Thesis - RWTH Aachen University

4.1 Bildgestützte Zielführung 77
⎛
�sP = ⎝
areaside2
areaside1
, areaside3
areaside1
, areaside3
areaside2
, areaside4
areaside1 ,
�cog1 − cog2�, �cog1 − cog3�, �cog2 − cog3�,
�cog1 − cog4�, �cog2 − cog4�, �cog3 − cog4�
wobei der Index 4 der in Abbildung 4.3b verdeckten Seite des Griffes entspricht.
z FG
θ
2
θ 1
x
FG
z
G1
x
G1
z
G2
x
G2
⎞
⎠ (4.2)
Abbildung 4.4: Die Auswahl des nächsten Pfades (fett gestrichelte Linie) kann über den relativen
Winkel der aktuellen Aufnahmeposition zur Zielposition eindeutig bestimmt werden, da zu jeder
Aufnahmeposition ein einziger Winkel θ entspricht.
4.1.2 Die Steuerungskomponente der Zielführung
Beide Ebenen sind mit Radial Basis Function (RBF) Netzen realisiert, um das Verhalten erlernen zu
können. RBF-Netze wurden ausgewählt, weil sie schnell zu trainieren sind und ein Sicherheitsmaß
ihrer Klassifikation des Eingangsmerkmalvektors bezüglich der trainierten Merkmalsvektorgruppen
erzeugen; je näher die aktuelle Aufnahmeposition zu einem Pfad ist, desto größer wird der Sicherheitsmaß
der Klassifikation der Aufnahme zu der Klasse des entsprechenden Pfades. Diese Sicherheitsmaße,
die vom RBF in einem Ausgabevektor zusammengefasst werden, sind auch ein Maß für
den relativen Abstand der aktuellen Position zu den Pfaden und können als die Gewichtungen für die
Interpolation der nächsten Pfade verwendet werden. Weiterhin sind RBF-Netze lokale Approximatoren
und erzeugen somit keine Klassifizierung für Aufnahmen, die außerhalb der trainierten Region
akquiriert wurden 6 .
6 Eine alternative Möglichkeit wäre der Einsatz von SOM Netzwerken, die auch lokale Approximatoren sind und eine
Gewichtung anhand der aktivierten Neuronen der Ausgabeschicht liefern können. Jedoch haben SOMs gegenüber RBF-
Netzen den Nachteil, dass sie weit längere Trainingszeiten erfordern.