Autonome Mobile Systeme

Transkript

1 Dr. Mohamed Oubbati Institut für Neuroinformatik Universität Ulm SS 2007

2 Heutiges Thema: Mobile Roboter

3 Ein Mobiler Roboter ist ein System, das mit einer Recheneinheit, Sensoreinheit, und Bewegungseinheit ausgestattet ist Ultraschall Mobiler Roboter Kamera (PeopleBot) Laserscaner Antrieb

4 Durch sein Control System muss ein Roboter: Sensordaten interpretieren Control System Planen Aktionsauswählen Sensor Data Actions

5 Umgebung Aufgabe Kognition Verhalten (navigation) Bewegung (motion control) Mobiler Roboter

6 Umgebung Aufgabe Verhalten (navigation) Bewegung (motion control) Mobiler Roboter In dieser Vorlesung lernen wir die und die Bewegung eines Roboters.

7 Wie bewege ich mich sinnvoll in meiner Umgebung? Hindernisse Roboter Das Ziel

8 Grundlegende Problemstellung (Leonard und Durrant-Whyte (1992)) Wo bin ich? Selbstlokalisierung Wohin gehe ich? Kartenerstellung Wie gelange ich dorthin? Pfadplanung,

9 Was ist Selbstlokalisierung? Die Selbstlokalisierung eines Roboters behandelt das Problem, heraus zu finden, wo sich der Roboter relativ zu seiner Umgebung befindet (oder befinden könnte). Wo bin ich? bekannte Informationen Modell der Umgebung Sensordaten soperationen

10 Selbstlokalisierung (Sensordaten) I. Odometrie Die Startposition muss bekannt sein (Lokale Selbstlokalisierung) DC Motor Es wird die Anzahl N der Radumdrehungen gezählt und zusammen mit dem bekannten Radius r in eine Wegdifferenz x umgerechnet: r x = 2π. r. N Rad

11 Selbstlokalisierung (Sensordaten) I. Odometrie Praktisch und einfach einzusetzen Auf kurzen Strecken relativ genaue Positionsschätzungen Schlupf (Räder können rutschen) Die Akkumulation der Fehler (Fehler werden mit der Zeit größer) Verbesserung: Die Odometrie wird mit Landmarkenerkennung kombiniert

12 Selbstlokalisierung (Sensordaten) II. Ultraschallsensor Sensor strahlt Ultraschall ab und erkennt den reflektierten Strahl wieder. Dadurch erkennt die Entfernung, in dem ein Hindernis auftritt. Ultraschallsensor Preiswert und klein, deshalb fast überall montierbar. durch großen Öffnungswinkel ungenaue Entfernungsmessung Ultraschallsignal wird an glatten Oberflächen abgelenkt.

13 Selbstlokalisierung (Sensordaten) LASER: Light Amplification by Stimulated Emission of Radiation (Lichtverstärkung durch Induzierte Emission). III. Laserscanner Das Lasersignal wird gesendet, reflektiert von einem Hindernis, und empfangen. Laserscanner kleiner Öffnungswinkel genauere Daten kürzere Signallaufzeiten (Laser hat Lichtgeschwindigkeit) Glas reflektiert nicht Spiegel lenken Strahl ab

14 Selbstlokalisierung (Methodik) Methoden Odometrie (Startposition muss bekannt sein) künstliche / natürliche Landmarken. Probalistische Methoden Markov-Lokalisierung Monte-Carlo-Lokalisierung

15 Steuerungsarchitekturen Sense-Plan-Act Behavior-based Strategy

16 Sense-Plan-Act Welt Sensoren Plan Aktoren Welt

17 Sense-Plan-Act Welt Sensoren Sensordaten erfassen Weltmodel Planen Agieren Aktoren Welt

18 Sense-Plan-Act Auf der Grundlage des Weltmodells können optimale Lösungen gefunden werden Alle Module sind voneinander abhängig (wenn ein Module ausfällt, das gesamte System fällt aus) Veränderungen der Umgebung erfordern Anpassung des Weltmodells.

