Greif- und Taskplanung für Humanoide Roboter mit mehrfingrigen Händen
|
|
- Holger Beyer
- vor 7 Jahren
- Abrufe
Transkript
1 Greif- und Taskplanung für Humanoide Roboter mit mehrfingrigen Händen Christoph Borst, Franziska Zacharias Institut für Robotik und Mechatronik - DLR Oberpfaffenhofen Folie 1
2 Motivation: Autonomes Manipulieren von Objekten Einfacher Fall : Relokation von Objekten Kollisionsfreie Anfahrt Greifen des Objekts Kollisionsfreie Bewegung mit dem Objekt Sicheres Abstellen des Objekts Kollisionsfreie Abfahrt Komplexe Manipulationsaufgabe (beidhändig) siehe oben Drehen, Schrauben, Fügen, Wischen/Polieren Folie 2
3 Wege zur Autonomen Manipulation Klassische, modellbasierte Planungsmethoden Grosse Auswahl schneller, ausgereifter Planer Gut passend zu Regelungsmethoden (Objektsteifigkeit) Lernen durch Vormachen Mächtige Methodik, einfache Erweiterung des Aufgabenfelds Übertragung auf den Roboter (Regelung) schwierig Selbstlernende Roboter Probleme mit der Systemverfügbarkeit Folie 3
4 Wege zur Autonomen Manipulation DLR Klassische, modellbasierte Planungsmethoden Grosse Auswahl schneller, ausgereifter Planer Gut passend zu Regelungsmethoden (Objektsteifigkeit) Lernen durch Vormachen Mächtige Methodik, einfache Erweiterung des Aufgabenfelds Übertragung auf den Roboter (Regelung) schwierig Selbstlernende Roboter Probleme mit der Systemverfügbarkeit Folie 4
5 Problemstellung: Autonomes Greifen Erkennen Planen Ausführen Folie 5
6 Problemstellung: Autonomes Greifen Erkennen Planen Ausführen Bahnplanung Griffplanung Umweltmodellierung Robotersteuerung Folie 6
7 Modellbasierte Griffplanung 1. Was ist ein Griff? 2. Was ist ein guter Griff? 3. Gibt es viele gute Griffe? Wie nahe am optimalen Griff sind sie? 4. Wie kann ein guter Griff generiert werden? Folie 7
8 Modellbasierte Griffplanung 1. Was ist ein Griff? 2. Was ist ein guter Griff? 3. Gibt es viele gute Griffe? Wie nahe am optimalen Griff sind sie? 4. Wie kann ein guter Griff generiert werden? Folie 8
9 Was ist ein Griff? Griff? Präzision Kraft Gut? Besser? Qualitätsklassen Klassifikation Qualitätsmaß Folie 9
10 Grifftaxonomie (Cutkosky & Howe 1990) Folie 10
11 Grifftaxonomie Kraftgriff Präzisionsgriff große Kraft viele Kontakte ganze Hand beteiligt große Feinfühligkeit wenige Kontakte nur Fingerspitzen beteiligt Qualitätsbewertung: gleich Planung: verschieden Folie 11
12 Modellbasierte Griffplanung 1. Was ist ein Griff? 2. Was ist ein guter Griff? 3. Gibt es viele gute Griffe? Wie nahe am optimalen Griff sind sie? 4. Wie kann ein guter Griff generiert werden? Folie 12
13 Griffqualität Fragestellungen: 1. Was kann der Griff? 2. Was soll der Griff können? 3. Kann er mehr als er soll? Folie 13
14 Formalisierung Griff Griff: Menge von Kontakten Kontaktmodelle: A Punktkontakt ohne Reibung B Punktkontakt mit Reibung C Softfinger Kontakt Ergebnis am Objekt: Wrench f wc = ( c r) f Folie 14
15 Griffqualität Was kann ein einzelner Kontakt? (Cone Wrench Space CWS) CWS c i fi = wi w i = fi i i i i i i ( ci r) fi ( f n ) n μ( f n ) f. Wrench Definition Reibungskegel Normierung 1 Was kann ein Griff mit k Kontakten? (Grasp Wrench Space GWS) k GWS = w w = wi wi CWSc. 1 i i= Folie 15
16 Griffqualität Was soll der Griff können? Aufgabe spezifiziert Task Wrench Space - TWS: TWS 2 = w w = wi wi CWSc. 1 i i= Folie 16
17 Griffqualität Was soll der Griff können? keine Aufgabe spezifiziert Wirkung einer Einheitskraft beliebig verteilt am Objekt Object Wrench Space - OWS: n n f i OWS = w w = wi fi = 1 wi = wi CWSc n i i= 1 i= 1 ti Normierung auf Einheitskraft Reibung { 1.. }. Beliebig viele Angriffspunkte Folie 17
18 Griffqualität Fragestellungen: 1. Was kann der Griff? GWS 2. Was soll der Griff können? TWS / OWS 3. Kann er mehr als er soll? Qualitätsmaß Folie 18
19 Griffqualität Fragestellungen: 1. Was kann der Griff? GWS 2. Was soll der Griff können? TWS / OWS 3. Kann er mehr als er soll? Qualitätsmaß Berechnung? Folie 19
20 Berechnung der Griffqualität (Stand der Technik) Diskretisierung der Reibungskegel und Approximation des GWS durch konvexe Hülle 1. Diskretisierung der Reibungskegel Fehler bei der Kegel Diskretisierung Kirkpatrick et al Ferrari, Canny 1992 Pollard 1994 Teichmann, Mishra 1997 Liu, Ding, Wang 1999 Miller, Allen 99,03 Fehler bei großem Reibungskoeffizienten Folie 20
