Nachricht

Am Mittwoch, den 06.07.2011, hält Alexander Rittler um 16:30 im Raum P 1.4.17 einen Vortrag über seine Masterarbeit mit dem Titel:

Sensorfusion auf Basis variationeller Bayes-Filter zur Lokalisierung mobiler Roboter

Zusammenfassung:

Autonome Roboter treffen Ihre Entscheidungen auf der Grundlage von Messdaten unterschiedlicher Sensoren. Häufig reichen jedoch die Messungen eines einzelnen Sensors nicht für eine vollständige Situationsbewertung aus, etwa aufgrund dessen Fehlerverhaltens oder wenn relevante Parameter nicht erfasst werden können. Stattdessen müssen die Daten mehrerer Sensoren miteinander zu einem Modell fusioniert werden, welches alle benötigten Informationen enthält und eine hinreichende Genauigkeit bietet. Für mobile Anwendungen kommt dabei der Fusionierung von Lagemessungen eine besondere Bedeutung zu, da eine gut funktionierende und möglichst robuste Lokalisierung für die Kartenerstellung und Navigation unerlässlich ist.

Bestehende Ansätze zielen meist auf eine spezifische Kombination von Sensoren ab; eine Portierung auf andere Hardware-Plattformen wird dadurch erschwert. Die Algorithmen aus der Gruppe der Kálmán-Filter bilden die Grundlage für viele dieser Verfahren. Sie zeichnen sich durch ihre hohe Ressourceneffizienz aus, können jedoch nur für relativ einfache Modelle verwendet werden und weisen unter Umständen ein ungünstiges Schwingungsverhalten auf.

Alternativ werden auf sampling basierende Verfahren (Partikelfilter) eingesetzt. Zwar können diese auch sehr komplexe Modelle verarbeiten und an unterschiedliche Sensorkombinationen angepasst werden, sie sind jedoch sehr rechenintensiv. Dies erschwert ihre Anwendung in Systemen mit geringer Rechenkapazität oder hohen Anforderungen an die Reaktionszeit.

Gegenstand dieser Arbeit ist die Entwicklung eines variationellen Bayesfilters, der einen interessanten Kompromiss zwischen Ressourcenbedarf und möglicher Modellkomplexität bietet und dadurch zum Teil die positiven Eigenschaften sowohl der Kálmán-, als auch Partikelfilter verbinden kann. Dafür werden die relativ jungen Ansätze der variationellen Marginalisierung und der belief propagation zu einem Onlinealgorithmus kombiniert, der eine robuste Lageschätzung und Lokalisierung ermöglicht. Ein wesentlicher Vorteil des hier umgesetzten Verfahrens ist die einfache Anpassung an unterschiedliche Fusions- und Trackingaufgaben, wechselnde Sensorkombinationen, sowie die autonome Erkennung und Behandlung von Sensorausfällen und Ausreissern.

Zur Bewertung der praktischen Anwendbarkeit wurde der Filteralgorithmus als Komponente für die Softwareplattform ROS implementiert und die Lokalisierung auf einem im GET Lab an der Universität Paderborn vorhandenen Roboter (GETbot) in praktischen Fahrsituationen getestet. Dabei zeigt der variationelle Bayes-Filter eine Verbesserung der Genauigkeit und Robustheit der Lokalisierung im Vergleich zu odometriegetriebenem dead reconing.