19 Nutzt eine Biene eine Sense-Plan- Act Strategie um ihre Umgebung zu erkunden? Wahrscheinlich nicht! Höchstwahrscheinlich nutzt sie einfache reactive behaviors Strategie um komplexe Verhalten zu erzeugen.

20 Behavior-based Robotics (Brooks, MIT Lab 1986) PLAN SENSE ACT SENSE-ACT couplings are called behaviors SENSE ACT Behaviors are independent, and run in parallel SENSE ACT

21 Behavior-based Robotics Einfache reactive behaviors können ein komplexes Behavior erzeugen. Welt Sensoren Sensordaten erfassen Hindernis vermeiden Zielanfahren Objekterkennen Verhaltensfusion Aktoren Welt

22 Behavior-based Robotics Fahren Motors Das Verhalten Fahren bewegt den Roboter Vorwärts.

23 Behavior-based Robotics Ultraschall, Laser Avoid Fahren Arbiter Motors Das Verhalten Avoid : Wenn ein Hindernis nah ist, Stop und dann mit 90 Grad umdrehen.

24 Behavior-based Robotics Bumper Ultraschall, Laser Escape Avoid Arbitration Techniques - Fixed priority - Random priority Fahren Arbiter Motors Das Verhalten Escape : Stop, 50 cm Rückwärtsfahren, und dann 90 Grad umdrehen.

25 Behavior-based Robotics kein Weltmodell ist notwendig Einfacher Entwurf und Implementierung, da jede Ebene für sich betrachtet werden kann. Robust: die Ebenen sind voneinander unabhängig. Pläne und Optimierungen sind schwer zu implementieren

26 Behavior-based Robotics Finite State Machines Finite State Machines bieten eine alternative Methode an, um die Behaviors zu kombinieren. Fahren 1. Each state is a specific behavior. 2. link them together to create an open loop control system Avoid

27 Behavior-based Robotics Finite State Machines No obstacle Ziel Fahren No obstacle Obstacle Avoid

28 Behavior-based Robotics Finite State Machines No obstacle Ziel Fahren No obstacle Obstacle Avoid

29 Behavior-based Robotics Finite State Machines No obstacle Ziel Fahren No obstacle Obstacle Avoid

30 Behavior-based Robotics Finite State Machines No obstacle Ziel Fahren No obstacle Obstacle Avoid

31 Behavior-based Robotics Finite State Machines No obstacle Ziel Fahren No obstacle Obstacle Avoid

32 Behavior-based Robotics Finite State Machines No obstacle Ziel Fahren No obstacle Obstacle Avoid

33 Behavior-based Robotics Finite State Machines No obstacle Ziel Fahren No obstacle Obstacle Avoid

34 Behavior-based Robotics Finite State Machines No obstacle Ziel Fahren No obstacle Obstacle Avoid

35 Behavior-based Robotics Finite State Machines No obstacle Ziel Fahren No obstacle Obstacle Avoid

36 Behavior-based Robotics Finite State Machines No obstacle Ziel Fahren No obstacle Obstacle Avoid

37 Behavior-based Robotics Finite State Machines No obstacle Ziel Fahren No obstacle Obstacle Avoid

38 Behavior-based Robotics Finite State Machines No obstacle Ziel Fahren No obstacle Obstacle Avoid

39 Behavior-based Robotics Finite State Machines No obstacle Ziel Fahren No obstacle Obstacle Avoid

40 Behavior-based Robotics Potentialfeld Prinzip: - Startpunkt wird hohes Potential zugeordnet - Zielpunkt wird niedriges Potential zugeordnet (anziehendem Potential) - Hindernisse werden sehr hohe Potentiale zugeordnet (abstoßendem Potential)

41 Behavior-based Robotics Potentialfeld Berechnung des Potentialfeldes besteht aus abstoßendem Potential und anziehendem Potential. Hinderniskraft Zielkraft Ziel Motion