21 Berechnung der Griffqualität (Stand der Technik) Approximation des GWS durch konvexe Hüllen 1. GWS konvexe Hülle über Reibungskegelvektoren { w, K w } k GWS Q1 = ConvexHull U i,1, i, i= 1 m Projektion in Kraftraum 2. GWS konvexe Hülle über Minkowskisumme der Reibungskegelvektoren { w, K w } k GWS Q 2 = ConvexHull i,1, i, i= 1 m GWS Q1 GWS Q2 Folie 21
22 Berechnung der Griffqualität (Stand der Technik) Approximation des GWS durch konvexe Hüllen 1. GWS konvexe Hülle über Reibungskegelvektoren { w, K w } k GWS Q1 = ConvexHull U i,1, i, i= 1 m Projektion in Kraftraum Komplexität: 4 Finger x 8 RKV = GWS konvexe Hülle über Minkowskisumme der Reibungskegelvektoren { w, K w } k GWS Q 2 = ConvexHull i,1, i, i= 1 Komplexität: 8 RKV ^ 4 Finger = 8 4 = 4096 m GWS Q1 GWS Q2 Folie 22
23 Effiziente Berechnung der Griffqualität Hauptproblem: Komplexität GWS Q2 Berechnung GWS in hoher Genauigkeit Vereinfachung: Kein vollständiger GWS benötigt Umgebung um TWS reicht aus Idee: Inkrementelle Berechnung der TWS Umgebung Folie 23
24 Algorithmus (1) Starthülle (4 Finger x 4 RKV) (2) Suche kleinsten Wrench (3) Berechne mit Hilfe der Kontaktinformation den Wrench der die Hülle in dieser Richtung am weitesten ausdehnt. (4) Starte bei (2) Abbruch: w neu < w min(neu) * (1 + relativer Fehler) Folie 24
25 Zusammenfassung Aufgabenspezifikationen 6D - Kugel Task Spezifikation Allgem. Task Spez. + Effizient berechenbar - Qualität abhängig von Referenzpunkt + Effizient berechenbar (max. Wrench an Ecken des TWS) Problem: Sampling gibt sehr viele Wrenches Approx. Ellipsoid Folie 25
26 Modellbasierte Griffplanung 1. Was ist ein Griff? 2. Was ist ein guter Griff? 3. Gibt es viele gute Griffe? Wie nahe am optimalen Griff sind sie? 4. Wie kann ein guter Griff generiert werden? Folie 26
27 Untersuchung der Griffqualität Interessante Fragen: Wie viele gute und schlechte Griffe gibt es? Wie gut sind diese im Vergleich zu menschlichen Griffen? Wie sehen die optimalen Griffe aus? Exemplarische Untersuchung: Folie 27
28 Untersuchung Griffqualität Verhältnis kraftschlüssig / nicht kraftschlüssig: 70% 60% 50% 40% 30% 20% 10% 0% Box Cone1 Cone2 Cube Cyl1 Cyl2 Sphere Cup Glass Pear Spoon 4 Kontaktpunkte Reibung μ = 0.5 Prozentsatz Griffe die kraftschlüssig sind Zufall Nach 83 Kandidaten: 99,9% mindestens einer kraftschlüssig Folie 28
29 Untersuchung der Griffqualität Verteilung der Griffe nach Qualitätsmaß Es gibt nur wenige sehr gute Griffe Wie gut sind typische menschliche Griffe? Folie 29
30 Untersuchung der Griffqualität Verteilung der Griffe nach Qualitätsmaß Optimaler Griff ist nicht notwendig um sicher zu greifen Folie 30
31 Untersuchung der Griffqualität Verteilung der Griffe nach Qualitätsmaß Mit weniger als 100 Kandidaten ist die Wahrscheinlichkeit einen Griff zu bekommen, der besser als ein typischer menschlicher ist bereits größer als 99.9%. Bewertung von 100 Griffen benötigt ca. 1.8 Sekunden (PIII / 900MHz). Folie 31
32 Modellbasierte Griffplanung 1. Was ist ein Griff? 2. Was ist ein guter Griff? 3. Gibt es viele gute Griffe? Wie nahe am optimalen Griff sind sie? 4. Wie kann ein guter Griff generiert werden? Folie 32
33 Generate and Test Planer (Laufzeit Sek.) Eingabe- Daten Griff-Generierung Schnelle Filter Wiederholung Stabilitäts- Maß Griffbewertung Robustheits- Maß GWS Projektion Kraftraum - Momentenraum Ergebnis Kollisionstest Handkonfiguration Ausgabe des besten Griffs Folie 33
34 Problemstellung: Autonomes Greifen Erkennen Planen Ausführen Bahnplanung [Franziska Zacharias] Griffplanung Umweltmodellierung Robotersteuerung Folie 34
35 Problem der kombinierten Greif- und Bahnplanung? Planungsmethoden im Konfigurationsraum benötigen für die Planung eine Zielstellung des TCP (Hand). Greifplaner kann viele verschiedene Handpositionen liefern. Handpositionen können leicht oder schwer zu planen sein. Resultierende Manipulationsmöglichkeiten am Ort gut oder schlecht. Folie 35
36 Abhängigkeiten der Greifposition von der Umwelt Freiheitsgrade des Roboters (Reachability) Lage des Greifobjekts zum Roboter (Reachability) Freiraum in der Szene (Hindernisse) Für Justin: Natürlichkeit der Konfigurationen Folie 36
37 Analyse der Erreichbarkeit (2D) Brute Force Test möglich aber zu zeitaufwändig. Beobachtung: Mensch greift in bestimmten Regionen relativ zum Objekt. Heuristik: 1 Quadrant + Vorzugsrichtung Folie 37
