Advertisement

Sensorgestützte Erfassung des vorherrschenden Hindernisverhaltens zur Verbesserung der Bewegungsplanung

  • E. Kruse
  • R. Gutsche
  • F. M. Wahl
Conference paper
Part of the Informatik aktuell book series (INFORMAT)

Zusammenfassung

In früheren Veröffentlichungen haben wir ein neuartiges Bahnplanungsverfahren für mobile Roboter vorgestellt: Statistische Bahnplanung berücksichtigt das vorherrschende Hindernisverhalten, um Bahnen zu planen, die besser an die dynamische Umgebung angepaßt sind [4, 7, 8]. Dieser Artikel konzentriert sich auf die Gewinnung entsprechender statistischer Daten in einer realen Umgebung. Anhand unseres Experimentiersystems werden die Verfahren der Bildverarbeitung und die Erzeugung statistischer Modelle erläutert. Die so gewonnenen Daten können unter verschiedenen Gesichtspunkten zur Verbesserung der Bewegungsplanung beitragen. Nachdem bereits ein Planungsverfahren, welches auf numerischen Feldern — ähnlich den aus der Literatur bekannten Potentialfeldern — beruht, entwickelt wurde, werden nun Verfahren vorgestellt, welche ein verfeinertes statistisches Modell verwenden. Sie ermöglichen die genaue stochastische Bewertung von Roboterbewegungen und die gezielte Planung von Ausweichmanövern.

Preview

Unable to display preview. Download preview PDF.

Unable to display preview. Download preview PDF.

Literatur

  1. 1.
    R. A. Brooks. A robust layered control system for a mobile robot.IEEE Journal of Robotics and Automation, 2 (l): 14–23, Mar. 1986.MathSciNetCrossRefGoogle Scholar
  2. 2.
    R. O. Duda, P. E. Hart.Pattern Classification and Scene Analysis. John Wiley & Sons, New York, 1973.zbMATHGoogle Scholar
  3. 3.
    R. Gutsche, C. Laloni, F. M. Wahl. Factory floor monitoring system with intelligent control for mobile robot guidance. International Conference on Advanced Mechatronics (ICAM’93), pages 185–190, 1993.Google Scholar
  4. 4.
    Gutsche, C. Laloni, F. M. Wahl. Path planning for mobile vehicles within dynamic worlds using statistical data. In IEEE/RSJ International Conference on Intelligent Robots and Systems, pages 456–461, 1994.Google Scholar
  5. 5.
    R. Gutsche, F. M. Wahl. A new navigation concept for mobile vehicles. InIEEE International Conference on Robotics and Automation, pages 215–220, Nice, France, May 1992.CrossRefGoogle Scholar
  6. 6.
    K. Kant, S. W. Zucker. Toward efficient trajectory planning: The path-velocity decomposition. The International Journal of Robotics Research, 5(3):72–89, 1986.CrossRefGoogle Scholar
  7. 7.
    E. Kruse, R. Gutsche, F. M. Wahl. Bahnplanung in dynamischen Umgebungen: Berechnung und Minimierung von Kollisionswahrscheinlichkeiten auf Basis statistischer Daten. In 12. Fachgespräch Autonome Mobile Systeme, pages 160–169, München, Oct. 1996.Google Scholar
  8. 8.
    E. Kruse, R. Gutsche, F. M. Wahl. Estimation of collision probabilities in dynamic environments for path planning with minimum collision probability. In IEEE/RSJ International Conference on Intelligent Robots and Systems, pages 1288–1295, Nov. 1996.Google Scholar
  9. 9.
    E. Kruse, R. Gutsche, F. M. Wahl. Acquisition of statistical motion patterns in dynamic environments and their application to mobile robot motion planning. InIEEE/RSJ International Conference on Intelligent Robots and Systems, Sept. 1997.Google Scholar
  10. 10.
    E. Kruse, R. Gutsche, F. M. Wahl. Stochastic motion planning for mobile robots: Paradigms for efficiency and optimality using a discrete model. InIEEE International Conference on Systems, Man, and Cybernetics, Oct. 1997.Google Scholar
  11. 11.
    S. M. La Valle, R. Sharma. A framework for motion planning in stochastic environments. In IEEE International Conference on Robotics and Automation, pages 3057–3068, Nagoya, May 1995.Google Scholar
  12. 12.
    F. R. Noreils, R. Prajoux. From planning to execution monitoring control for indoor mobile robots. In IEEE International Conference on Robotics and Automation, pages 1510–1517, Apr. 1991.Google Scholar
  13. 13.
    R. Sharma. Safe motion planning for a robot in a dynamic uncertain environment. In IEEE International Conference on Robotics and Automation, volume 1, pages 438–443, Sacramento, Apr. 1991.Google Scholar
  14. 14.
    S. Tadokoro, M. Hayashi, Y. Manabe, Y. Nakami, T. Takamori. Motion planner of mobile robots which avoid moving human obstacles on the basis of stochastic prediction. InIEEE International Conference on Systems, Man, and Cybernetics, pages 3286–3291, 1995.Google Scholar
  15. 15.
    Q. Zhu. Hidden Markov model for dynamic obstacle avoidance of mobile robot navigation.IEEE Transactions on Robotics and Automation, 7 (3): 390–397, June 1991.CrossRefGoogle Scholar

Copyright information

© Springer-Verlag Berlin Heidelberg 1997

Authors and Affiliations

  • E. Kruse
    • 1
  • R. Gutsche
    • 1
  • F. M. Wahl
    • 1
  1. 1.Institut für Robotik und ProzeßinformatikTechnische Universität BraunschweigBraunschweigGermany

Personalised recommendations