42 Behavior-based Robotics Potentialfeld Ziel Hindernis

43 Behavior-based Robotics Neural Fields (Amari, 1977) Originally, these fields were proposed by Amari in 1977 as models of the neurophysiology of cortical processes. The field equation of a one-dimensional neural field is given by activation function (sigmoid) τu&( ϕ, t) + ( u( ϕ, t) ) = u( ϕ, t) + S ( ϕ, t) + h + w( ϕ, ϕ ) f dϕ field activation external stimulus pre-activation of the field, interaction weight w (ϕ ) ϕ interaction weight

44 Behavior-based Robotics Dynamics of Neural Fields τu&( ϕ, t) + ( u( ϕ, t) ) = u( ϕ, t) + S ( ϕ, t) + h + w( ϕ, ϕ ) f dϕ Under certain conditions, the field produces a peak solution: u ( ϕ, t ) Peak apparition even remove of external stimulus ( S ( ϕ, t ) = 0) ϕ

45 Behavior-based Robotics Dynamics of Neural Fields field activation u ( ϕ, t) stimulus S ( ϕ, t) u ( ϕ, t ) u( ϕ, t + t) ϕ ϕ Idea! stimulus sensory infos from the environment Peak position decodes the heading angle of the robot

46 Motion Control Bewegungsregelung Das Modul Motion Control kontrolliert die glatte und zielsichere Bewegung des Roboters entlang des geplanten Pfads.

47 Motion Control Motion Control has three basic problems: Path following Tracking Point stabilization Find a smooth control input in the mobile robot, to minimise the distance between the mobile robot and the path ξ The Path ξ

48 Motion Control Motion Control has three basic problems: Path following Tracking Point stabilization reference (robot, object, ) actual robot

49 Motion Control Motion Control has three basic problems: Tracking Path following Point stabilization stabilization with obstacle avoidance start start goal goal

50 Motion Control y Y Actual Mobile Robot θ Reference (virtual) Mobile Robot yr θ r O x xr X Objective: lim x( t) x ( t) = 0, t r lim t y( t) yr ( t) = 0 and lim t θ( t) θr ( t) = 0

51 Motion Control Control of an Ideal Mobile Robot desired trajectory + Kinematiclevel desired velocity controller - kinematics actual trajectory

52 Motion Control Control of a Real Mobile Robot Die soll Geschwindigkeit Inner loop desired trajectory + - Kinematiclevel controller Vd Dynamiclevel Dynamics torque Vr controller Kinematics actual trajectory outer loop position control Inner loop Velocity control (motors) outer loop Regler: PID, nonlinear feedback control, Neural Networks, Fuzzy Logic,

53 Motion Control Motion Control with recurrent neural networks desired trajectory + Vd torques Dynamics Vr Kinematics Actual trajectory - ESNK ESND Inner-loop M Oubbati, M. Schanz, Michael, and P. Levi: Kinematic and dynamic adaptive control of a nonholonomic mobile robot using a RNN. In: Proceedings of the 6th IEEE Symposium on Computational Intelligence in Robotics and Automation, June 27-30, 2005, Helsinki, Finland.

54 Praktikum

55 Neural Fields for Multi-Robot, Multi-Target tracking control PRAKTIKUM (2 Studenten) Im Rahmen dieser Arbeit wird ein system mit Hilfe von Neuronale Felder zur Steuerung unserer Indoor Robotern (Bild) entworfen und implementiert. Zuerst sollen die Roboter mit Hilfe von Neuronalefelder einen Zielpunkt erreichen, eine Formation beibehalten, und Kollisionen mit Hindernissen oder miteinander vermeiden. Dann müssen die Roboter in der Lage sein, mehrere Ziele gleichzeitig zu verfolgen. Anwendungen: Überwachung, Rettung,. Die Roboter Stan, Olli, und Eve Betreuer: Dr. Mohamed Oubbati Co-Betreuer: Ulrich

56 RoboCup Verschiedene RoboCup Praktika befinden sich auf unserer Webseite (bitte auf News/Jobs klicken!) Betreuer: Ulrich Co-Betreuer: Dr. Mohamed Oubbati

57 Danke für die Aufmerksamkeit!