38 Einfluss von Hindernissen (Modell 2D) Ein Quadrant wird durch Heuristik ausgewählt und untersucht Folie 38
39 Einfluss von Hindernissen (Modell 2D) Partitionierung des Quadranten in Sektoren Folie 39
40 Einfluss von Hindernissen (Modell 2D) Repräsentation von Hindernissen durch 2D Gaussians Folie 40
41 Einfluss von Hindernissen (Modell 2D) Bewertung der Sektoren durch die Nähe zu Hindernissen Folie 41
42 Einfluss von Hindernissen (Modell 2D) Bewertung aller Sektoren zur Entscheidung der günstigsten Richtung. Schwellwert zur Bewertung ob die Richtung erreichbar ist oder nicht. (experimentell ermittelt) Folie 42
43 Experiment 1 Zielobjekt: Grün Hindernisse: Rot Nur rechter Arm betrachtet Akkumulierte Sektorenwerte Schwellwert Einfache Szene schnelle Bahnplanung Folie 43
44 Experiment 2 Zielobjekt auf direktem Weg nicht erreichbar Wegräumen von Hindernissen Entfernen von Objekt, das im Weg ist und in Richtung des Ziels führt (Entscheidungsbaum) Folie 44
45 Experiment 2 Objekt 1 entfernt Erreichbarkeit wird besser Schwellwert aber noch nicht überschritten Korrelation mit Kollisionsinformation für die Zielkonfiguration Folie 45
46 Experiment 2 Erreichbarkeitswert unter Schwellwert Objekt greifbar Gute Korrelation Kollisionsinformation und Schwellwert Folie 46
47 Experiment 3 Folie 47
SIMERO: Erzeugung von flüssigen und schnellen Roboterbewegungen
SIMERO: Erzeugung von flüssigen und schnellen Roboterbewegungen AG Eingebettete Systeme und Robotik (RESY),, http://resy.informatik.uni-kl.de/ 1. Motivation 2. Stand der Forschung 3. Kontrollflusskonzepte
MehrMathematik für Biologen
Mathematik für Biologen Prof. Dr. Rüdiger W. Braun Heinrich-Heine-Universität Düsseldorf 19. Januar 2011 1 Nichtparametrische Tests Ordinalskalierte Daten 2 Test für ein Merkmal mit nur zwei Ausprägungen
MehrAW 1 - Vortrag. Simulationsmodell für visuell geführte Roboter. von Bernd Pohlmann. Betreuender: Prof. Dr. Andreas Meisel
AW 1 - Vortrag Simulationsmodell für visuell geführte Roboter von Betreuender: Prof. Dr. Andreas Meisel Inhalt 1. Motivation 2. Ziel 3. Einführung Robotik 4. Kinematik 5. Denavit-Hartenberg 6. Kameramodell
MehrETWR Teil B. Spezielle Wahrscheinlichkeitsverteilungen (stetig)
ETWR Teil B 2 Ziele Bisher (eindimensionale, mehrdimensionale) Zufallsvariablen besprochen Lageparameter von Zufallsvariablen besprochen Übertragung des gelernten auf diskrete Verteilungen Ziel des Kapitels
MehrProf. Dr. Christoph Karg Hochschule Aalen. Klausur zur Vorlesung Wahrscheinlichkeitstheorie und Statistik. Sommersemester 2016
Prof. Dr. Christoph Karg 5.7.2016 Hochschule Aalen Klausur zur Vorlesung Wahrscheinlichkeitstheorie und Statistik Sommersemester 2016 Name: Unterschrift: Klausurergebnis Aufgabe 1 (15 Punkte) Aufgabe 3
MehrAnwendungen des Fréchet-Abstandes Das Constrained Free Space Diagram zur Analyse von Körperbewegungen
Anwendungen des Fréchet-Abstandes Das Constrained Free Space Diagram zur Analyse von Körperbewegungen David Knötel Freie Universität Berlin, Institut für Informatik Seminar über Algorithmen Leitfaden Wiederholung
MehrAlgorithmen mit konstantem Platzbedarf: Die Klasse REG
Algorithmen mit konstantem Platzbedarf: Die Klasse REG Sommerakademie Rot an der Rot AG 1 Wieviel Platz brauchen Algorithmen wirklich? Daniel Alm Institut für Numerische Simulation Universität Bonn August
MehrComputer Vision: AdaBoost. D. Schlesinger () Computer Vision: AdaBoost 1 / 10
Computer Vision: AdaBoost D. Schlesinger () Computer Vision: AdaBoost 1 / 10 Idee Gegeben sei eine Menge schwacher (einfacher, schlechter) Klassifikatoren Man bilde einen guten durch eine geschickte Kombination
MehrLabor CIM & Robotik. Prof. Georg Stark. University of Applied Sciences. Augsburg, Germany. Prof. Georg Stark University of Applied Sciences
Labor CIM & Robotik Augsburg, Germany Zielsetzung I Auge-Hand-System Steuerung Roboter Effektor Werkstück 3D-Kamera Zielsetzung II Kooperierende Systeme Werkstück Werkzeug Entwicklung von Software für
MehrModellbasierte automatisierte Greifplanung
Modellbasierte automatisierte Greifplanung Im Fachbereich für Mathematik und Informatik der Technischen Universität Carolo-Wilhelmina zu Braunschweig zur Erlangung des Grades eines Doktor-Ingenieurs (Dr.-Ing.)
