<p>I dagens utveckling av robotkontrollers så finner vi olika synsätt på hur vi ska angripa problemen som en robot ställs inför. Det här arbetet koncentrerar sig på artificiella neurala nät (ANN) och evolution med genetiska algoritmer och en fokusering sker på en speciell arkitektur av ANN som Stefano Nolfi presenterat.</p><p>Rapporten kan ses som en fortsättning på Nolfis arbete och behandlar extensioner av fenomenet "spontan modularitet" som Nolfi beskriver. Det testproblem som används består i att utveckla ett kontrollsystem för en skräpsamlande robot. Detta arbete baseras på experiment runt detta problem med arkitekturer, vilka baseras på Nolfis spontana modularitet. Vi testar hur arkitekturerna påverkas av interna och återkopplade noder.</p><p>Resultaten visar på att en spontan modularitet inte tycks påverkas positivt av återkopplade eller interna noder.</p>

<p>Detta arbete tar upp och diskuterar det eventuella användandet av representationer i en autonom robot kontrollerad av ett extended sequential neural network (ESCN). Diskussionen utgår från en tidigare distinktion, framförd av bl.a. Bickhard och Terveen (1995), mellan traditionella representationer, som förespråkas av kognitivismen, och interaktiva representationer, som förespråkas av många företrädare för en mer förkroppsligad och situerad syn på kognition. Resultatet i detta arbete visar att det är möjligt, med hänvisning till robotens interna tillstånd, att påstå att roboten inte använder sig av representationer i någon traditionell bemärkelse. Resultatet visar vidare att det är möjligt att hävda att roboten använder sig av interaktiva representationer. Detta resultat är av intresse som förklaringsmodell till representationsbegreppet vid fortsatta försök att modellera kognition med hjälp av ESCN inom adaptiv robotik.</p>

<p>Adaptive Resource Allocating Vector Quantizer (ARAVQ) är en teknik för datareducering för mobila robotar. Tekniken har visats framgångsrik i enkla miljöer och det har spekulerats i att den kan fungera som ett generellt datautvinningsverktyg för tidsserier. I rapporten presenteras experiment där ARAVQ används som datareducerare på en artificiell respektive en fysiologisk datamängd inom en datautvinningskontext. Dessa datamängder skiljer sig från tidigare robotikmiljöer i och med att de beskriver objekt med diffusa eller överlappande gränser i indatarymden. Varje datamängd klassificeras efter datareduceringen med hjälp av artificiella neuronnät. Resultatet från experimenten tyder på att klassificering med ARAVQ som datareducerare uppnår ett betydligt lägre resultat än om ARAVQ inte används som datareducerare. Detta antas delvis bero på den låga generaliserbarheten hos de lösningar som skapas av ARAVQ. I diskussionen föreslås att ARAVQ skall kompletteras med en funktion för grannskap, motsvarande den som finns i Self-Organizing Map. Med ett grannskap behålls relationerna mellan de kluster som ARAVQ skapar, vilket antas minska följderna av att en beskrivning hamnar i ett grannkluster</p>

Ausgehend von einem mit Kraft-/ Momentsensor ausgestatteten seriellen Roboter, wird die kraftbasierte Mensch-Roboter-Interaktion, als ein Spezialfall der Kraft-/ Momentregelung, untersucht. Betrachtet werden dabei sowohl die kinematischen Eigenschaften verschiedener Algorithmen als auch das dynamische Verhalten des Roboters während der kraftgeführten Bewegung (Handführen). Vorgeschlagen für die anschließende Implementierung in reale Steuerungssysteme wird der Ansatz zur kraftgeführten Bewegung im Gelenkraum. Er hat im Vergleich zum kartesischen Algorithmus verschiedene Vorteile. Diese werden an konkreten Beispielen verdeutlicht. Außerdem werden diverse Zusatzfunktionalitäten und Anwendungsfelder vorgestellt. Besondere Erwähnung findet die Problematik der Bedienersicherheit während der Mensch-Roboter-Interaktion. Am Beispiel eines Robotersystems mit sog. offener Steuerung wird untersucht, inwieweit es möglich ist, den Kraft-/ Momentsensor durch einen Algorithmus zum Schätzen von Kontaktkräften und -momenten zu ersetzen. Verwendet werden dabei die Werte der Motorenströme. Darauf basierend wird die kraftgeführte Bewegung des Roboters ohne zusäzliche Sensorik demonstriert.

Zielsetzung dieser Arbeit ist die Vorstellung des klinischen Aufbaus und des Arbeitsablaufs eines robotischen Assistenzsystems für bildgeführte Interventionen in einem konventionellen Magnetresonanztomographen (MRT), sowie die Beurteilung der Genauigkeit und der klinischen Erfahrungen bei perkutanen Biopsien in verschieden Körperregionen. Material und Methoden: Das MR- kompatible, servopneumatische robotische Assistenzsystem lässt sich mit dem Patienten in die 60- cm Gantry eines Standard- MR- Scanners fahren. Die Genauigkeit des Systems wurde anhand von Nadelpunktionen (n= 25) in einem Phantommodell ermittelt. Perkutane diagnostische Biopsien wurden bei sechs Patienten durchgeführt. Ergebnisse: Für eine Interventionstiefe zwischen 29 und 95 mm wurde eine 3-DGenauigkeit von 2,2 +/- 0,7 mm (Intervall 0,9- 3,8 mm) bestimmt. Patienten mit einem BMI bis zu ≈30 kg/m2 konnten mit dem System punktiert werden. Die klinischen Arbeitsschritte werden anhand der Fallbeispiele dargestellt. Die mittlere Interventionszeit betrug 44 Minuten (Intervall 36 – 68 Minuten). Zusammenfassung: Die Punktion verschiedener Körperregionen ist mit Hilfe des robotischen Assistenzsystems in einem geschlossenen MRT erfolgreich und sicher möglich. Die Genauigkeit des Systems ist vergleichbar mit anderen Assistenzsystemen in der Literatur und genügt den klinischen Anforderungen. Eine kürzere Interventionszeit ist mittels einer Optimierung der einzelnen Arbeitsschritte möglich.

Zugl.: Ilmenau, Techn. Univ., Diss., 2009

Zugl.: Zürich, Techn. Hochsch., Diss., 2009

Zugl.: Stuttgart, Univ., Diss., 2007

Zugl.: Braunschweig, Techn. University, Diss., 2006.

Zugl: Odense, Syddansk Univ., Diss., 2006