Kognitive Robotik

Aus II-Wiki
Version vom 23. Juli 2009, 10:42 Uhr von Sonne (Diskussion | Beiträge) (Überschriften angepasst)
Wechseln zu: Navigation, Suche

<hiddenlogin linktext="Passwort für Vorlesungsunterlagen">User: nistudss08 Pwd: n!-SS08</hiddenlogin>

Einführung

  • In der Robotik gibt es zur Zeit drei wesentliche Paradigmen
    • hierarchisches Paradigma (Sens -> Plan -> Act)
    • reaktives Paradigma (Sens -> Act )
    • hybrid deliberativ /reaktiv
         Plan
           ↑
           ↓
   Sens ←----→ Act

Aktuatorik

  • Antrieb
    • Differential Dirve
    • Synchron Drive
    • Tricycle Drive
  • Manipulatoren
    • Greifer
    • Mehrgelenkarme
  • Artikulation
    • Display
    • Gesicht &Sprache

Differential Drive

  • einfache mechanische Konstruktion
  • keine Trennung zwischen Antrieb und Lenkung
  • Odometrie einfach zu berechnen aber recht ungenau
  • Empfindlich gegenüber Unebenheiten im Boden
  • Drehung auf der Stelle möglich
  o   O   o
      |
      |
  o   O   o ← Castorräder
      ↑
    Antriebsränder

Tricycle Drive

  • einfache mechanische Konstruktion
  • im einfachen Fall wird nur ein Rad angetrieben und gelenkt
  • keine Drehung auf der Stelle möglich (Schleppkurve muss berücksichtigt werden)
  • immer stabiler Bodenkontakt

      O ← angetriebenes lenkbares Rad
      |
  O ----- O ← Passivräder

Synchro Drive

  • mechanische Konstruktion aufwändiger
  • Drehung auf der Stelle sowie Bewegung in beliebige Richtung ohne Drehung der Antriebsplatform möglich
  • stabiler Bodenkontakt weitestgehend gegeben
  • gute odometrische Eigenschaften da alle Räder stets die gleiche Rotationsrichtung aufweisen (minimiert Schlupf)

   O ---- O ← drehbare Antriebsränder
   |      |
   |      |
   O ---- O


Artikulation

  • führen von Dialogen mit Personen
  • übermitteln von Statusinformationen
  • kritische oder mehrdeutige Situtationen auflösen
  • Siehe MMK

Sensorik

  • interne
    • Kreisel
    • Inkrementalgeber
    • Gyroskop
  • externe
    • berührungslose
      • akustische
        • Ultraschall
        • Mikrofone
      • optische
        • Laserscanner
        • Kammeras
      • sonstige
        • GRPS
        • Radar
    • taktile
      • Bumper
      • Kontaktleisten
  • Sensorelemente
    • emittierendes Element
      • Umwandlung eines Elektrischen Signals in ein zur Erfassung der Messgröße benötigtes nicht elektrisches Signal
    • sensitives Element
      • Umwandlung von einem nicht elektrischen Messsignal in ein elektrisches Signal
    • Duplexelement
      • Ein Element welches als emittierendes oder sensitives Element arbeitet
  • Sensor
    • aktiv
      • besteht aus mindestens einem sensitiven und einem emittierenden Element oder einem Duplexelement sowie einer Einrichtung zur Signalanpassung
    • passiv
      • besteht aus mindesten einem sensitiven Element und einer Signalanpassungeinrichtung

Ultraschallsensoren

  • aktiver Sensor
  • Messen der Laufzeit von Schallwellen zur Bestimmung von Entfernungen (TOF - Sensor (Time of Flight Sensor))
  • sehr Preiswert
  • Messbare Entfernung 100mm - 5 m
  • Auflösung 3 cm
  • Grundprinzip:

Empfänger         \          ___
 /|       \        \       /     \
| |   )    |        |     |       | Hindernis
 \|       /         |      \ ___ /
Sender             /
   |              /       |
   |←--------------------→|
      gemessene Entfernung
  • Schalldruck nimmt mit dem Quadrat der Entfernung ab
  • abhängig von Matrialeigenschaften
    • keine Absorption → Totalreflexion (metallische Oberflächen)
    • totale Absorption → keine Reflexion (Stoffe, Dämmwolle)
    • Oberflächenkrümmung bestimmt Richtung der Reflexion → Scheinobjekte durch Spiegelung