MehrEntwicklung einer allgemeinen dynamischen inversen Kinematik
Entwicklung einer allgemeinen dynamischen inversen Kinematik Christoph Schmiedecke Studiendepartment Informatik Hochschule für Angewandte Wissenschaften Hamburg 06. Januar 2010 Inhaltsverzeichnis 1 Motivation
Mehr6.6 Vorlesung: Von OLAP zu Mining
6.6 Vorlesung: Von OLAP zu Mining Definition des Begriffs Data Mining. Wichtige Data Mining-Problemstellungen, Zusammenhang zu Data Warehousing,. OHO - 1 Definition Data Mining Menge von Techniken zum
MehrAlgorithmen und Datenstrukturen Bereichsbäume
Algorithmen und Datenstrukturen Bereichsbäume Matthias Teschner Graphische Datenverarbeitung Institut für Informatik Universität Freiburg SS 12 Überblick Einführung k-d Baum BSP Baum R Baum Motivation
MehrStefan Schmid TU Berlin & T-Labs, Berlin, Germany. Reduktionen in der Berechenbarkeitstheorie
Stefan Schmid TU Berlin & T-Labs, Berlin, Germany Reduktionen in der Berechenbarkeitstheorie Problem: Wie komme ich von hier zum Hamburger Hbf? 2 Beispiel P1 Wie komme ich von hier zum Hamburger Hbf? kann
MehrBielefeld Graphics & Geometry Group. Brain Machine Interfaces Reaching and Grasping by Primates
Reaching and Grasping by Primates + 1 Reaching and Grasping by Primates Inhalt Einführung Theoretischer Hintergrund Design Grundlagen Experiment Ausblick Diskussion 2 Reaching and Grasping by Primates
MehrAnleitung: Standardabweichung
Anleitung: Standardabweichung So kann man mit dem V200 Erwartungswert und Varianz bzw. Standardabweichung bei Binomialverteilungen für bestimmte Werte von n, aber für allgemeines p nach der allgemeinen
MehrNichtrealistische Darstellung von Gebirgen mit OpenGL
Nichtrealistische Darstellung von Gebirgen mit OpenGL Großer Beleg Torsten Keil Betreuer: Prof. Deussen Zielstellung Entwicklung eines Algorithmus, der die 3D- Daten einer Geometrie in eine nichtrealistische
MehrVortrag zum Hauptseminar Hardware/Software Co-Design
Fakultät Informatik Institut für Technische Informatik, Professur für VLSI-Entwurfssysteme, Diagnostik und Architektur Vortrag zum Hauptseminar Hardware/Software Co-Design Robert Mißbach Dresden, 02.07.2008
MehrAbgabe: (vor der Vorlesung) Aufgabe 2.1 (P) O-Notation Beweisen Sie die folgenden Aussagen für positive Funktionen f und g:
TECHNISCHE UNIVERSITÄT MÜNCHEN FAKULTÄT FÜR INFORMATIK Lehrstuhl für Sprachen und Beschreibungsstrukturen SS 2009 Grundlagen: Algorithmen und Datenstrukturen Übungsblatt 2 Prof. Dr. Helmut Seidl, S. Pott,
MehrTutorial zum Umgang mit Scratch
Tutorial zum Umgang mit Scratch In diesem Tutorial sollst du die grundlegenden Funktionen von Scratch ausprobieren und kennen lernen Danach solltest du gut mit dem Programm umgehen können und eigene Programme
MehrNeues Verfahren zur Roboterzielführung ohne Kalibrierung
Lernende Roboterführung Roboteraugen werden autonomer, leistungsfähiger und genauer Neues Verfahren zur Roboterzielführung ohne Kalibrierung Unter dem Namen AURA (Adaptive Uncalibrated Robot Automation)
MehrStochastische Modellierung von Private Equity-Fonds
Reihe: Finanzierung, Kapitalmarkt und Banken Band 59 Herausgegeben von Prof. Dr. Hermann Locarek-Junge, Dresden, Prof. Dr. Klaus Röder, Regensburg, und Prof. Dr. Mark Wahrenburg, Frankfurt Dr. Axel Buchner
MehrFeinfühlige zweihändige Manipulation und Interaktion mit DLRs Humanoiden Justin
Feinfühlige zweihändige Manipulation und Interaktion mit DLRs Humanoiden Justin Thomas Wimböck DLR, Institut für Robotik und Mechatronik Slide 1 Mobile Manipulation Beidhändige mobile Manipulation: Mobile
MehrStandardisierte Vorgehensweisen und Regeln zur Gewährleistung von: Eindeutigkeit Schlussfolgerungen aus empirischen Befunden sind nur dann zwingend
Standardisierte Vorgehensweisen und Regeln zur Gewährleistung von: Eindeutigkeit Schlussfolgerungen aus empirischen Befunden sind nur dann zwingend oder eindeutig, wenn keine alternativen Interpretationsmöglichkeiten
MehrZusicherungen und Laufzeit Überwachungen in der modellbasierten Software Entwicklung
Zusicherungen und Laufzeit Überwachungen in der modellbasierten Software Entwicklung Methoden Design Integration STZ Softwaretechnik Andreas Rau STZ Softwaretechnik Im Gaugenmaier 20 73730 Esslingen Email:
MehrRandomisierte Algorithmen
Randomisierte Algorithmen Randomisierte Algorithmen 5. Zwei spieltheoretische Aspekte Thomas Worsch Fakultät für Informatik Karlsruher Institut für Technologie Wintersemester 2015/2016 1 / 36 Überblick
MehrPhysik 2 (GPh2) am
Name: Matrikelnummer: Studienfach: Physik 2 (GPh2) am 17.09.2013 Fachbereich Elektrotechnik und Informatik, Fachbereich Mechatronik und Maschinenbau Zugelassene Hilfsmittel zu dieser Klausur: Beiblätter
Mehrad Physik A VL2 (11.10.2012)
ad Physik A VL2 (11.10.2012) korrigierte Varianz: oder: korrigierte Stichproben- Varianz n 2 2 2 ( x) ( xi ) n 1 i1 1 n 1 n i1 1 Begründung für den Vorfaktor : n 1 Der Mittelwert der Grundgesamtheit (=
MehrGrundlegende Eigenschaften von Punktschätzern
