Autonome Mobile Systeme
|
|
- Fritzi Ziegler
- vor 7 Jahren
- Abrufe
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!
Autonome Mobile Systeme
Autonome Mobile Systeme Teil II: Systemtheorie für Informatier Dr. Mohamed Oubbati Institut für Neuroinformati Universität Ulm SS 2007 Heutiges Thema: PID Implementierung und Überblic Zeitontinuierlicher
MehrEinführung in die Robotik
Einführung in die Robotik Vorlesung 2 30 Oktober 2007 Dr. Mohamed Oubbati Institut für Neuroinformatik WS 2007 Was will ich in dieser Vorlesung erreichen? Ich will dass sie eine Grundlage haben um: 1.
MehrEinführung in die Robotik Regelung in der Robotik. Mohamed Oubbati Institut für Neuroinformatik. Tel.: (+49) 731 / 50 24153 mohamed.oubbati@uni-ulm.
Einführung in die Robotik Regelung in der Robotik Mohamed Oubbati Institut für Neuroinformatik Tel.: (+49) 731 / 50 24153 mohamed.oubbati@uni-ulm.de 11. 12. 2012 Standardprobleme der mobilen Robotik Standardprobleme
MehrEinführung in die Robotik
Einführung in die Robotik Vorlesung 1 14 Oktober 2008 Dr. Mohamed Oubbati Institut für Neuroinformatik Tel.: (+49) 731 / 50 24153 mohamed.oubbati@uni-ulm.de WS 2008/2009 Heutiges Thema: Allgemeines Homepage
MehrEinführung in die Robotik
Einführung in die Robotik Vorlesung 10 5 Februar 008 Dr. Mohamed Oubbati Institut für Neuroinformatik WS 007/008 Heutiges Thema: Navigation Navigation Wie bewege ich mich sinnvoll in meiner Umgebung? Hindernisse
MehrEinführung in die Robotik
Einführung in die Robotik Vorlesung 2 21 Oktober 2008 Dr. Mohamed Oubbati Institut für Neuroinformatik Tel.: (+49) 731 / 50 24153 mohamed.oubbati@uni-ulm.de WS 2008/2009 Einführung Übersicht Mobile Robot
MehrEinführung in die Robotik
Einführung in die Robotik Vorlesung 7 13 Januar 2009 Dr. Mohamed Oubbati Institut für Neuroinformatik WS 2008/2009 Wiederholung vom letzten Mal! Signalverarbeitungskette Bewegungsregelung A/D Wandler D/A
MehrEinführung in die Robotik Steuerungsarchitekturen. Mohamed Oubbati Institut für Neuroinformatik. Tel.: (+49) 731 / 50 24153 mohamed.oubbati@uni-ulm.
Einführung in die Robotik Steuerungsarchitekturen Mohamed Oubbati Institut für Neuroinformatik Tel.: (+49) 731 / 50 24153 mohamed.oubbati@uni-ulm.de 29. 01. 2013 Steuerungsarchitekturen - Deliberative
Mehra) Name and draw three typical input signals used in control technique.
12 minutes Page 1 LAST NAME FIRST NAME MATRIKEL-NO. Problem 1 (2 points each) a) Name and draw three typical input signals used in control technique. b) What is a weight function? c) Define the eigen value
MehrKybernetik. Vorlesung Juni Dr. Mohamed Oubbati Institut für Neuroinformatik SS 2008
Kybernetik Vorlesung 7 10 Juni 2008 Dr. Mohamed Oubbati Institut für Neuroinformatik SS 2008 Heutiges Thema: Einführung in die Robotik Was ist ein Roboter? Ein Roboter ist ein technisches Gerät, das von
MehrEinführung in die Robotik
Einführung in die Robotik Vorlesung 6 04 Dezember 2007 Dr. Mohamed Oubbati Institut für Neuroinformatik WS 2007/2008 Heutiges Thema: Kinematik Einführung Was ist die Kinematik? Die Kinematik beschäftigt
MehrRolland. Niels Schütte Hristo Gurdzhanov. 1 Vorstellung 2 Gliederung 3 Forschung 4 Rolland 1 5 Rolland 2. 6 Obstacle Map 7 Rolland 3 8 Projekte
Rolland Niels Schütte Gliederung Forschung Rolland 1 Rolland 2 ObstacleMap Rolland 3 Projekte Probleme Finanzierung Forschung Navigation/Raumkognition Sichere Systeme Rolland 1 Kamera Jede Menge Sensoren
MehrHindernisumfahrung eines autonomen Roboters in einer unbekannten statischen Umgebung. Ronny Menzel
