Die 3D-Kartierung von Umgebungen spielt in der Robotik eine zunehmend wichtige Rolle. Mit Hilfe von 3D-Sensoren lassen sich dreidimensionale Umgebungen präzise erfassen. Allerdings vermessen selbst hochaufgelöste Scanner Oberflächen nur stichprobenartig. Zudem verbrauchen die gewonnenen Punktwolken viel Speicher. Eine Möglichkeit, die Diskretisierung aufzulösen und die Darstellung zu optimieren, ist, eine polygonale Umgebungsdarstellung aus den Punktdaten zu erzeugen. In dieser Arbeit wird ein Verfahren vorgestellt, mit dem sich komprimierte Polygonkarten automatisch erstellen lassen. Die Oberflächenrekonstruktion basiert auf einem modifizierten Marching-Cubes-Algorithmus. Die mit diesem Verfahren erzeugten Polygonnetze werden durch Optimierungsschritte in eine kompakte Darstellung überführt, die sich für Anwendungen in der Robotik einsetzen lässt, wie anhand von verschiedenen Einsatzbeispielen demonstriert wird.

In vielen industriellen Anwendungen kooperieren mobile Maschinen, um ein gemeinsames Prozessziel zu erreichen. Durch den Transfer von Technologien und Verfahren aus der Robotik agieren einzelne mobile Maschinen in vielen Bereichen bereits (teil)autonom. Der nächste Schritt der Automatisierung erfordert die Koordination von robotischen Systemen zur Erreichung bestimmter gemeinsamer Prozessziele. Um die Kooperation von roboterisierten mobilen Maschinen oder von mobilen Robotern allgemein zu ermöglichen, müssen ihre Pläne raumzeitlich aufeinander abgestimmt werden. In dieser Arbeit wird ein Planungssystem für ein kooperatives Ernteszenario aus dem Anwendungsbereich der Infield-Transportlogistik vorgestellt. In dem Szenario agieren ein Mähdrescher und ein Transportfahrzeug kooperativ, um den Ernte- und Transportprozess effizient ausführen zu können. Ein maschinenübergreifender Planungsschritt optimiert die Logistik des Gesamtprozesses. Ein weiterer, maschinenspezifischer Planungsschritt generiert aus dem gemeinsamen Prozessplan aller Fahrzeuge einen ausführbaren Teilplan für jedes einzelne Feldfahrzeug. Die Pläne werden aufgrund der Online-Problematik des Ernteszenarios während der Prozessausführung bei Bedarf dynamisch neu berechnet. Diese Arbeit zeigt die Umsetzbarkeit raumzeitlicher Planungssysteme für kooperative mobile Roboter in realen Anwendungsszenarien.

Die Arbeit beschreibt Konzipierung, Bau und Untersuchung eines Robotersystems, welches die grundlegenden Züge des Billardspiels beherrscht. Die Realisierung erfolgte in Form eines an die Charakteristika von mobilen Robotern angelehnten Fahrzeuges, welches sich auf einem Billardtisch bewegt und mit einer Art Queue Billardstöße ausführt. Alle Abläufe werden mit Hilfe einer über dem Tisch montierten Digitalkamera erfaßt und überwacht. Die Steuerung erfolgt durch einen Personalcomputer. Schwerpunkte der Arbeit bilden Probleme der Bilderkennung, Wegplanung und technischen Umsetzung. Die Lösung wurde mit Hilfe relativ einfacher technischer Mittel und geringem finanziellen Budget erstellt.

Ein alltagstauglicher autonomer Assistenzroboter in einem gemeinsamenArbeitsumfeld mit dem Menschen erfordert, dass der Roboter sämtliche Hindernisse in seiner Umgebung wahrnimmt und diesen sicher ausweicht. Stand der Technik ist jedoch, dass meist nur 2D-Sensordaten zur Navigation herangezogen werden. Oder es werden3D-Verfahren verwendet, die ausschließlich mit einer speziellen Sensorkonfiguration arbeiten. Diese Arbeit untersucht im Rahmen des LiSA-Projekts wie 3D-Sensordaten effizient und flexibel zur sicheren Navigation eines autonomenAssistenzsystems eingesetzt werden können. Dazu wird in dieser Arbeit mit der Virtual Range Scans (VRS)-Methode ein Verfahren zurHindernisvermeidung entwickelt, das beliebige Konfigurationen von Abstandssensoren in den Hindernisvermeidungsprozess integriert. Das Verfahren nutztklassische Verfahren zur 2D-Hindernisvermeidung, um 3D-Hindernisvermeidung zu realisieren. Dadurch wird das VRS-Verfahren unabhängig von der Hindernisvermeidungsstrategie und kann flexibel bestehende Verfahren wiederverwenden. Neben der Hindernisvermeidung wird gezeigt, wie die reichereUmgebungsinformation, die in 3D-Sensordaten vorhanden ist, zur robusteren Selbstlokalisierung des Roboters genutzt werden kann. Hier wird eineffizientes Verfahren vorgestellt, das Abstandssensordaten mit 3D-Umgebungsmodellen vergleicht. Ferner wird ein Verfahren vorgestellt, das Semantikim Umfeld des Roboters verankert und sie zur Navigation des Roboters nutzt.