Lasersensor

  • Misst Laufzeit von Lichtwellen => TOF- Sensor
  • Lasersensoren verhältnismäßig teuer
  • Messbare Entfernung 100mm - 100 m
  • Auflösung: 1 cm
  • 2D als auch 3D (noch teuerer als 2D und noch nicht sehr verbreitet) Erfassung der Umwelt möglich
  • Nur Spiegle und Glasscheiben sind Problematische Materialien

Kammerasysteme

  • monokulare System
  • Stereokammerasysteme
  • monokulare omnidirektionale Systeme
  • liefern mit Abstand reichhaltigste informationen
  • erfordern sehr hohen Berechnungsaufwand
  • Stereokameras vor allem für Entfernungsinformationen
    • geht auch monokular bei Bewegung des Roboters
  • Omnidirektionale Systeme zur Erfassung der gesamten Umgebung
    • Momentan noch recht geringe Auflösung
  • Siehe Robotvision

Navigation

  • Problemstellung
    • Wo befindet sich der Roboter
    • Wo befinden sich andere Objekte oder Orte in Relation zum Roboter
    • Wie kommt der Roboter von der aktuellen Position zu anderen Orten
    • Vermeidung von Kollisionen mit Hindernissen

Umgebungsmodelle

  • zwei Typen von Umgebungsmodellen
Dies ist eine Grafik mit Rahmen und Knoten, die Hyperlinks enthalten könnten.
  • Kategorisierung nach Abstraktionsgrad

Die Grafikbildquelle wurde geändert. Lade die Seite erneut, um das aktualisierte Grafikbild anzuzeigen.

  • Die Erstellung der Umgebungsmodelle kann auf drei Arten passieren
    • Vorheriges Vermessen der Umgebung und Programmieren der Karte
      • Aufwendig und Sensoreindrücke/ Ungenauigkeiten nicht berücksichtigt
      • Nicht für Dynamische Umgebungen
    • Umgebung mit Hilfe der Robotersensoren erfassen und bei bekannter Roboterpose Kartieren
      • Güte des Modells von Positionsbestimmung abhängig
    • zeitgleiches Kartieren und Lokalisieren
      • SLAM (Self localisation and mapping)

Gitterbasierte metrische Umgebungsmodelle

  • kontinuierliche Belegtheitswerte für Gitterzellen
  • maßstabsgetreues Umgebungsabbild
  • einfache Handhabung
  • hoher Speicherverbrauch
  • geringer Abstraktionsgrad

Umgebungsmodell mit geometrischen Primitiven

  • besser an tatsächliche Umgebungsstruktur angepasst
  • Umwelt muss weitgehend gradlinige Strukturen aufweisen
  • Genauere Abbildung der Umgebung als mit Gitterstruktur möglich
  • Extraktion der geometrischen Primitiven direkt aus den Sensordaten ist sehr aufwendig

Topologisches Umgebungsmodell

  • quantitatives Modell
  • Darstellung meist in Form eines Graphen (Knoten sind markante Plätze und Kanten kodieren die Erreichbarkeit)
  • Erstellung meist interaktiv mit einem Supervisor, automatischer Aufbau schwer möglich
  • geringer Speicherverbrauch
  • gut geeignet für effiziente Pfadplanung

Sematisches Umgebungsmodell

  • höchste Abstraktionsstufe
  • erleichtert die Formulierung von Aufträgen an den Roboter ("Fahre in Küche" und nicht "Fahre zur Position 123,456")
  • Erstellung mit Hilfe eines Supervisors
  • geringer Speicherverbrauch und effiziente Pfadplanung möglich
  • Dynamik der Umwelt kann mit berücksichtigt werden (Türen, Fahrstühle)

Selbstlokalisation

  • Grundlegende Fragestellung
    1. globale (absolute) Selbstlokalisation
      • Roboter wird an beliebigen Ort gestellt
      • Nimmt seine Umwelt nur mit seinen eigenen Sensoren wahr und kann sich in der Umgebung bewegen
      • Muss anhand seiner Eindrücke seine aktuelle Pose schätzen
      • großer Suchraum ==> viel Rechenaufwand
    2. relative Selbstlokalisation (pose tracking)
      • initiale Pose ungefähr bekannt
      • Pose soll kontinuierliche korrigiert werden
      • deutliche geringerer Suchraum ==> geringerer Rechenaufwand
  • beide Fälle werden durch die selben Algorithmen abgedeckt

