Diplomarbeit: Learning Policies for Reliable Mobile Robot Localization
Zusammenfassung
Kameras sind ein nützlicher Sensor für die Lokalisierung von mobilen Robotern, weil sie relativ billig, kompakt und leicht sind. Das macht sie insbesondere für Roboter mit begrenzter Tragkraft interessant, wie zum Beispiel humaniode Roboter oder unbemannte Luftfahrzeuge. Die bei schnellen Bewegungen auftretende Bewegungsunschärfe schränkt jedoch den Einsatz von visueller Lokalisierung ein.
In dieser Arbeit stellen wir einen Ansatz basierend auf Bestärkendem Lernen (Reinforcement Learning) für Roboter mit visueller Lokalisierung vor. Die gelernte Strategie minimiert die Zeit zum Erreichen eines Navigationsziels und berücksichtigt den Einfluss der Bewegungsunschärfe auf die Beobachtung von Landmarken und damit auf die Lokalisierung. Ausführliche Experimente in Simulationen und auf einem echten Roboter zeigen, dass unsere gelernte Strategie signifikant besser ist als jede Strategie die eine konstante Geschwindigkeit wählt. Zudem belegen sie, dass die Strategie auf verschiedene Umgebungen allgemein anwendbar ist. Die wichtigsten Merkmale für den Zustandsraum wurden experimentell bestimmt.
Außerdem stellen wir eine Methode vor, um die gelernte Strategie mit einem Clustering-Ansatz zu komprimieren. Dies ist insbesondere für Systeme mit begrenztem Speicher nützlich.
Vollständige Arbeit auf Englisch (95 Seiten, 4.4 MB)