Environment and task modeling of long-term-autonomous service robots

verfasst von

Marvin Stüde

betreut von

Tobias Ortmaier

Abstract

Der Einsatz von Servicerobotern kann die Effizienz, Produktivität und Sicherheit in Bereichen wie dem Gesundheitswesen, Gastgewerbe oder der Logistik erheblich verbessern. Die Integration der Roboter in komplexe von Menschen genutzte Umgebungen stellt jedoch eine wesentliche Herausforderung für die langfristige Autonomie der Systeme dar. Eine wichtige Lösungsstrategie
dahingehend liegt in der Langzeitmodellierung der Umgebungscharakteristika, um eine proaktive Navigation und Aufgabendurchführung zu ermöglichen. So könnten Roboter beispielsweise das Wissen über die langfristige Variabilität menschlicher Aktivitäten dafür nutzen, um stark frequentierte Bereiche während der Navigation zu meiden oder ihre Dienste zu verbessern. In dieser Arbeit werden Methoden zur Verbesserung der Kartierung, Lokalisierung und Aufgaben
durchführung von Servicerobotern im Kontext der Langzeitautonomie vorgestellt, welche diesen Zusammenhang aufgreifen. Hierfür werden insbesondere multimodale Sensorinformationen und (langfristige) Umgebungsmodellierung genutzt. Die gelernte Umgebungsdynamik wird aktiv
verwendet, um die Aufgabenerfüllung von Servicerobotern zu verbessern.
Als erster Beitrag wird ein neuer autonomer Langzeit-Serviceroboter vorgestellt, der sowohl innerhalb als auch außerhalb von Gebäuden eingesetzt werden kann. Die multimodalen Sensorinformationen des Roboters bilden die Grundlage für nachfolgende Methoden zur Kartierung und
Modellierung menschlicher Aktivitätsmuster. Es wird gezeigt, dass die Nutzung multimodaler Daten zur Lokalisierung sowie Kartierung die
langfristige Robustheit und Qualität der Karten verbessert. Dies gilt insbesondere für Umgebungen unterschiedlicher Charakteristik, wie bspw. gemischte Innen- und Außenbereiche oder klein- und großflächige Gebiete.
Ein weiterer Beitrag ist ein auf Langzeitbeobachtungen menschlicher Aktivitätsmuster basierendes Regressionsmodell, welches eine räumlich-zeitliche Vorhersage dieser Aktivitäten ermöglicht. Das Auftreten von Personen kann somit über lange Zeiträume prädiziert werden und es wird eine
proaktive Navigationsplanung ermöglicht. Die Modellvorhersagen werden anschließend verwendet, um das Verhalten des Roboters umge-
bungsspezifisch anzupassen. Es wird ein reaktives Aufgabensteuerungssystem eingeführt, das im Falle von Fehlern aktiv Wiederherstellungs- und Suchverhalten auslöst, um die Langzeitautonomie zu verbessern. Softwarefehler können somit gezielt gelöst und potenzielle menschliche Helfer effizient gefunden werden.

Organisationseinheit(en)

Institut für Mechatronische Systeme

Typ

Dissertation

Anzahl der Seiten

124

Publikationsdatum

29.02.2024

Publikationsstatus

Veröffentlicht

Ziele für nachhaltige Entwicklung

SDG 3 – Gute Gesundheit und Wohlergehen

Elektronische Version(en)

https://doi.org/10.15488/16370 (Zugang: Offen)