Thesis - RWTH Aachen University

2.8 Abgrenzung von anderen Arbeiten 49
direkt während des Greifvorgangs angewendet. Der implementierte Verhaltenskoordinationsmechanismus
ermöglicht die situationsabhängige Fusion der Verhaltensausgaben und somit eine robuste
Hindernisvermeidung und zugleich ein effizientes objektspezifisches Greifen.
Im Gegensatz zu anderen Ansätzen zur Verhaltenskoordination wird hier keine rein reaktive oder rein
vorausplanende Strategie verfolgt. Stattdessen wird eine Kombination benutzt, so dass die Vorteile
aus beiden Strategien ausgenutzt werden: ein Pfadplanungsverfahren ist als Verhalten eingeführt und
gleicht damit einer Komponente des DAMN Ansatzes [Ros95]. Die vermittelnde Ebene kann dann
den vorab berechneten Pfad des Planungsverhaltens situationsabhängig in die resultierende Aktion
einbeziehen bzw. reaktiv anpassen. Zugleich bewahrt die Ausgabe des Planungsverhaltens den Manipulator
vor Deadlocks und trägt beim Auflösen von Konflikten zwischen den reaktiven Verhalten
bei.
Die virtuelle Umgebung zum Training der bildgestützten Verhalten muss nicht mit der Einsatzumgebung
genau übereinstimmen, wie bei [HLBS96]. Sie ermöglicht das Erlernen der bildgestützten
objektspezifischen Zielführung über das algorithmische Teach-In und der Hindernisvermeidung des
Greifers über das stochastische Teach-In. Das Training des Koordinationsmechanismus der Fertigkeiten
in der virtuellen Umgebung ist auch nicht in anderen Systemen, wie [HLBS96] oder [FSZ00]
vorgesehen. Das algorithmische und das stochastische Teach-In erlauben die Automatisierung des
Trainings von bildgestützten Steuerungsalgorithmen, ohne dabei den Roboter zu gefährden. Weiterhin
ermöglicht der Trainingsvorgang in der virtuellen Umgebung mit mehreren Objektkonstellationen
die situationsabhängige Optimierung der Parameter der eingesetzten Algorithmen und macht ein
langwieriges Experimentieren unnötig.