Rein odometriebasierte Verfahren

  • nur interne Sensorinformationen
  • Güte der Schätzung ist abhängig von
    • Güte der Sensoren
    • Antriebsart
    • Bodenbeschaffenheit
  • nur relative Zustandsschätzung
  • nur für kurze Wegstrecken einsetzbar
  • Fehler ist nicht beschränkt

Odomentrie und lokale externe Sensoren

  • Für die Zustandschätzung stehen externe und interne Sensoren zur Verfügung
  • zentrales Ziel ist die Verringerung des Odometriefehlers
  • Korrektur der internen Odometrie mit Hilfe von externen Sensoreindrücken
    • Ein Stück fahren
    • Sensorwerte mit Startwerten vergleichen
    • mit Odometrie vergleichen
    • Odometrie korrigieren
  • nur relative Zustandsschätzung möglich
  • Fehler ist unbeschränkt

Odometrie und lokale sowie globale Sensorinformationen

  • Zustandschätzung anhand interner und externer Sensorinformationen
  • Ziel ist die Schätzung der globalen Position des Roboters
  • globale Informationsquellen (Landmarken, Umgebungskarten)
  • Landmarken oft im Zusammenhang mit SLAM-Verfahren
  • Problem ist die robuste Detektion der Landmarke

Probabilistische Lokalisation

  • Roboterlokalisation wird als Bays'sches Zustandsproblem formuliert
  • Belief (Bel) bezeichnet den Roboterzustand
  • Schätzen des Bel anhand von verrauschten Messwerten
  • Dazu notwendig eine iterative vorschrift wie der Bel berechnet werden kann so das neue Messwerte schnell eingerechnet werden können
    • X .... Menge aller Zustände
    • D .... Menge aller Messwerte
    • Berechnung der Wahrscheinlichkeit das sich der Roboter in einem bestimmten Zustand k befindet wenn vorher die Beobachtungen 0..k gemacht wurden
  • Der Roboter befindet sich in dem Zustand mit dem höchsten Bel
  • zwei Arten von Messwerten
    • relative Messwerte (Odometrie) ==> Fehler ist Abhängig von den vorangegangenen Zeitschritten
    • absolute Messwerte (GPS, Landmarken) ==> Fehler ist unabhängig von den vorangegangenen Zeitschritten
  • a priori Belief
    • Aktionen und Beobachtungen bis zum vorangegangenen Zeitschritt (k-1)
  • a posteriori Belief
    • Zusätzlich zum a priori Belief werden noch die aktuellen absoluten Informationen mit berücksichtigt
  • iterative Berechnungsvorschrift für den Belief
    • ... Sensormodell
    • ... Bewegungsmodell
    • ... Belief des vorhergehenden Zustandes
  • Verschiedene Umsetzungen
    • Kalman-Filter
    • Particle Filter

Probabilistisches Aktionsmodell

  • auch als Bewegungsmodell bezeichnet
  • gibt an, mit welcher Wahrscheinlichkeit der Roboter einen Zustand erreicht wenn der vorher im Zustand war
  • kann meist nur experimentell ermittelt werden

Probabilistisches Wahrnehmungsmodell

  • wird auch als Beobachtungs- bzw. Sensormodell bezeichnet
  • gibt an, mit welcher Wahrscheinlichkeit ein Roboter im Zustand die Beobachtung macht
  • Berücksichtigung der Eingenschaften des Sensors (Ungenauigkeiten !!)
  • benötigt ein Umgebungsmodell wie eine Karte oder Landmarkenanordnung

Kalman-Filter

  • rekursiver Datenverarbeitungsalgorithmus zur Zustandschätzung eines linearen Systems
  • für alle Verteilungen wird angenommen das sie sich durch Gaußfunktionen approximieren lassen
  • Arbeitet in zwei Phasen
    • Prädiktionsschritt
      • Bestimmen des möglichen neuen Zustandes unter Berücksichtung der Rauschprozesse (Bewegungsmodell)
        Für die Unsicheheit gilt:
    • Korrekturschritt
      • Die korrekturvorschrift Berücksichtigt jetzt das Sensormodell und die Beobachtungen. Dadurch wird die Unsicherheit eingeschränkt
      • Usicherheit nach KPrädiktion und Korrektur
      • mit

