Thesis - RWTH Aachen University

3.3 Teach-In in virtuellen Umgebungen 63
(a) (b)
Abbildung 3.10: Aufnahme vor (a) und nach (b) Anwendung des SUSAN Noise Filtering Algorithmus
(Ausschnitt).
Zielposition in der Nähe des Objektes führt. Diese Vorgehensweise ist nicht praktikabel anwendbar,
sobald eine große Anzahl von Pfaden vorgezeigt werden muss. Eine bessere Alternative ist,
eine Sequenz von ähnlichen Pfaden, die den Manöverraum des Manipulator decken, anhand einer
erwünschten Form zu generieren (algorithmisches Teach-In). Anderseits kann man auch dem Manipulator
selbst die Exploration seiner Arbeitsumgebung überlassen (stochastisches Teach-In).
Beide Formen des Teach-Ins sind nur in der virtuellen Umgebung möglich, da Explorationsbewegungen
des Manipulators in der realen Welt leicht zu Beschädigungen der Hardware führen können.
Weiterhin lässt sich in der virtuellen Umgebung der Lernvorgang automatisieren, so dass wesentlich
mehr Durchgänge als bei einem realen Training möglich sind. Bei Bedarf besteht sogar die Möglichkeit,
die exakt gleiche Situation, Objekt- und Roboterpositionen zum mehrmaligen Training und zur
Überprüfung des Greifvorgangs herzustellen.
Bei beiden Formen des Teach-Ins handelt es sich um Methoden zur Generierung und Akquisition
der Trainingsdaten für die Steuerungsalgorithmen des Manipulators und nicht um Lernverfahren. Das
algorithmische Teach-In generiert und sammelt die Daten für überwachte Lernmethoden, während
das stochastische Teach-In beim Lernen mit Bewerter zum Einsatz kommt. Deswegen werden in den
nächsten Abschnitten diese beide Methoden zum Lernen kurz erläutert. Anschließend werden die
zwei Formen des Teach-Ins ausführlich vorgestellt.
3.3.1 Überwachtes Lernen
Beim überwachten Lernen (Supervised Learning), auch als Lernen mit Lehrer bekannt, erzeugt ein
Lehrer die Trainingsdaten aus einer Menge von Eingangs-Ausgangs Beispielen der richtigen Handlungsweise
bei einer gegebenen Situation [Kra03b]. Das zu lernende System, auch als Agent bezeichnet,
hat die Aufgabe, aus der Menge der Beispiele eine Abbildung des Eingangsraumes auf den Ausgangsraum
zu realisieren, die konsistent zur Trainingsmenge ist. Bei dieser Trainingsphase erfolgt für
jeden präsentierten Eingangsvektor der Vergleich der Ausgabe des Agenten mit der erwünschten Soll-
Ausgabe. Der Agent wird dann mit Hilfe des Eingangsvektors und des Fehlersignals angepasst; als
Fehlersignal ist hier die Differenz zwischen Ist- und Soll-Ausgabe gemeint (siehe Abbildung 3.11).