Hindernisumfahrung eines autonomen Roboters in einer unbekannten statischen Umgebung. Ronny Menzel Inhalt Aufgabenstellung Begriffserklärung Hindernisumfahrungsstrategien Anforderungen an die Hindernisumfahrung
MehrKybernetik Einführung
Kybernetik Einführung Mohamed Oubbati Institut für Neuroinformatik Tel.: (+49) 731 / 50 24153 mohamed.oubbati@uni-ulm.de 24. 04. 2012 Einführung Was ist Kybernetik? Der Begriff Kybernetik wurde im 1948
MehrUmsetzung eines Online-SLAM-Verfahrens auf der Roboterplattform VolksBot-Lab
Umsetzung eines Online-SLAM-Verfahrens auf der Roboterplattform VolksBot-Lab Bachelorarbeit Frank Engelhardt Institut für Verteilte Systeme Gliederung Motivation Problemexposition Lösungsverfahren Zeitverhalten
MehrCell Decomposition & Potential Field
Seminar EXRPR Cell Decomposition & Potential Field Gruppe 2: Thomas Janu Martin Koch Adrian J. Merkl Matthias Schneider Cell Decomposition & Potential Field 20.06.2005 Gruppe 2 Gliederung (1) 1.Cell Decomposition
Mehr3 Programmierung von Robotern
3 Programmierung von Robotern 3.1 Arten der Programmierung Arten Programmierung durch Beispiele Programmierung durch Training roboterorientierte Programmierung aufgabenorientierte Programmierung 3.1.1
MehrEinführung in die Robotik Sensoren. Mohamed Oubbati Institut für Neuroinformatik. Tel.: (+49) 731 / 50 24153 mohamed.oubbati@uni-ulm.de 30. 10.
Einführung in die Robotik Sensoren Mohamed Oubbati Institut für Neuroinformatik Tel.: (+49) 731 / 50 24153 mohamed.oubbati@uni-ulm.de 30. 10. 2012 Sensoren Was ist ein Sensor? Ein Sensor empfängt ein physikalisches
MehrGrundlagen der Signalverarbeitung und Robotik
64-544 Grundlagen der Signalverarbeitung und Robotik 64-544 Grundlagen der Signalverarbeitung und Robotik http://tams.informatik.uni-hamburg.de/ lectures/2013ss/vorlesung/gdsr Jianwei Zhang, Bernd Schütz
MehrRessourcenmanagement in Netzwerken SS06 Vorl. 12,
Ressourcenmanagement in Netzwerken SS06 Vorl. 12, 30.6.06 Friedhelm Meyer auf der Heide Name hinzufügen 1 Prüfungstermine Dienstag, 18.7. Montag, 21. 8. und Freitag, 22.9. Bitte melden sie sich bis zum
MehrKartenerstellung und Navigation
Kartenerstellung und Navigation zur Positionserkennung autonomer Fahrzeuge von Ilona Blanck 27. Mai 2008 im Rahmen der Anwendungen I Vorlesung des Masterstudiums Informatik der Fakultät Technik und Informatik
MehrDynamic Hybrid Simulation
Dynamic Hybrid Simulation Comparison of different approaches in HEV-modeling GT-SUITE Conference 12. September 2012, Frankfurt/Main Institut für Verbrennungsmotoren und Kraftfahrwesen Universität Stuttgart
MehrNEURONALE MOTORSTEUERUNG. Rico Möckel 3M-Seminar
NEURONALE MOTORSTEUERUNG Rico Möckel 3M-Seminar 24.05.2014 Overview Grundlagen der neuronalen Informationsverarbeitung (zur Motorsteuerung) Steuerung mit Zentralen Mustergeneratoren Mögliche Gruppenaufgaben
MehrBahnplanung am stationären Hindernis
Bahnplanung am stationären Hindernis von Ilona Blanck 01. Dez 2008 im Rahmen der Seminar Ring Vorlesung des Masterstudiums Informatik der Fakultät Technik und Informatik der HAW Hamburg Übersicht 1. Motivation
MehrKünstliche Intelligenz
Künstliche Intelligenz Abschlusspräsentation Gruppe: Blau_KI1112 1 Team Blau_KI1112 Harjin Esmael Jochen Hansch Nils Hühn Felix Marx Nikolai Warkentin Alexander Wecker 2 Inhalt Aufgabenstellung Arbeitsumgebung
MehrPfadplanung: Potentialfeldmethoden
Pfadplanung: Potentialfeldmethoden Idee Abstossendes und anziehendes Potential Brushfire-Verfahren Gradienten-Planer Prof. Dr. O. Bittel, HTWG Konstanz Autonome Roboter - Potentialfeldmethoden SS 2016