Grundlegende Eigenschaften von Punktschätzern Worum geht es in diesem Modul? Schätzer als Zufallsvariablen Vorbereitung einer Simulation Verteilung von P-Dach Empirische Lage- und Streuungsparameter zur
MehrGenerierung von Testfällen für eine Robotersteuerung
Generierung von Testfällen für eine Robotersteuerung Ziel: Automatische Generierung, Ausführung und Prüfung von Testfällen Modellbasiertes Testen: (Mathematisches) Modell einer Roboteraktivität (z.b. Gleichungen)
MehrVU Grundlagen digitaler Systeme
VU Grundlagen digitaler Systeme Übung 4. Übung 183.580, 2014W Übungsgruppen: Fr., 05.12.2014 Hinweis: Verwenden Sie für Ihre Lösungen keinen Taschenrechner und geben Sie die einzelnen Lösungsschritte an,
Mehr5. Assoziationsregeln
5. Generieren von Assoziationsregeln Grundbegriffe 5. Assoziationsregeln Assoziationsregeln beschreiben gewisse Zusammenhänge und Regelmäßigkeiten zwischen verschiedenen Dingen, z.b. den Artikeln eines
MehrKapitel 2 Wahrscheinlichkeitsrechnung
Definition 2.77: Normalverteilung & Standardnormalverteilung Es sei µ R und 0 < σ 2 R. Besitzt eine stetige Zufallsvariable X die Dichte f(x) = 1 2 πσ 2 e 1 2 ( x µ σ ) 2, x R, so heißt X normalverteilt
MehrVision und Roboter in der Lebensmittelindustrie
CLK GmbH Vision und Roboter in der Lebensmittelindustrie Dr. Carsten Cruse Zur Steinkuhle 3 48341 Altenberge www.clkgmbh.de CLK GmbH Folie 1 CLK GmbH Inhalt 1. Einleitung 2. Kameratechnik für die Lebensmittelindustrie:
MehrBildverarbeitung Herbstsemester 2012. Kanten und Ecken
Bildverarbeitung Herbstsemester 01 Kanten und Ecken 1 Inhalt Einführung Kantendetektierung Gradientenbasierende Verfahren Verfahren basierend auf der zweiten Ableitung Eckpunkterkennung Harris Corner Detector
MehrDiscontinuous-Galerkin-Verfahren
Discontinuous-Galerkin-Verfahren Dr. Gregor Gassner Institut für Aerodynamik und Gasdynamik der Universität Stuttgart. Stuttgart, 2013 Variationsformulierung 1 Ziel dieser Vorlesung ist es, das DG Verfahren
MehrGrundlagen der Pfadplanung
Grundlagen der Pfadplanung Überblick Kürzeste Wege in Graphen: Konfigurations- und Arbeitsraum Prof. Dr. O. Bittel, HTWG Konstanz Autonome Roboter - Grundlagen der Pfadplanung SS 2016 4-1 Kartenbasierte
MehrDemonstrator-2. Plug-and-Produce-Zelle für den Griff-in-die-Kiste
Demonstrator-2 Plug-and-Produce-Zelle für den Griff-in-die-Kiste 1 Inhalt 1. Einleitung 2. Demonstratorzelle 3. Plug-and-Produce-Konzept 4. Griff-in-die-Kiste 5. Zusammenfassung 2 Einleitung Anwendung:
MehrProjektgruppe DynOLog. Informatik 7 & 12 sowie IRPA und IML Frank Weichert. Pascal Libuschewski. Adrian Schyja. Andreas Kamagaew
Projektgruppe DynOLog Dynamische Detektion von Objekten im Kontext von logistischen Anwendungsfällen Informatik 7 & 12 sowie IRPA und IML Frank Weichert Email: frank.weichert@tu-dortmund.de Pascal Libuschewski
MehrTURNINGPOINT PRÄSENTATION ERSTELLEN
TURNINGPOINT PRÄSENTATION ERSTELLEN Wie starte ich? Um eine TurningPoint-Präsentation zu erstellen müssen Sie die TurningPoint mittels des Symbols auf Ihrem Desktop oder über das Startmenü starten. Dadurch
MehrSatellitennavigation Effizienzsteigerung bei gleicher Sicherheit im Schienenverkehr
Satellitennavigation Effizienzsteigerung bei gleicher Sicherheit im Schienenverkehr Dr.-Ing. Klaus P. Jaschke (Siemens AG, TS RA) und Dr.-Ing. Michael Meyer zu Hörste (DLR FS) Sat-Nav > Köln > 31. Mai
MehrÜbung zur Vorlesung Algorithmische Geometrie
Übung zur Vorlesung Algorithmische Geometrie Dipl.-Math. Bastian Rieck Arbeitsgruppe Computergraphik und Visualisierung Interdisziplinäres Zentrum für Wissenschaftliches Rechnen 8. Mai 2012 B. Rieck (CoVis)
MehrUninformierte Suche in Java Informierte Suchverfahren
Uninformierte Suche in Java Informierte Suchverfahren Stephan Schwiebert WS 2009/2010 Sprachliche Informationsverarbeitung Institut für Linguistik Universität zu Köln Suchprobleme bestehen aus Zuständen
MehrMAP CellSs Mapprakt3
MAP CellSs Mapprakt3 Andreas Fall, Matthias Ziegler, Mark Duchon Hardware-Software-Co-Design Universität Erlangen-Nürnberg Andreas Fall, Matthias Ziegler, Mark Duchon 1 CellSs Cell CPU (1x PPU + 6x SPU)
MehrVorlesung Sicherheit
Vorlesung Sicherheit Jörn Müller-Quade ITI, KIT basierend auf den Folien von Dennis Hofheinz, Sommersemester 2014 20.04.2014 1 / 28 Überblick 1 Blockchiffren Erinnerung Angriffe auf Blockchiffren 2 Formalisierung
MehrAlgorithmus zum Graphen-Matching. und. Anwendung zur inhaltsbasierten Bildersuche
Algorithmus zum Graphen-Matching und Anwendung zur inhaltsbasierten Bildersuche Gliederung 1. Einführung 2. Algorithmus Beschreibung Beispiel Laufzeit 3. Anwendung des Algorithmus Seite 1 von 18 1. Einführung
MehrOracle-Statistiken im Data Warehouse effizient nutzen
Oracle-Statistiken im Data Warehouse effizient nutzen Reinhard Mense ARETO Consulting Köln Schlüsselworte: DWH, Data Warehouse, Statistiken, Optimizer, Performance, Laufzeiten Einleitung Für die performante