Damit mobile Roboter vielfältige komplexe Aufgaben autonom erfüllen können, benötigen sie Planung, um so entsprechend der Gegebenheiten ihrer Umgebung zu handeln. Durch die stetig zunehmenden Fähigkeiten der Roboterhardware gewinnt die Handlungsplanung und deren Integration in das Gesamtsystem zunehmend an Bedeutung. Die vorliegende Arbeit versucht, einen weiteren Schritt Richtung planbasierter Robotersteuerung zu gehen. Dabei wird zunächst die Verwendung des HTN-Planers SHOP2 in einem Robotersystem, das sich das Lernen aus Erfahrungen zum Ziel gesetzt hat, beschrieben und Wege aufgezeigt, wie die Robustheit des Systems durch die Integration mit anderen Komponenten erhöht werden kann. Mobilen Robotern stehen unterschiedliche Formen von Wissen, wie temporales oder räumliches Wissen oder Informationen über Ressourcen zur Verfügung. Diese können von SHOP2 jedoch nicht genutzt werden. Um diese Anforderung zu erfüllen, wird in dieser Arbeit der hybride hierarchische Planer CHIMP präsentiert, der die Vorteile hierarchischer Planung und der hybriden Planung als Meta-CSP, das die Integration verschiedener Wissensformen erlaubt, kombiniert. Des Weiteren können seine Pläne parallel ausführbare Aktionen enthalten, und zusätzliche Aufgaben können während der Ausführung in den bestehenden Plan integriert werden.

In der vorliegenden Arbeit werden rekurrente neuronale Netze im Hinblick auf ihre Eignung zur Bewegungssteuerung autonomer Roboter untersucht. Nacheinander werden Oszillatoren für Vierbeiner, homöostatische Ringmodule für segmentierte Roboter und monostabile Neuromodule für Roboter mit vielen Freiheitsgraden und komplexen Bewegungsabläufen besprochen. Neben dem mathematisch-theoretischen Hintergrund der Neuromodule steht in gleichberechtigter Weise deren praktische Implementierung auf realen Robotersystemen. Hierzu wird die funktionale Einbettung ins Gesamtsystem ebenso betrachtet, wie die konkreten Aspekte der zugrundeliegenden Hardware: Rechengenauigkeit, zeitliche Auflösung, Einfluss verwendeter Materialien und dergleichen mehr. Interessante elektronische Schaltungsprinzipien werden detailliert besprochen. Insgesamt enthält die vorliegende Arbeit alle notwendigen theoretischen und praktischen Informationen, um individuelle Robotersysteme mit einer angemessenen Bewegungssteuerung zu versehen. Ein weiteres Anliegen der Arbeit ist es, aus der Richtung der klassischen Ingenieurswissenschaften kommend, einen neuen Zugang zur Theorie rekurrenter neuronaler Netze zu schaffen. Gezielte Vergleiche der Neuromodule mit analogen elektronischen Schaltungen, physikalischen Modellen und Algorithmen aus der digitalen Signalverarbeitung können das Verständnis von Neurodynamiken erleichtern. / How recurrent neural networks can help to make autonomous robots move, will be investigated within this thesis. First, oscillators which are able to control four-legged robots will be dealt with, then homeostatic ring modules which control segmented robots, and finally monostable neural modules, which are able to drive complex motion sequences on robots with many degrees of freedom will be focused upon. The mathematical theory of neural modules will be addressed as well as their practical implementation on real robot platforms. This includes their embedding into a major framework and concrete aspects, like computational accuracy, timing and dependance on materials. Details on electronics will be given, so that individual robot systems can be built and equipped with an appropriate motion controller. It is another concern of this thesis, to shed a new light on the theory of recurrent neural networks, from the perspective of classical engineering science. Selective comparisons to analog electronic schematics, physical models, and digital signal processing algorithms can ease the understanding of neural dynamics.