MehrOverview thermostat/ temperature controller
Thermostat TR-238 The Thermostat TR-238 is a electronic two-level controller for controlling of and in climate control units and vehicles. Voltage range (12V): Voltage range (24V): Control range: Hystereses:
MehrFast-SLAM: Synchrone Lokalisierung und Kartenerstellung mit einem Partikel-Filter
Fast-SLAM: Synchrone Lokalisierung und Kartenerstellung mit einem Partikel-Filter! Landmarkenbasiertes Fast-SLAM! Gitterbasiertes Fast-Slam! Optimierungen Prof. Dr. O. Bittel, HTWG Konstanz Autonome Roboter
MehrModel-based Development of Hybrid-specific ECU Software for a Hybrid Vehicle with Compressed- Natural-Gas Engine
Model-based Development of Hybrid-specific ECU Software for a Hybrid Vehicle with Compressed- Natural-Gas Engine 5. Braunschweiger Symposium 20./21. Februar 2008 Dipl.-Ing. T. Mauk Dr. phil. nat. D. Kraft
MehrLokalisierung. von Matthias Heine, Norbert Müller, Silvia Schreier, Oliver Zöllner
Lokalisierung von Matthias Heine, Norbert Müller, Silvia Schreier, Oliver Zöllner Was ist Lokalisierung? Fähigkeit eines autonomen Roboters seine Position in Bezug auf ein festes (Koordinaten-)System zu
MehrSeminar im Grundstudium: Motion-Tracking in der Robotik
Seminar im Grundstudium SS2007 Seminar im Grundstudium: Motion-Tracking in der Robotik Lehrstuhl für Hardware-Software-Co-Design Universität Erlangen-Nürnberg stefan.wildermann@informatik.uni-erlangen.de
MehrIntelligente Roboter lectures/2007ws/vorlesung/ir
18.424 Intelligente Roboter 18.424 Intelligente Roboter http://tams-www.informatik.uni-hamburg.de/ lectures/2007ws/vorlesung/ir Jianwei Zhang Universität Hamburg Fakultät für Mathematik, Informatik und
MehrVerhaltensbasierte Robotik
PS Anwendungen der moder Verhaltensbasierte Robotik Thomas Wernicke SS 2006 1. Einleitung 1.1. Definition 1.2. Vorgeschichte Überblick 1.3. Vorgeschichte / Motivation 2. Konzepte 2.1. KI Konzepte 2.2.
MehrEinführung in die Robotik
Einführung in die Robotik Vorlesung 5 27 November 2007 Dr. Mohamed Oubbati Institut für Neuroinformatik WS 2007/2008 Heutiges Thema: Aktoren Einführung Sensoren Mit Hilfe von Sensoren kann ein Roboter
MehrPsychologie der Informationsverarbeitung Bachelor- und Master-Thesen
Psychologie der Informationsverarbeitung Bachelor- und Master-Thesen Wintersemester 2016/17 Prof. C. Rothkopf, PhD 08.12.2016 Fachbereich 03 Institut für Psychologie Psychologie der Informationsverarbeitung
MehrHAW Hamburg Anwendung 1 - Vortrag Andrej Rull
HAW Hamburg Anwendung 1 - Vortrag Andrej Rull 02122008 1 Gliederung o Motivation o Der Anwendungsfall o Das SLAM Problem o Lösungsansätze und Algorithmen o Zusammenfassung o Ausblick auf AW2 2 Motivation
MehrEinführung in die Robotik Wegplanung. Mohamed Oubbati Institut für Neuroinformatik. Tel.: (+49) 731 /
Einführung in die Rbtik Wegplanung Mhamed Oubbati Institut für Neurinfrmatik Tel.: (+49) 731 / 50 24153 mhamed.ubbati@uni-ulm.de 15. 01. 2013 Dr. Oubbati, Einführung in die Rbtik (Neurinfrmatik, Uni-Ulm)
MehrMulticriterial Design Decision Making regarding interdependent Objectives in DfX
Overview Multicriterial Design Decision Making regarding interdependent Objectives in DfX S. Bauer The Design Process Support of the Design Process with Design for X Visualization of Decision Problems
MehrEinführung in die Robotik
Einführung in die Robotik Vorlesung 4 13 November 2007 Dr. Mohamed Oubbati Institut für Neuroinformatik WS 2007/2008 Wiederholung vom letzten Mal! Wiederholung vom letzten Mal! Berührungssensor (an/aus)