MehrDomain-independent. independent Duplicate Detection. Vortrag von Marko Pilop & Jens Kleine. SE Data Cleansing
SE Data Cleansing Domain-independent independent Duplicate Detection Vortrag von Marko Pilop & Jens Kleine http://www.informatik.hu-berlin.de/~pilop/didd.pdf {pilop jkleine}@informatik.hu-berlin.de 1.0
MehrEntwicklung einer Entscheidungssystematik für Data- Mining-Verfahren zur Erhöhung der Planungsgüte in der Produktion
Entwicklung einer Entscheidungssystematik für Data- Mining-Verfahren zur Erhöhung der Planungsgüte in der Produktion Vortrag Seminararbeit David Pogorzelski Aachen, 22.01.2015 Agenda 1 2 3 4 5 Ziel der
Mehr4.2 Grundlagen der Testtheorie
4.2 Grundlagen der Testtheorie Januar 2009 HS MD-SDL(FH) Prof. Dr. GH Franke Kapitel 5 Vertiefung: Reliabilität Kapitel 5 Vertiefung: Reliabilität 5.1 Definition Die Reliabilität eines Tests beschreibt
MehrVerteilte Systeme. Verteilte Systeme. 5 Prozeß-Management SS 2016
Verteilte Systeme SS 2016 Universität Siegen rolanda.dwismuellera@duni-siegena.de Tel.: 0271/740-4050, Büro: H-B 8404 Stand: 31. Mai 2016 Betriebssysteme / verteilte Systeme Verteilte Systeme (1/14) i
MehrTrainingssysteme für die Robotik. Mit den Schulungsrobotern auf leichte und verständliche Weise komplexe Themen der Robotik vermitteln
Trainingssysteme für die Robotik Mit den Schulungsrobotern auf leichte und verständliche Weise komplexe Themen der Robotik vermitteln Automatisierungstechnik Trainingssysteme für die Robotik Der Start
MehrVisuelle Simulation eines Radiosity Algorithmus und ihre Anwendung in Lernprozessen
Visuelle Simulation eines Radiosity Algorithmus und ihre Anwendung in Lernprozessen Abschlussvortrag zur Diplomarbeit von Jörg Karpf Graphische Datenverarbeitung, Institut für Informatik 3. September 2009
Mehr5 Zwei spieltheoretische Aspekte
5 Zwei spieltheoretische Aspekte In diesem Kapitel wollen wir uns mit dem algorithmischen Problem beschäftigen, sogenannte Und-Oder-Bäume (kurz UOB) auszuwerten. Sie sind ein Spezialfall von Spielbäumen,
MehrFakultät für Informatik Übung zu Kognitive Systeme Sommersemester 2016
Fakultät für Informatik Übung zu Kognitive Systeme Sommersemester 1 M. Sperber (matthias.sperber@kit.edu) S. Nguyen (thai.nguyen@kit.edu) Übungsblatt 3 Maschinelles Lernen und Klassifikation Abgabe online
Mehr2. Algorithmen und Algorithmisierung Algorithmen und Algorithmisierung von Aufgaben
Algorithmen und Algorithmisierung von Aufgaben 2-1 Algorithmisierung: Formulierung (Entwicklung, Wahl) der Algorithmen + symbolische Darstellung von Algorithmen Formalismen für die symbolische Darstellung
MehrIdeen der Informatik. Maschinelles Lernen. Kurt Mehlhorn Adrian Neumann Max-Planck-Institut für Informatik
Ideen der Informatik Maschinelles Lernen Kurt Mehlhorn Adrian Neumann Max-Planck-Institut für Informatik Übersicht Lernen: Begriff Beispiele für den Stand der Kunst Spamerkennung Handschriftenerkennung
MehrProbleme der Navigation von Rehabilitationsroboter: Intelligenter Rollstuhl
16.04.2013 Advanced Seminar "Computer Engineering" WS2012/2013 Probleme der Navigation von Rehabilitationsroboter: Intelligenter Rollstuhl Sandrine Michele Chouansu Lehrstuhl für Automation; Universität
MehrMesh-Visualisierung. Von Matthias Kostka. Visualisierung großer Datensätze
Mesh-Visualisierung Von Matthias Kostka Übersicht Einführung Streaming Meshes Quick-VDR Rendering virtueller Umgebung Rendering mit PC-Clustern Zusammenfassung 2 Mesh Untereinander verbundene Punkte bilden
MehrVersuchsplanung. Teil 2 Varianzanalyse (ANOVA) Dr. Tobias Kiesling
Versuchsplanung Teil 2 Varianzanalyse (ANOVA) Dr. Tobias Kiesling Gliederung Grundlagen der Varianzanalyse Streuungszerlegung und Modellschätzer Modellannahmen und Transformationen
MehrLaufzeitverifikation
Laufzeitverifikation Martin Möser Seminar Fehlertolerante und Selbstheilende Systeme: Verifikation und Validierung autonomer Systeme Martin Möser - 1 Einführung / Motivation Autonome Systeme Komplexes
MehrSpezifikationsmethode zur Generierung von Modellen und Tests. Qualifizierung von Codegeneratoren.
Page 1 Spezifikationsmethode zur Generierung von Modellen und Tests. Qualifizierung von Codegeneratoren. Dr. Stefan-Alexander Schneider, Prozessentwicklung Page 2 Agenda. Motivation Vorgehen Spezifikationssprache
MehrTechnische Mechanik. Statik
Hans Albert Richard Manuela Sander Technische Mechanik. Statik Lehrbuch mit Praxisbeispielen, Klausuraufgaben und Lösungen 4., überarbeitete und erweiterte Auflage Mit 263 Abbildungen ^ Springer Vieweg
MehrRouting Algorithmen. Begriffe, Definitionen
Begriffe, Definitionen Routing (aus der Informatik) Wegewahl oder Verkehrslenkung bezeichnet in der Telekommunikation das Festlegen von Wegen für Nachrichtenströme bei der Nachrichtenübermittlung über
MehrMögliche Fehler beim Testen
Mögliche Fehler beim Testen Fehler. Art (Irrtumswahrscheinlichkeit α), Zusammenfassung: Die Nullhypothese wird verworfen, obwohl sie zutrifft. Wir haben uns blamiert, weil wir etwas Wahres abgelehnt haben.
