Der Roboter kann mithilfe der Wissensbasis Umgebungseigenschaften, wie die Größe von Objekten oder ihre Dynamik, erlernen. Das hilft nicht nur, um die Objekterkennung oder auch das Tracking zu verbessern. Ist die Dynamik eines Objekts bekannt, kann diese z.B. genutzt werden, um für Navigation und Manipulation umgebungsspezifische Sicherheitsabstände zu erlernen. Es ist zudem wertvoller Inhalt, mit dem ein Roboter auf seine Umgebung reagieren kann. Konkret hat Graf das Erlernen von objektklassen-spezifischen Eigenschaften umgesetzt. Diese haben den Mehrwert, dass bisher die Erkennungsalgorithmen vorab trainiert werden und somit nicht ideal zur jeweiligen Umgebung passen, die Neuentwicklung aber passendere Algorithmen bietet.

In diesem Schritt der Wissensverwaltung sind Roboter übrigens sogar dem Menschen in Teilen überlegen: Sie vergessen nichts. Und sie können einmal ermitteltes Wissen sehr einfach bereitstellen und auch untereinander oder mit vorhandener Infrastruktur austauschen, ohne dass sie hierfür besondere Werkzeuge bräuchten.

Reagieren

Passend auf z.B. ein erkanntes Objekt oder Umgebungsinformationen zu reagieren ist noch immer eine ungelöste Herausforderung für Roboter. Und bei dem hier vorgestellten Umgebungsmodell lag der Fokus auch auf dem Erkennen und Verstehen, nicht jedoch auf dem letzten Schritt. Generell können erkannte Objekte z.B. dabei helfen, diese sicher autonom zu umfahren oder mit ihnen passend und sicher zu interagieren. Bei der Navigation kann der Roboter mithilfe von Heatmaps die Aufenthaltswahrscheinlichkeit, z.B. von Personen, Gabelstaplern oder Routenzügen, erlernen und so die Navigation präventiv verbessern, indem er stark frequentierte Bereiche meidet.

Erste Beispiele hierfür wurden auch im Rahmen der hier vorgestellten Arbeit umgesetzt. Zum einen erstellte ein mobiler Roboter Karten, die Schmutz am Boden auswiesen. Diese Lösung ist essenziell für eine ergebnisorientierte Reinigung durch einen Bodenreinigungsroboter. Zum anderen wurde ein Serviceroboter im Altenheim für das Erkennen und Holen von Flaschen aus einem Patientenzimmer erfolgreich getestet.

Das vorgestellte Umgebungsmodell bietet eine flexible und skalierbare Lösung mit wenig Einrichtungs- bzw. Anpassungsaufwand und gibt AMR unabhängig von der konkreten Aufgabe erste Wahrnehmungsfähigkeiten. Der digitale Zwilling bietet APIs für viele Programmiersprachen und eine Vollintegration in die Middleware ROS (Robot Operating System), was wiederum die Integration in bestehende Systeme vereinfacht.

Seiten: 1 2