MehrHAW Hamburg Anwendung 2 - Vortrag Andrej Rull
HAW Hamburg Anwendung 2 - Vortrag Andrej Rull 25062009 1 Gliederung o Motivation o Das SLAM Problem o Related Works ATLAS Framework o Abgrenzung der eigenen o Zusammenfassung 2 Motivation Wofür überhaupt
MehrLandmarkenbasierte Kartierung und Lokalisierung
Landmarkenbasierte Kartierung und Lokalisierung Inhalt 1. Kartierung Wiederholung Probleme Vergleich 2. Lokalisierung Wiederholung Fortsetzung Partikelfilter Zusammenfassung der Vorgehensweise Quellen
MehrSimulationen mit Morse Simulator
Simulationen mit Morse Simulator Übung 5 Victor Casas TU Ilmenau Page 1 Gliederung Systementwicklungsprozess und Abstraktion Aufgabenziel Einführung Morse Simulator Beispiel: Kollisionsvermeidung zwischen
MehrKybernetik Intelligent Agents- Action Selection
Kybernetik Intelligent Agents- Action Selection Mohamed Oubbati Institut für Neuroinformatik Tel.: (+49) 731 / 50 24153 mohamed.oubbati@uni-ulm.de 26. 06. 2012 Intelligent Agents Intelligent Agents Environment
MehrEntwurf autonomer mobiler Systeme
Entwurf autonomer mobiler Systeme NI LabVIEW Robotics als Standardhard- und - softwareplattform für mobile Robotersysteme Jochen Klier AE-Specialists Manager Agenda Herausforderungen in der Robotik LabVIEW
MehrTitelmasterformat Object Generator durch Klicken bearbeiten
Titelmasterformat Object Generator durch Klicken bearbeiten How to model 82 screws in 2 minutes By Pierre-Louis Ruffieux 17.11.2014 1 Object Generator The object generator is usefull tool to replicate
MehrEndvortrag Echtzeitsystem Projektseminar
Endvortrag Echtzeitsystem Projektseminar Team Apollo 13: Sebastian Ehmes, Nicolas Acero, Huyhn-Tan Truong, Li Zhao 1 29.02.16 Gliederung I. Recap: Mission 1 & Mission 2 II. Mission 2: Selbstlokalisierung
MehrProgrammierung einer KI. SoPra 2017 Jenny Hotzkow
Programmierung einer KI SoPra 2017 Jenny Hotzkow Model View Controller Client KI Integration in die Softwarearchitektur (1) KI Integration in die Softwarearchitektur (2) Command-Pattern // Bestimmung möglicher
MehrAW2 Koordination von autonomen Fahrzeugen
AW2 Koordination von autonomen Fahrzeugen 1 1 Department of Computer Science 31. August 2009 Übersicht 1 Einführung Koordination von autonomen Fahzeugen zentrale vs. dezentrale Verfahren 2 3 Koordination
MehrCoupling GIS and hydraulics using the example of the Dornbirnerach
Coupling GIS and hydraulics using the example of the Dornbirnerach Michaela Jud Department for Geoinformatics Technical University of Munich (TUM), Germany San Diego, 13 th of July 2011 Storm event august
MehrStromzwischenkreisumrichter Current Source Inverter (CSI)
Lehrveranstaltung Umwandlung elektrischer Energie mit Leistungselektronik Stromzwischenkreisumrichter Current Source Inverter (CSI) Prof. Dr. Ing. Ralph Kennel (ralph.kennel@tum.de) Arcisstraße 21 80333
MehrBayesian updating in natural hazard risk assessment
International Forum on Engineering Decision Making, Third IFED Forum, Shoal Bay, Australia, 12-15 15 December 2007 1/23 Bayesian updating in natural hazard risk assessment Mathias Graf, Kazuyoshi Nishijima,
MehrOWM Future Inspiration Day 22. März 2017 Artificial Intelligence Bosch is teaching the vehicle how to drive. Rosa Meckseper VP Marketing and Business
OWM Future Inspiration Day 22. März 2017 Artificial Intelligence Bosch is teaching the vehicle how to drive. Rosa Meckseper VP Marketing and Business Strategy Robert Bosch GmbH INTERNET DER DINGE OWM R.