MehrAussagen hierzu sind mit einer unvermeidbaren Unsicherheit behaftet, die statistisch über eine Irrtumswahrscheinlichkeit bewertet wird.
Stichprobenumfang Für die Fragestellung auf Gleichheit von ein oder zwei Stichproben wird auf Basis von Hypothesentests der notwendige Stichprobenumfang bestimmt. Deshalb werden zunächst die Grundlagen
MehrEinsatz von Simulationen in der Softwareentwicklung
Einsatz von Simulationen in der Softwareentwicklung Dr. rer. nat. Olaf Maibaum Deutsches Zentrum für Luft- und Raumfahrt e.v. Simulations- und Softwaretechnik, Braunschweig Dr. Olaf Maibaum. DLR, Simulations-
MehrSoftwarequalitätssicherung
Softwarequalitätssicherung Seminarvortrag Peter Winkelhane 1 Agenda Motivation Taxonomie zur Einordnung von Verfahren im Bereich kontraktbasiertem Testen Drei kontraktbasierte Verfahren Vergleich der drei
MehrBildauswertung in UAV
Bildauswertung in UAV Prof. Dr. Nailja Luth Prof. N. Luth Emden 2014-1 OTH Ost-Bayerische Technische Hochschule Amberg-Weiden Prof. N. Luth Emden 2014-2 Prof. Dr.-Ing. N. Luth: Vorlesung Bildverarbeitung
MehrINTELLIGENTE DATENANALYSE IN MATLAB
INTELLIGENTE DATENANALYSE IN MATLAB Bildanalyse Literatur David A. Forsyth: Computer Vision i A Modern Approach. Mark S. Nixon und Alberto S. Aguado: Feature Extraction and Image Processing. Ulrich Schwanecke:
MehrNichtdeterministische Platzklassen
Sommerakademie 2010 Rot an der Rot AG 1: Wieviel Platz brauchen Algorithmen wirklich? Nichtdeterministische Platzklassen Ulf Kulau August 23, 2010 1 Contents 1 Einführung 3 2 Nichtdeterminismus allgemein
MehrKomplexität von Algorithmen
Komplexität von Algorithmen Prof. Dr. Christian Böhm WS 07/08 in Zusammenarbeit mit Gefei Zhang http://www.dbs.informatik.uni-muenchen.de/lehre/nfinfosw Ressourcenbedarf - Größenordnungen Prozesse verbrauchen
MehrEchtzeitprogrammierung und Echtzeitverhalten von Keil RTX. Frank Erdrich Semester AI 7
Echtzeitprogrammierung und Echtzeitverhalten von Frank Erdrich Semester AI 7 Inhalt Einleitung Echtzeit und Echtzeitsysteme Echtzeitprogrammierung Real-Time Operating System Keil RTOS RTX Zusammenfassung
MehrGrundlagen: Bildbearbeitung / Objekterkennung. Julia Peterwitz zum Seminar: Videobasierte Erkennung und Analyse menschlicher Aktionen
Grundlagen: Bildbearbeitung / Objekterkennung Julia Peterwitz zum Seminar: Videobasierte Erkennung und Analyse menschlicher Aktionen Videoerkennung! Warum? Live-Übertragung von Veranstaltungen Überwachung
MehrKürzeste Wege in Graphen. Maurice Duvigneau Otto-von-Guericke Universität Fakultät für Informatik
Kürzeste Wege in Graphen Maurice Duvigneau Otto-von-Guericke Universität Fakultät für Informatik Gliederung Einleitung Definitionen Algorithmus von Dijkstra Bellmann-Ford Algorithmus Floyd-Warshall Algorithmus
MehrKonfidenzintervall für den Anteilswert θ. Konfidenzintervalle. Jost Reinecke. Universität Bielefeld. 13. Juni 2005
Universität Bielefeld 13. Juni 2005 Einführung Einführung Wie kann die Kenntnis der Wahrscheinlichkeitsverteilung der Parameter einer Stichprobe dazu verhelfen auf die wahren Werte der Grundgesamtheit
MehrKerncurriculum Mathematik Kl.6
Kerncurriculum Mathematik Kl.6 Leitidee Kompetenzen Inhalte möglicher IT- Einsatz Daten und Modellieren - en vergleichen und ordnen - unterschiedliche Lösungsstrategien anwenden, verbalisieren, hinterfragen
MehrSeminarvortrag zum Thema maschinelles Lernen I - Entscheidungsbäume. von Lars-Peter Meyer. im Seminar Methoden wissensbasierter Systeme
Seminarvortrag zum Thema maschinelles Lernen I - Entscheidungsbäume von Lars-Peter Meyer im Seminar Methoden wissensbasierter Systeme bei Prof. Brewka im WS 2007/08 Übersicht Überblick maschinelles Lernen
Mehr(7) Normal Mapping. Vorlesung Computergraphik II S. Müller. Dank an Stefan Rilling U N I V E R S I T Ä T KOBLENZ LANDAU
(7) Normal Mapping Vorlesung Computergraphik II S. Müller Dank an Stefan Rilling Einleitung Die Welt ist voller Details Viele Details treten in Form von Oberflächendetails auf S. Müller - 3 - Darstellung
MehrSignalverarbeitung 2. Volker Stahl - 1 -
- 1 - Hidden Markov Modelle - 2 - Idee Zu klassifizierende Merkmalvektorfolge wurde von einem (unbekannten) System erzeugt. Nutze Referenzmerkmalvektorfolgen um ein Modell Des erzeugenden Systems zu bauen
Mehr3D-Simulation in der Intralogistik
3D-Simulation in der Intralogistik Siemens Postal, Parcel & Airport Logistics AG Seite 1 siemens.ch/logistics Inhalt 3D Simulation in der Intralogistik Abgrenzung/Definition Animation Simulation Emulation
Mehr3.4 Asymptotische Evaluierung von Sch atzer Konsistenz Konsistenz Definition 3.4.1: konsistente Folge von Sch atzer
