Driftkompensation auf Basis von Besetztheitsgittern

Diplomarbeit von Timm Haase

Einleitung:

Die fortschreitende Automatisierung hat eine ganze Reihe von Industrierobotern hervorgebracht. Diese können ohne weitere Hilfe fest vorgegebene Aufgaben erledigen. In der Regel sind sie allerdings noch nicht in der Lage, eigenständige Entscheidungen zu treffen oder auf mehr als triviale Ereignisse zu reagieren. Autonome Roboter hingegen können sich veränderten Gegebenheiten anpassen, da sie auf Basis eingehender Informationen selbständig neue Lösungs-Strategien entwickeln. Damit dies zu einer sinnvollen Tätigkeit führt, muß da System über eine breite Informationsbasis verfügen. Es sind dazu eine Reihe von Problemstellungen zu lösen.

Der Schwerpunkt dieser Arbeit liegt auf der Driftkompensation und der Selbstlokalisation, die im Bereich der autonomen mobilen Roboter, neben der Navigation, die zentrale Aufgabenstellung widerspiegelt. Während die Navigation die Planungsebene darstellt, sorgt die Lokalisation für die geeignete Datenbasis. In erstgenannter werden sowohl kostengünstigste Wege für die Zwischenziele geplant als auch für eine elementare Hindernis-Vermeidung gesorgt.

Der Roboter muß zu jedem Zeitpunkt der Planungsphase seine Position wissen, um einen optimalen Pfad generieren zu können. Die Lokalisation wiederum spaltet sich in die beiden Teile der globalen Lokalisation und der Driftkompensation. Letztere geht von einer bekannten Startposition aus, während erstere darauf verzichtet und ohne jegliches Vorwissen die Position ermittelt.

Da im allgemeinen die Startposition des Roboters bekannt ist, beschränkt sich diese Arbeit auf das Problem der Driftkompensation, die beispielsweise durch ein geeignetes Fehlermodell gelöst werden kann. Ein weiterer Ansatz ist die Einbeziehung der jeweiligen Umgebungsdaten. Die Datenerhebung kann dabei durch die verschiedensten Sensoren stattfinden. Die so erhobenen Daten werden mit einem Modell der Umwelt verglichen. Dieses Umweltmodell kann beispielsweise als CAD-Zeichnung vorliegen. Alle genauer vorgestellten Verfahren zur Driftkompensation werden auf einem Roboter des Typs "B21" der Firma "Real World Interface" implementiert und ausführlich getestet, um den direkten Vergleich zu schon existierenden Verfahren herstellen zu können.

Inhaltsverzeichnis:

I.	Einleitung und Grundlagen	1
1.	Einleitung	3
2.	Der Forschungsstand	7
2.1	Topologische Lokalisation	7
2.2	Umgebungseinteilung in Sektoren	8
2.3	Positions-Wahrscheinlichkeits-Gitter	9
2.4	Lokalisation mittels Objekterkennung	10
2.5	Sensorfusion mit Hilfe von Kalmanfiltern	10
2.6	Sensoreindruck-Korrelation	11
3.	Beitrag dieser Arbeit	13
3.1	Hough-basierte Driftkompensation	14
3.2	Geradenbasierte Driftkompensation	14
3.3	Der Raum-Matching Algorithmus	14
4.	Modul-Aufbau der Software	15
5.	Grundlagen	19
5.1	Sensormodelle	19
5.1.1	Das naive Sensormodell	20
5.1.2	Das modifizierte Sensormodell	22
5.1.3	Das Prioritäten-Modell	24
5.2	Besetztheitsgitter	25
5.2.1	Eigenschaften der Wahrscheinlichkeitsrechnung	25
5.2.2	Kombination zweier Wahrscheinlichkeitswerte	26
5.2.3	Der Integrator	27
5.3	Neuronale Netze	28
5.3.1	Biologisch motivierter Ansatz	29
5.3.2	Das Backpropagation-Netz	30
II.	Driftkompensation	33
6.	Motivation	35
7.	Karten-Vorverarbeitung	39
7.1	Der Operator 01	40
7.2	Der Operator 02	40
7.3	Der Operator 03	41
8.	Der Hough-basierte Ansatz	43
8.1	Datenfluß	43
8.2	Die Hough-Transformation	45
8.3	K-Means-Clusteranalyse	46
8.4	Nachteile des Cluster-Verfahrens	50
8.5	Max-Value-Strategie	51
8.6	Bestimmung der Varianz	52
8.7	Gütekriterium der Position	53
8.8	Neuronale Bestimmung der Positionsgüte	54
8.9	Interpretation des Akkumulatorfeldes	57
8.10	Experiment	57
9.	Geradenbasierte Driftkompensation	63
9.1	Datenfluß	63
9.2	Eckpunktextraktion	65
9.3	Rekonstruktion als Vektorbild	66
9.4	Punkt-Gerade-Zuordnung	67
9.5	Translationskorrektur	69
9.6	Translations- und Rotationskorrektur	72
9.7	Mathematischer Lösungsweg	76
9.8	Iterativer Lösungsweg	76
9.9	Bestimmung der Varianz	77
9.10	Experiment	77
10.	Raum-Matching-Algorithmus	81
10.1	Bildung der Entfernungskarten	81
10.2	Sensordaten-Matching	82
10.3	Nachteile des Verfahrens	83
10.4	Optimierungs-Möglichkeiten	83
11.	Kalman-Filter	87
11.1	Einführung	87
11.2	Positionsbestimmung	89
11.3	Der Algorithmus	90
12.	Vermeidung von Meßfehlern	93
12.1	Verlassen des Gültigkeitsbereiches	93
12.2	Korrektur-Vektor zu groß	93
12.3	Driftkorrektur durch Wände	94
13.	Vergleich der Verfahren	97
13.1	Hough- und geradenbasierter Ansatz	97
13.2	Bisherige Driftkompensations-Verfahren	99
III.	Globale Lokalisation	101
14.	Motivation	103
15.	Positions-Wahrscheinlichkeitsgitter	105
IV.	Diskussion und Ausblick	107
16.	Diskussion	109
17.	Ausblick	113
V.	Anhang	115
A.	Bestimmung der Sensorkegel	117
B.	Die verwendete Hardware	121
C.	Testläufe	123
D.	Testlauf-Bilder	129
E.	Die CD-ROM	131
	Eidestattliche Erklärung	143