Roboter-Ego-Noise, auch „Eigengeräusche“ genannt, sind Geräusche, die ein Roboter durch Bewegung (z. B. durch Reibung von Motoren und Aktuatoren) oder im Ruhezustand (z. B. durch Lüfter) erzeugt. Bei Robotern mit Mikrofonen kann dieses Ego-Noise die Audiosignalverarbeitung stören. Statt es wie üblich als Störfaktor zu betrachten, wird in dieser Arbeit Ego-Noise als nützliche Informationsquelle untersucht, die Einblicke in den Zustand des Roboters und seiner Umgebung bietet. Es könnte sogar dabei helfen, ähnliche Roboter zu erkennen oder deren Bewegungsmuster zu analysieren. Die Arbeit verfolgt drei Ziele: (1) geeignete Darstellungen von Ego-Noise-Merkmalen zu entwickeln, (2) sensomotorische Abbildungen mit Ego-Noise zu integrieren und (3) den Nutzen von Ego-Noise für mobile Roboter zu bewerten. Dazu werden theoretische Modelle (Vorwärts- und Inversmodelle) verwendet, die durch „motorisches Brabbeln“ – ein kindliches Explorationsverhalten – inspiriert sind. Experimente zeigen, wie Ego-Noise zur Geländeerkennung (z. B. Hangneigungen), Echolokalisierung und Bewegungssimulation eingesetzt werden kann. Zudem wird untersucht, wie Roboter synthetische Audiodaten erzeugen und über Ego-Noise miteinander kommunizieren können. Die Ergebnisse zeigen, dass Ego-Noise die Umweltwahrnehmung und Interaktion von Robotern verbessern und neue Kommunikationsstrategien ermöglichen kann. / Robot ego-noise refers to the sounds robots generate during movement, primarily from motor and actuator friction, or even when stationary, due to components like cooling fans. This noise often interferes with audio signal processing, reducing algorithmic performance. However, this research treats ego-noise as a valuable sensory signal, offering insights into the robot’s state and surroundings. It may even assist in identifying nearby robots and analyzing their motion patterns. This thesis has three main objectives: (1) to develop computationally suitable representations of ego-noise features, (2) to create sensorimotor mappings that utilize these features, and (3) to explore ego-noise as a source of useful information for mobile robots. Using a framework of internal models, including forward (predictor) and inverse (controller) models, the study employs a learning method inspired by infant "motor babbling." It examines how ego-noise can provide information for various tasks, such as detecting terrain changes like slopes, echolocation for wall proximity, and movement imitation based on ego-noise. Additionally, the integration of forward and inverse models enables robots to synthesize audio from motion and share it with other robots. This research highlights how ego-noise can enhance robots’ environmental interaction and, when combined with other sensors, improve perception in complex scenarios.

No description available.

Selbstorganisierte drahtlose (ad hoc) Multihopnetzwerke können als einfach einsetzbare, robuste und rekonfigurierbare Kommunikationsinfrastruktur zum Beispiel in Katastrophenszenarien eingesetzt werden. Solche drahtlosen Netzwerke nutzen die Luft als geteiltes Kommunikationsmedium, was bedeutet, dass die Parameter des Netzwerks sehr orts- und zeitveränderlich sowie verrauscht sind. Intelligente Roboter können als Netzwerkknoten diese Herausforderungen bewältigen, indem sie sensomotorische Interaktion ausnutzen. Für einzelne Roboter wurde ein Algorithmus zur Exploration unbekannter Netzwerke entwickelt. Außerdem wurde gezeigt, dass eine Klasse gradientenbasierter Navigationsalgorithmen für den Fall von Signalstärkemessungen konvergiert. Es wurde zudem gezeigt wie diese Art von Algorithmen sich auf andere Aufgaben als das Finden von Netzwerkknoten erweitern lassen. Zusätzlich wurde ein Algorithmus basierend auf internen Modellen, der dem Roboter zum Beispiel ermöglicht Netzwekknoten finden oder zwei Netzwerkknoten zu überbrücken, entwickelt. Alle Algorithmen wurden in Simulation oder mit echten Robotern implementiert und evaluiert. Für den Fall mehrerer Roboter existieren bereits viele interessante Algorithmen in der Literatur. Allerdings wird im Moment keiner dieser Algorithmen in realen Systemen eingesetzt. Einer der Gründe hierfür ist, dass naive Sachwarmalgorithmen meist nicht sicher und zuverlässig genug sind. Um dieses Problem zu lösen wurde eine Architektur, die auf internen Modellen basiert und interne Simulation nutzt, untersucht. Es wurden zwei Testszenarien analysiert: Im ersten Experiment sollte ein Roboter andere Roboter davor bewahren zu Schaden zu kommen und dabei gleichzeitig seine eigene Sicherheit gewährleisten und eine Aufgabe erfüllen. Im zweiten Experiment musste ein Roboter durch einen Korridor navigieren ohne mit anderen Robotern zusammenzustoßen. Die vorgeschlagene Architektur hat sich als sehr effektiv erwiesen. / Self-organized wireless multihop (ad hoc) networks can form an easily deployable, robust and reconfigurable communication infrastructure, which can be employed for example in a disaster scenario, when static communication infrastructure has been destroyed. As such wireless networks use the air as a shared physical medium, the parameters of these networks often show very space- and time-varying noisy characteristics. Intelligent robotic network nodes can overcome these problems posed by these dynamics and measurement noise by exploiting sensorimotor interaction. For single robots, an algorithm for network exploration of unknown networks for large scale outdoor scenarios has been developed. Furthermore, a class of gradient-based algorithms for navigation in wireless networs hase been shown to converge for the case of signal strength measurements. Additionally, it was shown how these algorithms can be extended to other tasks than locating a network node. Additionally, an internal model-based algorithm to solve tasks like locating a node or bridging two nodes has been developed. All algorithms have been implemented and evaluated either in simulation or on real robots. For the case of multiple robots, a lot of interesting algorithms for example for optimal placement of mobile network nodes have been presented in literature. However, none of them are being used in real world scenarios. One of the reasons for that is insufficient safety and fault tolerance of naive algorithms. To overcome this problem the use of an internal model-based architecture using internal simulation has been investigated. Two test scenarios have been investigated using this architecture: in the first experiment a robot had to prevent other robots from coming to harm while ensuring its own safety and fulfilling a task. In a second experiment, a robot had to navigate through a narrow corridor without colliding with other robots. The proposed architecture has been shown to be very effective.