das vorgestellte Konzept unterscheidet sich in einer Reihe von Aspekten von den in der Literatur beschriebenen
Verfahren. Die bildgestützte Zielführung basiert, ähnlich wie in [BP98], auf einer Struktur
von RBF-Netzen. Sie hat jedoch nicht nur die Aufgabe, die Position des Objektes sondern auch
dessen Orientierung zu bestimmen. Weiterhin berechnet sie einen objektspezifischen Pfad zur Greifposition
am Objekt, was sie von anderen Arbeiten in dem Visual Servoing Bereich unterscheidet.
Dadurch erlaubt sie die Implementierung von unterschiedlichen, objektspezifischen Greifstrategien
und schließlich ein effizientes Greifen und Manipulieren von Objekten.
Unterschiedlich zu den Verfahren in [IBT + 02], in [FSZ00] und in [PRG + 03] berücksichtigt die hier
implementierte Hindernisvermeidung sowohl den Greifer als auch die Segmente des Manipulators.
Dabei werden zwei unterschiedliche Kamerakonfigurationen verwendet: die eye-in-hand Kamera liefert
die Daten für die Hindernisvermeidung des Greifers und die eye-to-hand Kamera der mobilen
Plattform akquiriert die Daten für Hindernisvermeidung der Manipulatorsegmente. Systeme, die in
der Literatur referenziert sind, benutzen nur eine Kamerakonfiguration und zwar die eye-to-hand Kameras
der Plattform. Verhalten, die die Hindernisvermeidung über die Greiferkamera implementieren,
sind bei anderen Systemen nicht vorhanden. Da bei der Greiferkamera keine Verdeckung der Szene
im Bild durch die Manipulatorsegmente vorkommt, ist eine robuste Hindernisvermeidung für den
kompletten Roboterarm möglich.
Bis auf die Ansätze von Wösch et al. [WN01] und Hashimoto [HNI01], wenden hybride Architekturen,
wie z.B. MissionLab [MA99], keine Verhaltenskoordinierung bei einem Manipulator an; bestenfalls
erlauben sie dem Programmierer den Koordinationsmechanismus für den Roboterarm selbst
zu realisieren. In dieser Arbeit wird ein einheitliches Konzept zur Koordination der bildgestützten
Verhalten des Roboterarms präsentiert, erlernt und mit einer pick-and-place Aufgabe evaluiert. Dabei
handelt es sich nicht um eine einfache Interpolation der Verhaltensausgaben, wie in [WN01], sondern
um eine gewichtete Summierung anhand des gegenwärtigen Sensorkontexts, die besonders in
kritischen Bereichen den Roboterarm effektiv vor Kollisionen schützt. Weiterhin ist in den BBNs
die Unsicherheit der oft verrauschten Merkmale modelliert und im Gewichtungsprozess berücksichtigt.
Der Koordinationsmechanismus ist, unterschiedlich zu dem Verfahren in [HNI01], leicht um
neue Verhalten erweiterbar und erfordert kein aufwendiges Experimentieren zum Setzen der Parameter,
die in einer virtuellen Umgebung erlernt werden. Außerdem wird hier die Hindernisvermeidung