3.4 Asymptotische Evaluierung von Schätzer 3.4.1 Konsistenz Bis jetzt haben wir Kriterien basierend auf endlichen Stichproben betrachtet. Konsistenz ist ein asymptotisches Kriterium (n ) und bezieht sich
MehrMathematik: LehrerInnenteam Arbeitsblatt Semester ARBEITSBLATT 12. Erwartungswert, Varianz und Standardabweichung
Mathematik: LehrerInnenteam Arbeitsblatt 7-7. Semester ARBEITSBLATT Erwartungswert, Varianz und Standardabweichung Die Begriffe Varianz und Standardabweichung sind uns bereits aus der Statistik bekannt
MehrFlussdiagramm / Programmablaufplan (PAP)
Flussdiagramm / Programmablaufplan (PAP) Basissysmbole Grenzstelle (Anfang, Zwischenhalt oder Ende des Programms/Algorithmus) Verbindung Zur Verdeutlichung der Ablaufrichtung werden Linien mit einer Pfeilspitze
MehrHypothesentests mit SPSS. Beispiel für einen t-test
Beispiel für einen t-test Daten: museum-f-v04.sav Hypothese: Als Gründe, in ein Museum zu gehen, geben mehr Frauen als Männer die Erweiterung der Bildung für Kinder an. Dies hängt mit der Geschlechtsrolle
Mehrabgeschlossen unter,,,, R,
Was bisher geschah Turing-Maschinen können Sprachen L X akzeptieren entscheiden Funktionen berechnen f : X X (partiell) Menge aller Turing-akzeptierbaren Sprachen genau die Menge aller Chomsky-Typ-0-Sprachen
MehrManipulation-Skills. AG Eingebettete Systeme und Robotik (RESY), Prof. Dr. D. Henrich Fachbereich Informatik, Universität Kaiserslautern
anipulation-skills Antoine SCHLECHTER AG Eingebettete Systeme und Robotik (RESY),, http://resy.informatik.uni-kl.de/ 1. anipulation deformierbarer Objekte 2. Kontaktzustandsübergänge 3. Umsetzung in anipulation-skills
MehrVerifizierung des Kopplungsalgorithmus analytisches Schrumpfkraftmodell mit numerischer FE-Berechnung
Erweiterung eines analytisch-numerischen Hybridmodells für die Verzugssimulation von Großstrukturen Verifizierung des Kopplungsalgorithmus analytisches Schrumpfkraftmodell mit numerischer FE-Berechnung
MehrChi Quadrat-Unabhängigkeitstest
Fragestellung 1: Untersuchung mit Hilfe des Chi-Quadrat-Unabhängigkeitstestes, ob zwischen dem Herkunftsland der Befragten und der Bewertung des Kontaktes zu den Nachbarn aus einem Anderen Herkunftsland
MehrSimulation der Rissausbreitung unter komplexen Lasten. Prof. Dr.-Ing. Markus Fulland
Simulation der Rissausbreitung unter komplexen Lasten Prof. Dr.-Ing. Markus Fulland Übersicht Motivation FE-Risssimulation am Beispiel ADAPCRAC3D Risseinfügung, Netzadaption Bruchmechanik Simulationsbeispiele
MehrChi-Quadrat-Verteilung
Chi-Quadrat-Verteilung Die Verteilung einer Summe X +X +...+X n, wobei X,..., X n unabhängige standardnormalverteilte Zufallsvariablen sind, heißt χ -Verteilung mit n Freiheitsgraden. Eine N(, )-verteilte
MehrBayes Klassifikatoren M E T H O D E N D E S D A T A M I N I N G F A B I A N G R E U E L
Bayes Klassifikatoren M E T H O D E N D E S D A T A M I N I N G F A B I A N G R E U E L Inhalt Grundlagen aus der Wahrscheinlichkeitsrechnung Hypothesenwahl Optimale Bayes Klassifikator Naiver Bayes Klassifikator
MehrTracking Technologien für Augmented Reality
Tracking Technologien für Augmented Reality 1 Inhalt Motivation Tracking Methoden Optisch MarkerlessTracking (kleine Wiederholung) Aktiv und Passive Marker Modellbasiertes Markerless Tracking Sensoren
MehrComputer-Graphik I Transformationen & Viewing
lausthal Motivation omputer-raphik I Transformationen & Viewing Man möchte die virtuelle 3D Welt auf einem 2D Display darstellen. Zachmann lausthal University, ermany zach@in.tu-clausthal.de. Zachmann
MehrTest-Strategien. Grundsätzliches Blackbox-Testen Whitebox-Testen Graybox-Testen Ablauf von Tests Zusammenfassung. HS Mannheim
Test- Grundsätzliches - - - Ablauf von Tests Grundsätzliche Test- -Tests Äquivalenzklassenbildung Randwertanalyse -Tests Man unterscheidet verschiedene Überdeckungsgrade: Statement Coverage Decision Coverage,
MehrTechnische Universität Wien Institut für Computergraphik und Algorithmen Arbeitsbereich für Algorithmen und Datenstrukturen
Technische Universität Wien Institut für Computergraphik und Algorithmen Arbeitsbereich für Algorithmen und Datenstrukturen 186.172 Algorithmen und Datenstrukturen 1 VL 4.0 Übungsblatt 4 für die Übung
MehrMBEES Research Abstract Ein Framework zur automatisierten Ermittlung der Modellqualität bei eingebetteten Systemen
MBEES 2010 - Research Abstract Ein Framework zur automatisierten Ermittlung der Modellqualität bei eingebetteten Systemen Jan Scheible (jan.scheible@daimler.com) Daimler AG Group Research and Advanced
MehrSimulationsmethoden in der Bayes-Statistik
Simulationsmethoden in der Bayes-Statistik Hansruedi Künsch Seminar für Statistik, ETH Zürich 6. Juni 2012 Inhalt Warum Simulation? Modellspezifikation Markovketten Monte Carlo Simulation im Raum der Sprungfunktionen
Mehr