Advertisement

Robustheit autonomer mobiler Systeme gegenüber Sensordefekten

  • Martin Soika
Conference paper
Part of the Informatik aktuell book series (INFORMAT)

Kurzfassung

Autonome mobile Systeme agieren in unpräparierten und oft unbekannten Umgebungen. Sie stützen sich dabei auf Sensorinformation. Sensorfehler gefährden die Auftragsausführung sowie die Sicherheit sowohl des mobilen Roboters als auch seines Aktionsraums. Die Steuerung autonomer mobiler Systeme mußdeshalb gegenüber Sensordefekten robust sein. Diese Sensordefekte müssen sicher erkannt und diagnostiziert werden, um geeignete Maßnahmen ergreifen zu können.

Bewährte konventionelle Verfahren zu Fehlererkennung und Diagnose sind meist speziell auf die jeweilige Sensorik zugeschnitten. Die Vielfalt von Sensoren auf einem autonomen mobilen Roboter sowie die Interpretation und Integration der Meßwerte eröffnen weitere Möglichkeiten. Neben den dafür erforderlichen neuen Techniken stellt der vorliegende Beitrag ein Konzept vor, wie diese unter Einsatz probabilistischer Methoden mit bisher verwendeten Einzellösungen kombiniert werden können.

Die Leistungsfähigkeit der entwickelten Methoden konnte anhand von Experimenten mit dem autonomen mobilen Roboter ROAMER nachgewiesen werden. An Sensorik wurde ein Gyroskop und die Odometrie zur Positionsbestimmung des Roboters sowie Ultraschallsensoren und ein IR-Laserscanner zur Umgebungswahrnehmung eingesetzt.

Preview

Unable to display preview. Download preview PDF.

Unable to display preview. Download preview PDF.

Literatur

  1. [1]
    Lee S.C., Sensor Value Validation Based on Systematic Exploration of the Sensor Redundancy for Fault Diagnosis KBS, IEEE Trans, on Systems, Man, and Cybernetics, 24(4), 1994, 594–605.CrossRefGoogle Scholar
  2. [2]
    Patton R.J., Fault Detection and Diagnosis in Aerospace Systems Using Analytical Redundancy, IEE Colloquium on‘Condition Monitoring and Fault Tolerance’, 1990, 1/1–1/20.Google Scholar
  3. [3]
    Elfes A., Dynamic Control of Robot Perception Using Multi-Property Inference Grids, Proc. of the IEEE Int. Conf. on Robotics and Automation, 1992, 2561–2567.CrossRefGoogle Scholar
  4. [4]
    Elfes A., Dynamic Control of Robot Perception Using Stochastic Spatial Models, Proc. of the Int. Workshop on Information Processing in Autonomous Mobile Robots, 1991, 77–92.Google Scholar
  5. [5]
    Matthies L., Elfes A., Probabilistic Estimation Mechanisms and Tesselated Representations for Sensor Fusion, Proc. of the SPIE — The Int. Society for Optical Engineering, 1988, 2–11.Google Scholar
  6. [6]
    Manyika J., Durrant-Whyte H., Data Fusion and Sensor Management-A Decentralized Information-Theoretic Approach(Ellis Horwood Series in Electrical and Electronic Engineering, Ellis Horwood Ltd., 1994).Google Scholar
  7. [7]
    Berger J.O., Statistical Decision Theory and Bayesian Analysis(Berlin, Germany: Springer-Verlag, 1985 ).zbMATHGoogle Scholar
  8. [8]
    Schiele B., Crowley J.L., Certainty Grids: Perception and Localisation for a Mobile Robot, Proc. of the Int. Workshop on Intelligent Robotic Systems, 1993.Google Scholar
  9. [9]
    Moravec H.P., Sensor Fusion in Certainty Grids for Mobile Robots, AI Magazine, 9(2), 1988, 61–74.Google Scholar
  10. [10]
    Bar-Shalom Y., Fortmann T.E., Tracking and Data Association, Mathematics in Science and Engineering(San Diego, CA, USA: Academic Press Inc., 1987 ).Google Scholar
  11. [11]
    Brumback B.D., Srinath M.D., A Fault Tolerant Multisensor Navigation System Design, IEEE Trans, on Aerospace Electronic Systems, 23(6), 1987, 738–756.CrossRefGoogle Scholar
  12. [12]
    Svenson A., Holst J., Integration of Navigation Data, Journal of Navigation, 48(1), 1995, 114–135.CrossRefGoogle Scholar
  13. [13]
    Pearl J., Probabilistic Reasoning in Intelligent Systems: Networks of Plausible Inference(San Mateo, CA, USA: Morgan Kaufmann Publishers Inc., 1988 ).Google Scholar
  14. [14]
    Soika M., Sensor Failure Detection, Diagnosis and Calibration for Autonomous Mobile Robots, Proc. of the IASTED Int. Conf on Robotics and Manufacturing, 1997.Google Scholar
  15. [15]
    Jensen F.V., An Introduction to Bayesian Networks(London, UK: UCL Press Ltd., 1996 ).Google Scholar
  16. [16]
    Rencken W.D., Leuthäusser I., Bauer R., Feiten W., Lawitzky G., Möller M., Low-cost Mobile Robots for Complex Non-Production Environments, Proc. Ist IAFC Int. Workshop on Intelligent Autonomous Vehicles, 1992, 31–36.Google Scholar
  17. [17]
    Rencken W.D., Autonomous Sonar Navigation in Indoor, Unknown and Unstructured Environments, Proc. of the IEEE/RSJ/GI Int. Conf on Intelligent Robots and Systems, 1994, 431–438.Google Scholar
  18. [18]
    Soika M., A Sensor Failure Detection Framework for Autonomous Mobile Robots, Proc. of the IEEE/RSJ/GI Int. Conf. on Intelligent Robots and Systems, 1997.Google Scholar
  19. [19]
    Soika M., Gitterkartenbasierte Fehlererkennung und Kalibrierung fur Ultraschallsensoren für autonome mobile Systeme, Konferenzband zum 12. Fachgespräch Autonome Mobile Systeme, 1996, 38–46.Google Scholar
  20. [20]
    Soika M., Grid Based Fault Detection and Calibration of Sensors on Mobile Robots, Proc. of the IEEE Int. Conf on Robotics and Automation, 1997, 2589–2594.Google Scholar

Copyright information

© Springer-Verlag Berlin Heidelberg 1997

Authors and Affiliations

  • Martin Soika
    • 1
  1. 1.Zentralabteilung Technik Information & Kommunikation, ZT IK 6Siemens AGMünchenDeutschland

Personalised recommendations