MehrVerteilte prädiktive Regelung von UAV-Schwärmen DGLR Workshop UAV-Regelung und Flugführung
Verteilte prädiktive Regelung von UAV-Schwärmen DGLR Workshop UAV-Regelung und Flugführung 27. Februar 2011 Institut für Flugsysteme und Regelungstechnik Dipl.-Ing. Armin Strobel 1 Motivation Definition
MehrAutonomes Fahren Technologien und Chancen
Shaping the future Autonomes Fahren Technologien und Chancen Roland Siegwart, ETH Zurich www.asl.ethz.ch www.wysszurich.ch ETH, Januar 31, 2017 Roland Siegwart 31.01.2017 1 Mobilität der Puls unserer Gesellschaft
MehrDROHNENTECHNOLOGIE UND ANWENDUNGEN. Prof. Dr. Wolfram Hardt Dr. Ariane Heller, Dipl.-Inf. Stephan Blokzyl
DROHNENTECHNOLOGIE UND Prof. Dr. Wolfram Hardt ANWENDUNGEN Prof. Dr. Wolfram Hardt Dr. Ariane Heller, Dipl.-Inf. Stephan Blokzyl Today Mobility reaches 3 rd Dimension Quelle: COPTERview airdata UG Individuality
MehrModell-Programmierte Roboter Regelung. Univ.-Prof. Dr. Michael Hofbaur Institut für Automatisierungs- und Regelungstechnik, UMIT, Hall i.
Modell-Programmierte Roboter Regelung Univ.-Prof. Dr. Michael Hofbaur Institut für Automatisierungs- und Regelungstechnik, UMIT, Hall i. Tirol Motivation: Automatisierung komplexer Systeme komplexe technische
MehrMotion Controller 2 - MC2
otion ler 2 - C2 otion ler C2 The C2 (otion ler) is the connective link between a higher-ranking control level (PLC, IPC etc.) and one or more SIEB & EYER drives (series SD2/SD2S and FC2). It receives
MehrImplementierung des Scan-Matching-Algorithmus MbICP im Fach Mensch-Maschine- Kommunikation/Robotik
Implementierung des Scan-Matching-Algorithmus MbICP im Fach Mensch-Maschine- Kommunikation/Robotik Betreuer: Dipl.-Inf. (FH) Peter Poschmann Enrico Uhlig, Markus Fischer, Marcus Kupke 26. Jun 2012 1 Gliederung
Mehr10.1 Geometrische Wegplanung im Konfigurationsraum
10 Pfadplanung 10.1 Geometrische Wegplanung im Konfigurationsraum Vorausetzungen Roboter bewegt sich in der Ebene, ohne sich zu drehen Hindernisse sind konvexe Polygone Beispiel Grundgedanke Problem wird
MehrEinführung in die Robotik Kinematik. Mohamed Oubbati Institut für Neuroinformatik. Tel.: (+49) 731 / 50 24153 mohamed.oubbati@uni-ulm.de 20. 11.
Einführung in die Robotik Kinematik Mohamed Oubbati Institut für Neuroinformatik Tel.: (+49) 731 / 50 24153 mohamed.oubbati@uni-ulm.de 20. 11. 2012 Die Klausur findet am 12 März 2013 im H20 um 11h. Dauer:
MehrLearning Human Body Movement
Learning Human Body Movement 22. Januar 2018 Seminar Neueste Trends in Big Data Analytics Betreuer: Christian Hovy Gliederung 1. Motivation 2. Rückblick auf Machine Learning 3. Terminologie 4. Überblick
MehrAG ROBOTERSYSTEME FACHBEREICH INFORMATIK AN DER UNIVERSITÄT KAISERSLAUTERN. Praktikum. Praktikum Spezifikation. Gruppe A
AG ROBOTERSYSTEME FACHBEREICH INFORMATIK AN DER UNIVERSITÄT KAISERSLAUTERN Praktikum Praktikum Spezifikation Gruppe A 19. Dezember 2006 Inhaltsverzeichnis 1 Praktikum Spezifikation 3 1.1 Praktikumsteilnehmer..........................
