Monte Carlo Lokalisation

Betreuer

• Dr. Thomas Röfer
• Axel Lankenau

Gutachter

• Dr. Thomas Röfer
• Prof. Dr. Bernd Krieg-Brückner

Beschreibung des Themas

Ein zentrales Problem bei der Navigation autonomer mobiler Roboter ist die Selbstlokalisation, d.h. die Bestimmung der gegenwärtigen Position des Systems. Dabei kann man zwischen zwei Arten von Verfahren unterscheiden: die so genannten Tracking-Methoden schreiben die aktuelle Position mit der Bewegung des Roboters fort, müssen also einmal seine Anfangsposition kennen. Die globalen Lokalisierer sind hingegen in der Lage, die Position ohne bekannte Startposition zu bestimmen, brauchen allerdings einige Zeit, bis die ermittelte Position eindeutig ist. Letztere Verfahren sind robuster, da sie auch nach einer zwischenzeitlich verlorenen Roboterposition wieder aufsetzen können.

Eine sehr erfolgreiche Methode zu einer solchen globalen Selbstlokalisation ist die Modellierung der zu bestimmenden Roboterposition als Aufenthaltswahrscheinlichkeitsverteilung, d.h. einer Funktion, die für jeden Punkt im Arbeitsbereich des Roboters angibt, wie wahrscheinlich es momentan ist, dass er sich gerade dort aufhält. Durch Abgleich mit einer vorgegebenen Karte verändert sich diese Funktion kontinuierlich durch die Bewegungen des Roboters und den Sensormessungen, die er macht. Da diese Wahrscheinlichkeitsverteilung schwer als geschlossene Funktion dargestellt werden kann, wird sie approximiert. Bis vor einem Jahr galt die Nährung durch eine Gitterstuktur als Stand der Technik (Burgard et al., 1997), mittlerweile existieren erste Arbeiten zur Modellierung der Verteilung durch Partikelmengen (Fox et al., 1999).

Aufgabe

Ein auf den genannten Ansätzen basierendes Verfahren ist zu entwickeln und auf dem Bremer Autonomen Rollstuhl "Rolland" zu implementieren und zu testen. Als sensorische Eingangsdaten stehen Messungen von Ultraschallsensoren und eines Laserscanners zu Verfügung. Notwendige Vorverarbeitungsschritte sind ebenfalls aus der Literatur zu entnehmen.

Nach einer Einarbeitungsphase ist von dem Diplomanden/der Diplomandin ein Exposé über den geplanten Inhalt und den Aufbau der Arbeit vorzulegen und mit Betreuern und Prüfern abzustimmen. Anschließend wird die Arbeit angemeldet und ist innerhalb von sechs Monaten fertigzustellen.

Voraussetzungen

• Interesse für Robotik
• Kenntnisse in Stochastik
• Programmierkenntnisse in C++

Vorhandene Ausstattung

• Simulation des Rollstuhls unter Windows, die während der Entwicklungsphase verwendet werden kann.
• Rollstuhl mit Ultraschallsensorik, Laserscanner und Bordrechner
• 1 PC, diverse Sun-Workstations

Literatur

• Burgard, W., Fox, D., Henning, D. (1997). Fast Grid-Based Position Tracking for Mobile Robots. In: Brewka, G., Habel, C., Nebel, B. (Hrsg.): KI-97: Advances in Artificial Intelligence. Lecture Notes in Artificial Intelligence. Springer. 289-300.
• Fox, D., Burgard, W., Dellaert, F., Thrun, S. (1999). Monte carlo localization: Efficient position estimation for mobile robots. In: Proc. of the National Conference on Artificial Intelligence.