Three-Dimensional Perception for Mobile Robots

摘要

Diese Arbeit befasst sich mit dem Problem der dreidimensionalen Wahrnehmung von mobilen Robotern, wobei die Wahrnehmung aus den Teilaspekten Datenaufnahme, konsistente und effiziente Datenrepräsentation, sowie der Klassifikation der vorhandenen 3D Objekte besteht. Für all diese drei Bereiche werden neuartige
<br>Herangehensweisen bereitgestellt.
<br>Zur Datenaufnahme stellen wir ein Robotersystem bestehend aus einem Arm mit vier Freiheitsgraden und einem Laser-Entfernungs-Sensor vor. Dieses System kann Objekte, die innerhalb der Reichweite des Arms ist, in 3D erfassen. Die Wege, die der Laser-Sensor dabei abfährt, werden selbstständig geplant, indem der erwartete Informationsgewinn entlang möglicher kollisionsfreier Wege maximiert wird. Dadurch wird die Anzahl der Datenerfassungen minimiert und die Sensorwege werden dem Objekt angepasst.
<br>Zur konsistenten und effizienten Datenrepräsentation entwickeln wir zunächst einen probabilistischen Algorithmus zur Erkennung von Ebenen in 3D Entfernungsdaten, welcher auf einem hierarchischen Bayesschen Netz basiert und das Prinzip der Erwartungswertmaximierung anwendet.
<br>Die dabei erreichten Verbesserungen gegenüber bisherigen Ansätzen beruhen auf dem Einbeziehen von Ebenen-Hauptrichtungen sodass Ebenen entweder parallel zueinander sind oder sich in einem bestimmten Winkel schneiden. Außerdem wird die Texturinformation zur Verbesserung der Ebenenberechnung verwendet. Im zweiten Teil des Datenrepräsentationsschritts formulieren wir eine neue
<br>probabilistische Kartendarstellung, die besonders zur Bewegungsplanung und zur Navigation in Umgebungen mit mehreren Oberflächen auf verschiedenen Höhenniveaus geeignet ist. Diese Datenrepräsentation wird als Mehrstufige Oberflächenkarte (kurz: MLS-Karte) bezeichnet und stellt eine Erweiterung der sogenannten Erhebungskarten dar. Der Vorteil von MLS-Karten ist die Fähigkeit, mehrere übereinander liegende Ebenen wie z.B. bei Brücken, darzustellen. Zusätzlich
<br>schlagen wir einen Algorithmus vor, der global konsistente Kartendarstellungen aus lokalen 3D Ansichten mit Hilfe von beschränkter Optimierung der Roboterpositionen in sechs Freiheitsgraden berechnet. Die dabei erreichte Verbesserung beruht auf der Hinzunahme von globalen Beschränkungen zusätzlich zu den lokalen, die aus dem paarweisen Zusammenfügen von aufeinander folgenden lokalen Ansichten entstehen. Dadurch kommt der Algorithmus mit weniger
<br>benötigten lokalen Ansichten zurecht, die sich gegenseitig zu geringeren Anteilen überlappen können. Außerdem wird kein Schleifenschließen benötigt, um den angesammelten Positionierungsfehler zu korrigieren.
<br>Zur Klassifikation von dreidimensionalen Objekten stellen wir einen Ansatz aus dem Kontext des überwachten Lernens vor. Die Grundidee des Algorithmus ist die der kollektiven Klassifikation, bei der die Klassenzuordnung eines Datenpunktes sowohl von der lokalen Evidenz abhängt, zu einer bestimmten Klasse zu gehören, als auch von der Zuordnung der benachbarten Datenpunkte. Dabei werden die statistischen Abhängigkeiten der Klassifizierungen benachbarter Datenpunkte
<br>modelliert. Zur Beschreibung der A-Posteriori-Verteilung der Klassenzuordnungen für eine gegebene Menge von Merkmalsvektoren benutzen wir Assoziative Markov-Netze (AMNs) und erweitern den AMN-Ansatz in zwei Aspekten. Einerseits entwickeln wir eine Technik zur adaptiven Reduktion des Trainingsdatensatzes mit Hilfe von geeignet zugeschnittenen kd-Bäumen. Dadurch wird der Lernschritt ohne
<br>Minderung der Klassifizierungsrate beschleunigt. Zum anderen kombinieren wir den AMN-Klassifikator mit einer instanzbasierten Nächste-Nachbarn-Methode. Dabei werden die Merkmale so transformiert, dass sie einfacher durch Hyperebenen trennbar sind, was eine Einschränkung bei der Benutzung von AMNs darstellt. Dadurch wird die Klassifikation im Vergleich zum Standard AMN-Ansatz verbessert.&#