MehrBayesian Networks. Syntax Semantics Parametrized Distributions Inference in Bayesian Networks. Exact Inference. Approximate Inference
Syntax Semantics Parametrized Distributions Inference in Exact Inference Approximate Inference enumeration variable elimination stochastic simulation Markov Chain Monte Carlo (MCMC) 1 Includes many slides
MehrUnit 1. Motivation and Basics of Classical Logic. Fuzzy Logic I 6
Unit 1 Motivation and Basics of Classical Logic Fuzzy Logic I 6 Motivation In our everyday life, we use vague, qualitative, imprecise linguistic terms like small, hot, around two o clock Even very complex
MehrNichtlineare und adaptive Filter für die Flugzeugverfolgung
Research Collection Doctoral Thesis Nichtlineare und adaptive Filter für die Flugzeugverfolgung Author(s): Früh, Peter T. Publication Date: 1984 Permanent Link: https://doi.org/10.3929/ethz-a-000311033
MehrHauptseminar Roboternavigation. Kartenaufbau nach Thrun
Hauptseminar Roboternavigation Kartenaufbau nach Thrun Hannes Keil keil@in.tum.de 18. Januar 2002 Überblick Kartenaufbau nach Thrun Überblick 1. Einführung in den Kartenbau 2. Einführung in den Aufbau
MehrMOVE IT FOR TOMORROW. torsten.torwegge.de
MOVE IT FOR TOMORROW torsten.torwegge.de belastbar // Daten und Fakten flexibel zuverlässig autonom remote stark 190er 300er* 190er 300er* hilfsbereit vorausschauend Länge 1.285 mm ca. 2.500 mm 1.285 mm
MehrNumerical Analysis of a Radiant Syngas Cooler
Numerical Analysis of a Radiant Syngas Cooler Folie 2, Dr.-Ing. Gerd Oeljeklaus, Universität Duisburg-Essen Universität Duisburg-Essen Prof. Dr.-Ing., Universität Duisburg-Essen - Ulrich Günther Siemens
MehrBewegungsplanung für den vierbeinigen Roboter AMEE. Björn Bettzüche
Bewegungsplanung für den vierbeinigen Roboter AMEE Einleitung Vergleichbare Arbeiten Zusammenfassung Referenzen Projekt AMEE SAR 4 intelligente Beine SLAM Sicheres Navigieren 4 [5] 5 Bildbasiert zu ungenau
MehrIllustrierende Aufgaben zum LehrplanPLUS. Realschule, Informationstechnologie, Lernbereich 2: Modul Roboter unterwegs. Stand:
Roboter unterwegs Stand: 12.07.2017 Jahrgangsstufen Lernbereich 2: Modul 2.7.2 Fach/Fächer Übergreifende Bildungs- und Erziehungsziele Zeitrahmen Benötigtes Material Informationstechnologie Technische
MehrKybernetik Intelligent Agents- Decision Making
Kybernetik Intelligent Agents- Decision Making Mohamed Oubbati Institut für Neuroinformatik Tel.: (+49) 731 / 50 24153 mohamed.oubbati@uni-ulm.de 03. 07. 2012 Intelligent Agents Environment Agent Intelligent
MehrContext-adaptation based on Ontologies and Spreading Activation
-1- Context-adaptation based on Ontologies and Spreading Activation ABIS 2007, Halle, 24.09.07 {hussein,westheide,ziegler}@interactivesystems.info -2- Context Adaptation in Spreadr Pubs near my location
MehrLaborprojekte (1) Autonome Navigation mit Pioneer
Laborprojekte (1) Autonome Navigation mit Pioneer Basis: Differential Drive, Ultraschall, Laser. PC, Kinekt Gut getestet: Kartierung Untersuchung Odometrie (Genauigkeit, Kalibrierung) Verbesserung Kartierung
MehrDetermining Vibro-Acoustic Effects in Multidomain Systems using a Custom Simscape Gear Library
Determining Vibro-Acoustic Effects in Multidomain Systems using a Custom Simscape Gear Library Tim Dackermann, Rolando Dölling Robert Bosch GmbH Lars Hedrich Goethe-University Ffm 1 Power Noise transmission
