Datenbestand vom 08. Juli 2020

Warenkorb Datenschutzhinweis Dissertationsdruck Dissertationsverlag Institutsreihen     Preisrechner

aktualisiert am 08. Juli 2020

ISBN 9783843904827

84,00 € inkl. MwSt, zzgl. Versand


978-3-8439-0482-7, Reihe Robotik und Automation

Matthias Hentschel
Langzeitnavigation mobiler Roboter in teilstrukturierten Umgebungen auf Basis eines raum- und zeitvarianten Umgebungsmodells

209 Seiten, Dissertation Universität Hannover (2012), Softcover, A5

Zusammenfassung / Abstract

Für reflexives und zielgerichtetes Verhalten in realen Umgebungen benötigt ein autonomer mobiler Roboter präzises Wissen über seine Umgebung. Hierzu zählen beispielsweise Kenntnis über die im Arbeitsraum enthaltenen Hindernisse, die zur Verfügung stehenden Fahrwege oder die Landmarken, die zur Lokalisation verwendet werden können. Dafür ist es erforderlich, dass der Roboter über seine Sensoren sukzessive Informationen über die Umgebung akquiriert und diese Informationen selbstständig zu Wissen über seine Umwelt verdichtet. Dynamische Veränderungen in der Umgebung stellen dabei eine besondere Herausforderung dar, da dadurch der Wissensstand mit der Zeit seine Gültigkeit verlieren und zu einem fehlerhaften Verhalten des Roboters führen kann. Bestehende Navigationsansätze gehen daher davon aus, dass die Umgebung des Roboters statisch ist. Dadurch kann dem Roboter das Wissen, welches zum autonomen Betrieb benötigt wird, a priori vorgegeben werden. Veränderungen, die im laufenden Betrieb auftreten, wie etwa bewegte Objekte, werden als Störungen der Sensordaten interpretiert und aus den Umgebungsdaten herausgefiltert.

Im Unterschied zu den bestehenden Ansätzen wird in dieser Arbeit eine raum- und zeitvariante Wissensrepräsentation für den Langzeitbetrieb autonomer mobiler Roboter vorgeschlagen, welche die Veränderungen in der Umgebung nicht herausfiltert, sondern integriert. Dazu wird mit dem Konzept des STVM (Abk: Space and Time Variant Model) ein raum- und zeitvariantes Umgebungsmodell vorgestellt und untersucht. In Anlehung an das menschliche Gedächtnismodell besteht das Modell aus drei zentralen Komponenten, dem Sensorischen Gedächtnis, dem Kurzzeitgedächtnis und dem Langzeitgedächtnis. Die vorgeschlagene Umweltrepräsentation ist spatio-temporal und ermöglicht dadurch die Repräsentation heterogener und zeitlich veränderlicher Daten. In jedem Gedächtnis werden die Informationen in Form von räumlich und zeitlich parallelen Ebenen modelliert. Neben dem momentanen Umgebungszustand ist das vorgeschlagene Umgebungsmodell dadurch in der Lage gleichzeitig alte, vergangene Zustände zu repräsentieren und zur Identifikation der Veränderungen zu nutzen.

Das zeitvariante Umgebungsmodell wird schließlich zur Navigation autonomer Fahrzeuge verwendet. Dabei wird das von dem Roboter selbstständig akquirierte Umgebungswissen zur Lokalisation, Bahnplanung sowie zur Fahrzeugsteuerung in zeitlich veränderlichen Umgebungen eingesetzt.