Lernmethoden für autonome mobile Roboter

Abstract

Die vorliegende Arbeit beschäftigt sich mit Lernverfahren für autonome mobile Roboter. Es werden verschiedene Lernmethoden auf unterschiedlichen Komplexitäts- und Abstraktions-Ebenen des Roboters angewendet, um das Verhalten des Roboters zu verbessern und die Entwicklung des Gesamtsystems zu beschleunigen. Die vorgestellten Methoden reichen von der Regelung der Motoren des Roboters bis zu einer automatisch gelernten Simulation.

Es werden Prozesse vorgestellt, die die Totzeit eines Systems durch Lernen kompensieren. Basierend auf gelernten Vorhersagemodellen werden Methoden entwickelt, die einen Roboter mit ausgefallenen Motoren steuern, die Fahrweise von Robotern auf unterschiedlichen Abstraktionsebenen optimiert, die Fahrdynamik ohne ein physikalisches Modell lernt und Steuerungsfehler beseitigt.

Die beschriebenen Lernmethoden können schnell und einfach auf andere Roboter oder Maschinen übertragen werden. Die präsentierten Verfahren haben die gemeinsame Eigenschaft, dass sie die Entwicklung der Steuerung von Robotern vereinfachen und beschleunigen. Zeitaufwändige analytische Methoden zur Erstellung von Modellen für die Optimierung können entfallen, da die Algorithmen die Modelle lernen und die Parameter zur Steuerung optimieren.

The dissertation describes learning algorithms for autonomous mobile robots. Different learning methods are applied to various levels of complexity and abstraction of the robot in order to enhance its behaviour and to accelerate the development of the whole system. The presented techniques vary from the on-board feedback control of the motors to an automatically learned simulation system.

This thesis introduces approaches for compensating the dead-time of a system by observing and learning its behavour. Based on a learned prediction model, different methods are developed to

* control a robot with a defect motor, * optimize the driving pattern of the robot on different levels of abstraction, * learn the driving dynamics without a physical model, and * eliminate control failures and errors.

The specified learning methods can simply and safely be applied to other robots and plants. The presented techniques have the common property that they simplify and accelerate the development of robots. Time-consuming analytical processes for the design of physical models are thus omitted, because the algorithms learn and optimize the parameters and models of the robots automatically.