MehrFakultät für Informatik, Institut für Robotik Laborpraktikum I Legorobotik graphische Programmierung
Fakultät für Informatik, Institut für Robotik Laborpraktikum I Legorobotik graphische Programmierung Ute Ihme Hochschule Mannheim Ute Ihme DAS LEGO MINDSTORMS System Das EV3 System Prinzip von LEGO MINDSTORMS
Mehr4. Übungsblatt Aufgaben mit Lösungen
4. Übungsblatt Aufgaben mit Lösungen Aufgabe 16: (a) Find the orthogonal projection of P = (, 11, 3) onto the line G through the points A = (5, 4, 7) and B = (1, 7, 5). Determine the distance between P
MehrLabVIEW Erfahrungen aus der
Fraunhofer VolksBot mit CompactRIO und LabVIEW Erfahrungen aus der Lehrveranstaltungsreihe Teamrobotik Ansgar Bredenfeld, Fraunhofer IAIS Manuela Kanneberg, Timo Lindhorst, Edgar Nett, Otto-von-Guericke-Universität
Mehr9 SLAM Simultaneous Localization and Mapping
9 SLAM Simultaneous Localization and Mapping Einleitung eines der aktivsten Forschungsgebiete innerhalb der Robotik Roboterlokalisierung bei gegebener Karte (Kap. 8 und Karte aus Sensordaten bei bekannter
MehrVon der Forschung auf die Straße Querdynamikregelung bei Continental. Dr. Ulrich Stählin 16. Juli 2009
Von der Forschung auf die Straße Querdynamikregelung bei Continental Dr. Ulrich Stählin 16. Juli 2009 Die Continental Divisionen Anwendungen Systemansatz Entwicklung Strong Automotive Group and Rubber
MehrAdvanced Track and Tire Modeling using SIMPACK User Routines
Advanced Track and Tire Modeling using SIMPACK User Routines Werner, Jens Neubeck Forschungsinstitut für Kraftfahrwesen und www.fkfs.de SIMPACK User Meeting 2003 1 Introduction Continuous Track Model Implemented
MehrModel based control for advanced PID combustion controllers in WtE plants
Model based control for advanced PID combustion controllers in WtE plants Dr.-Ing. Ragnar Warnecke and Volker Müller GKS, Germany GKS - Waste-to-Energy Section - 2 26,00 24,00 Firing Capacity Diagram GKS
MehrGeschäftsprozesse und Regeln
Geschäftsprozesse und Regeln 7 Szenarien einer möglichen Integration Jana Koehler Hochschule Luzern Lucerne University of Applied Sciences and Arts jana.koehler@hslu.ch Gartner: Organizations struggle
MehrVerteilte Systeme / Kooperierende Roboter
Verteilte Systeme / Kooperierende Roboter Proseminar Anwendungen und Methoden der Modernen Robotik SoSe 2005 Uni Hamburg Claudius Herder, Justus Winter 4herder@informatik.uni-hamburg.de, 4winter@informatik.uni-hamburg.de
MehrGrundlagen der Signalverarbeitung und Robotik
64-544 Grundlagen der Signalverarbeitung und Robotik 64-544 Grundlagen der Signalverarbeitung und Robotik http://tams.informatik.uni-hamburg.de/ lectures/2011ss/vorlesung/gdsr Jianwei Zhang Universität
MehrAutonome Roboter. Von Matthias Hauth Seminar Moderne Robotik
Autonome Roboter Von Matthias Hauth Seminar Moderne Robotik Inhalt Autonome Roboter Mobile Roboter Roboter Architekturen Deliberative, reactive (z.b. Genghis), hybrid Gegenüberstellung deliberative - reactive
MehrFinite Difference Method (FDM)
Finite Difference Method (FDM) home/lehre/vl-mhs-1-e/folien/vorlesung/2a_fdm/cover_sheet.tex page 1 of 15. p.1/15 Table of contents 1. Problem 2. Governing Equation 3. Finite Difference-Approximation 4.