Particle Filter

  • Satz gewichteter Samples repräsentiert den aktuellen Belief
  • Jedes Sample ist eine mögliche Pose des Roboters
  • Summe der gewichte aller Samples ist eins
  • Konvergiert auch in nicht linearen und und Gaußähnlich verhaltenden systemen
  • Alle Samples gruppieren sich im laufe der Anwendung des Filters um die Zustände mit dem höchsten Belief
  • gestattet sehr genaue Zustandsschätzung
  • Grundlage für alle MCL (Monte-Carlo-Lokalisations-)verfahren

Monte Carlo Localisation

  • partikelbasiertes, probabilistisches Verfahren
  • für Sonar Sensoren entwickelt
  • Verwendet unterschiedliche Informationen
    • ausgeführte Kommandos + Bewegungsmodell
    • senorische Wahrnehmung + Sensormodell
  • Die Partikel sind an kein Raster gebunden
  • ermöglicht das Verfolgen mehrere Positionshypothesen
  • Partikel können dort platziert werden wo sie nötig sind
  • Initialzustand
    • alle Partikel sind gleichmäßig verteilt
    • alle besitzen das gleiche Gewicht
  • Umweltbeobachtung
    • für jedes Partikel wird die zu erwartende Beobachtung bestimmt und mit der realen Beobachtung verglichen
    • Sensormodel wird hier mit Berücksichtigt
    • Bei Übereinstimmung bekommt das Paritkel ein neues hohes Gewicht sonst ein kleineres
  • Resampling
    • Die Verteilungsdichte der Partikel wird entsprechend der Gewichte neu angeordnet
    • Samples mit kleinen Gewichten werden umgeordnet
  • Bewegungsprädiktion
    • Roboter bewegt sich
    • Unter Berücksichtigung des Bewegungsmodels werden die Partikel bewegt
  • Erneute Umweltbeobachtung

lokale Navigation

Potentialfeld-Verfahren

  • Jedes Hindernis wirkt mit einer Abstoßenden Kraft auf den Roboter
  • Wird das Hindernis mit mehreren Sensoren erfast so ist die Kraft größer als von einem Hindernis welches nur von einem Sensor erfast wird.
  • Durchfahren von Türen sehr schwer, weil alle Kräfte zu einer resultierenden Kraft aufsummiert werden, dadurch geht aber die Information über die Lage des Hindernis verloren
------------------------------------------------
__             __                __
   \_      _ /    \ _        _ /    \ _        _  resultierender Kurs eines Roboters 
      \__ /           \ __ /            \ __ /    der einen Gang entlang fährt
------------------------------------------------
  • Aufgrund der unsicheren Sensorik führt das Potentialfeld Verfahren zu pendelnden Fahrbewegungen in Korridoren

Vektorfeldhistogramm

  • Soll Probleme des Potentialfeldverfahrens lösen
  • dreistufige Repräsentation
    1. Gittermodell
    2. Polarhistogramm
      • Roboterumgebung wird in Kreissegmente eingeteilt
      • Jede belegte Zelle wirkt als Kraft auf den Roboter unter Berücksichtigung des Abstandes und dem Quadrat des Belegtheitswertes
      • Die Kräfte werden pro Kreissegment in einem Histogramm zusammengefasst
    3. Ableitung der Steuerparameter
      • In dem Polarhistogramm werden, mit Hilfe einer Schwelle, mögliche Kandidaten für Freiraum gesucht
      • Der globale Plan des Roboters bestimmt dann welcher Freiraum gewählt wird und damit in welche grobe Richtung gefahren wird
      • Die genaue Richtung wird bestimmt in dem man den Mittelwert aus dem nächsten freien Sektor und dem am weitesten entfernten freien Sektor von der Zielrichtung auswählt
  • Nachteile
    • Größe des Roboters wird vernachlässigt
    • Trägheit des Roboters wird nicht berücksichtigt
    • Schmale Täler im Histogramm verursachen eine häufige Richtungsänderung des Roboters

Vektorfeldhistogramm+

  • Grundfunktion wie VHF
  • Größe des Roboters wird berücksichtigt in dem die Hindernisszellen angepasst werden
  • Bewegungsänderungen werden durch Kreisbahnen approximiert um die Trägheit des Roboters zu berücksichtigen
  • Hysterese erzeugt sanftere Bewegungen
  • Kostenfunktionen bei der Auswahl der Kandidaten ermöglichen Realisierung von unterschiedlichem Verhalten