38,00 €
inkl. MwSt.
Versandkostenfrei*
Versandfertig in über 4 Wochen
  • Broschiertes Buch

Diplomarbeit aus dem Jahr 1998 im Fachbereich Ingenieurwissenschaften - Künstliche Intelligenz, Note: 1,7, Christian-Albrechts-Universität Kiel (Unbekannt), Sprache: Deutsch, Abstract: Inhaltsangabe: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…mehr

Produktbeschreibung
Diplomarbeit aus dem Jahr 1998 im Fachbereich Ingenieurwissenschaften - Künstliche Intelligenz, Note: 1,7, Christian-Albrechts-Universität Kiel (Unbekannt), Sprache: Deutsch, Abstract: Inhaltsangabe: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:Inhaltsverzeichnis:
I.Einleitung und Grundlagen1
1.Einleitung3
2.Der Forschungsstand7
2.1Topologische Lokalisation7
2.2Umgebungseinteilung in Sektoren8
2.3Positions-Wahrscheinlichkeits-Gitter9
2.4Lokalisation mittels Objekterkennung10
2.5Sensorfusion mit Hilfe von Kalmanfiltern10
2.6Sensoreindruck-Korrelation11
3.Beitrag dieser Arbeit13
3.1Hough-basierte Driftkompensation14
3.2Geradenbasierte Driftkompensation14
3.3Der Raum-Matching Algorithmus14
4.Modul-Aufbau der Software15
5.Grundlagen19
5.1Sensormodelle19
5.1.1Das naive Sensormodell20
5.1.2Das modifizierte Sensormodell22
5.1.3Das Prioritäten-Modell24
5.2Besetztheitsgitter25
5.2.1Eigenschaften der Wahrscheinlichkeitsrechnung25
5.2.2Kombination zweier Wahrscheinlichkeitswerte26
5.2.3Der Integrator27
5.3Neuronale Netze28
5.3.1Biologisch motivierter Ansatz29
5.3.2Das Backpropagation-Netz30
II.Driftkompensation33
6.Motivation35
7.Karten-Vorverarbeitung39
7.1Der Operator 0140
7.2Der Operator 0240
7.3Der Operator 0341
8.Der Hough-basierte Ansatz43
8.1Datenfluß43
8.2Die Hough-Transformation45
8.3K-Means-Clusteranalyse46
8.4Nachteile des Cluster-Verfahrens50
8.5Max-Value-Strategie51
8.6Bestimmung der Varianz52
8.7Gütekriterium der Position53
8.8Neuronale Bestimm...