MehrWillkommen zur Vorlesung Komplexitätstheorie
Willkommen zur Vorlesung Komplexitätstheorie WS 2011/2012 Friedhelm Meyer auf der Heide V11, 16.1.2012 1 Themen 1. Turingmaschinen Formalisierung der Begriffe berechenbar, entscheidbar, rekursiv aufzählbar
MehrSeminar im Grundstudium: Motion-Tracking in der Robotik
Seminar im Grundstudium SS2007 Seminar im Grundstudium: Motion-Tracking in der Robotik Lehrstuhl für Hardware-Software-Co-Design Universität Erlangen-Nürnberg stefan.wildermann@informatik.uni-erlangen.de
MehrEinführung in die Linguistik, Teil 4
Einführung in die Linguistik, Teil 4 Menschliche Sprachverarbeitung im Rahmen der Kognitionswissenschaft Markus Bader, Frans Plank, Henning Reetz, Björn Wiemer Einführung in die Linguistik, Teil 4 p. 1/19
MehrSLAM-Verfahren Synchrone Lokalisierung und Kartenerstellung
SLAM-Verfahren Synchrone Lokalisierung und Kartenerstellung EKF-SLAM: Landmarkenbasiertes SLAM-Verfahren mit einem erweiterten Kalmanfilter Fast-Slam: Gitterbasiertes SLAM-Verfahren mit einem Partikelfilter
MehrInformatik - Übungsstunde
Informatik - Übungsstunde Jonas Lauener (jlauener@student.ethz.ch) ETH Zürich Woche 08-25.04.2018 Lernziele const: Reference const: Pointer vector: iterator using Jonas Lauener (ETH Zürich) Informatik
MehrMODELLING AND CONTROLLING THE STEERING FORCE FEEDBACK USING SIMULINK AND xpc TARGET
MODELLING AND CONTROLLING THE STEERING FORCE FEEDBACK USING SIMULINK AND xpc TARGET Dipl.-Ing. M. Brünger-Koch, 05/06/09 Model-Based Design Conference 2005 1 Agenda 1. Introduction Company and institute
MehrEmbedded Systems Wireless Sensor Networks
Forschungsschwerpunkte am Embedded Systems Wireless Sensor etworks BI Open Labs Übersicht Drahtlose Sensornetze Verfügbare echnologien SoW 5 als Beispiel Beispiele weiterer Forschungsaktivitäten BI Open
MehrAttention: Give your answers to problem 1 and problem 2 directly below the questions in the exam question sheet. ,and C = [ ].
Page 1 LAST NAME FIRST NAME MATRIKEL-NO. Attention: Give your answers to problem 1 and problem 2 directly below the questions in the exam question sheet. Problem 1 (15 points) a) (1 point) A system description
MehrInformatics Master Programs
Informatics Master Programs T. Huckle Technichal University of Munich Department of Informatics Scientific Computing Garching, 8.6.2018 Overview Master Informatics Master Informatics: Games Engineering
MehrWas sind Sensoren? Sensoren sind (elektronische) Bauteile zur qualitativen oder quantitativen Messungbestimmter Größen und Eigenschaften.
Sensoren Was sind Sensoren? Sensoren sind (elektronische) Bauteile zur qualitativen oder quantitativen Messungbestimmter Größen und Eigenschaften. Was messen Sensoren? Wärmestrahlung Temperatur Feuchtigkeit
MehrLoxone Integration mit DoorBird IP Video Türstation
Loxone Integration mit DoorBird IP Video Türstation (PLEASE SCROLL DOWN FOR THE ENGLISH VERSION) 1. Konfiguration der DoorBird IP Video Türstation 1.1. SIP Einstellungen Öffnen Sie die SIP Einstellungen
MehrThe Intelligent-Driver Model with Stochasticity:
The Intelligent-Driver Model with Stochasticity: New Insights into Traffic Flow Oscillations TU Dresden ISTTT 22, Chicago. July 2017 1 1 Overview Ø Traffic Flow Oscillations: Empirical Facts - Stationary
MehrTU München MSc Elektrotechnik und Informationstechnik (MSEI) Oktober 2018
Vertiefungsempfehlung Drahtgebundene und optische Übertragungstechnik EI74311 Information Theory WS 5 EI5075 Optical Communication Networks SS 6 EI7006 Statistical Signal Processing SS 6 EI7411 Channel
MehrAnalyse komplexer Szenen mit Hilfe von Convolutional Neural Networks
Analyse komplexer Szenen mit Hilfe von Convolutional Anwendungen 1 Vitalij Stepanov HAW-Hamburg 24 November 2011 2 Inhalt Motivation Alternativen Problemstellung Anforderungen Lösungsansätze Zielsetzung
Mehr