Perception and learning for mobile robots in populated environments

Medientyp: E-Book

Titel: Perception and learning for mobile robots in populated environments

Beteiligte: Kollmitz, Marina [Verfasser:in]; Burgard, Wolfram [Akademische:r Betreuer:in]

Körperschaft: Albert-Ludwigs-Universität Freiburg, Fakultät für Angewandte Wissenschaften

Erschienen: Freiburg: Universität, 2021

Umfang: Online-Ressource

Sprache: Englisch

DOI: 10.6094/UNIFR/218463

Identifikator:

Schlagwörter: Mobile robots ; Perception ; Maschinelles Lernen ; Mobiler Roboter ; Soziale Robotik ; Robotik ; (local)doctoralThesis

Entstehung:

Hochschulschrift: Dissertation, Universität Freiburg, 2021

Anmerkungen:

Beschreibung: Abstract: Roboter führen heutzutage hauptsächlich repetitive Aufgaben im industriellen Kontext aus und agieren in speziell auf sie zugeschnittenen Anlagen. Doch die Nachfrage nach flexiblen Servicerobotern, die in unmittelbarer Nähe zum Menschen eingesetzt werden können, steigt stetig. Dieser Trend geht mit einer Vielzahl von Herausforderungen einher. Einsatzgebiete, die auf den Menschen ausgerichtet sind, wie Wohnbereiche, Büros, Krankenhäuser oder Flughäfen, sind oft unstrukturiert und verändern sich mit der Zeit. Außerdem treffen Roboter in Wohnbereichen und öffentlichen Räumen auf eine Vielzahl von Menschen mit unterschiedlichen Bedürfnissen und Präferenzen. Die meisten dieser Menschen haben wenig Erfahrung mit Robotern. Zusätzlich müssen die Anschaffungs- und Wartungskosten von Servicerobotern um Größenordnungen niedriger sein als für Industrieroboter, um für einen großflächigen Einsatz wirtschaftlich zu sein. Diese Herausforderungen erfordern ein höheres Maß an Autonomie und Flexibilität und verlangen, dass Serviceroboter sich kontinuierlich an ihre Umgebung anpassen und auf die Menschen, mit denen sie interagieren, eingehen. In dieser Doktorarbeit werden Perzeptionsmethoden und Ansätze des maschinellen Lernens für den Einsatz mobiler Roboter in auf Menschen ausgelegten Arbeitsbereichen vorgestellt. Zunächst präsentieren wir eine Bildverarbeitungsmethode zur Erkennung von Menschen, die diese zusätzlich anhand ihrer Mobilitätshilfen unterscheidet. Mithilfe der erweiterten Personenerkennung können Roboter individuelle Einschränkungen und Anforderungen von Menschen wahrnehmen und sie so bedürfnisgerecht unterstützen. Des Weiteren stellen wir ein Ganzkörpersensorikkonzept vor, mit dem mobile Roboter Kollisionen und Interaktionskräfte wahrnehmen können. Aufgrund der hohen Dynamik und fehlenden Struktur ihrer Arbeitsbereiche und einer typischerweise eingeschränkten Sensorabdeckung können viele mobile Serviceroboter Kollisionen und unbeabsichtigte Kontakte mit Hindernissen oder Personen nicht vollständig ausschließen. Unser Sensoraufbau basiert auf einem zentral montierten Kraft-Momenten-Sensor und ermöglicht es mobilen Robotern, solche Kontakte wahrzunehmen und angemessen auf sie zu reagieren, um Schäden zu vermeiden. Aufbauend auf dem Kraftwahrnehmungskonzept stellen wir einen lernbasierten Ansatz vor zur Vorhersage von Kollisionen in 2D-Umgebungskarten, die auf Daten planarer Laserscanner basieren. Unser Ansatz interpretiert unerwünschte Kollisionen als Trainingsbeispiele, sodass mobile Roboter mit der Zeit verbesserte Umgebungsmodelle erlernen können. Abschließend untersuchen wir, wie Menschen einem kraftnachgiebigen mobilen Roboter soziale Navigation beibringen können, indem sie ihn entlang ihrer gewünschten Trajektorien schieben. Basierend auf der Interaktion passt der Roboter seine Navigationsfunktion mithilfe von Inverse Reinforcement Learning an. Da kraftnachgiebige Steuerung auch für Laien einfach umzusetzen ist und kein externes Steuergerät benötigt wird, kann jeder in Reichweite des Roboters mit ihm interagieren. Die vorgestellten Ansätze wurden in umfangreichen Experimenten mit besonderem Fokus auf realitätsnahe Szenarien evaluiert. Die Experimente zeigen, wie mobile Roboter, die die spezifischen Bedürfnisse und Anforderungen von Menschen wahrnehmen können, diese besser unterstützen können. Sie bestätigen weiterhin, dass mobile Roboter durch die gezeigten Ansätze bessere Umgebungsmodelle erlernen und auf die individuellen Vorlieben von Menschen eingehen können. Diese Arbeit ist somit ein wichtiger Schritt auf dem Weg zu flexiblen, autonomen Servicerobotern, die robust und zuverlässig in auf den Menschen ausgerichteten Arbeitsbereichen agieren können

Abstract: Robots nowadays mostly perform repetitive tasks in factory settings specifically designed for them. However, the demand for flexible service robots that work in close proximity to humans is steadily increasing. This trend comes with a variety of challenges. Human-centered environments, such as homes, offices, hospitals, or airports, are often unstructured and may change over time. Furthermore, robots in populated environments encounter a variety of people with different needs and requirements who typically have little experience with robots. Lastly, the acquisition and maintenance costs of service robots need to be orders of magnitude lower to be applicable for wide-area use. These challenges demand increased levels of autonomy and flexibility and require service robots to continuously adapt to the environment and people they interact with. This thesis presents advanced perception and learning techniques for mobile robots in human-centered environments. First, we present a people detection framework that distinguishes them according to their mobility aids. With our framework, robots can reason about people’s individual needs and requirements to provide appropriate assistance. We further present a whole-body sensory concept that enables mobile robots to perceive collisions and interaction forces. Due to sensor limitations and the unstructured and dynamic nature of populated environments, most mobile robots cannot entirely rule out collisions or unintended contacts with obstacles or people. Our setup is based on a central force-torque sensor and enables mobile robots to perceive such contacts and react appropriately to avoid harm and damage. Building upon the force perception, we propose a learning-based method to predict collisions in 2D occupancy maps from planar laser rangefinders. Our method turns undesired collision events into training examples for mobile robots to learn improved environment models over time. Finally, we investigate how people can teach a robot socially compliant navigation by pushing it along their desired trajectories. The robot updates its navigation function based on the interaction via inverse reinforcement learning. Since force control is easy for non-expert users and does not require an external control device, everyone in reach of the robot can interact with it. We performed extensive experiments with a particular focus on real-world scenarios. The experiments showcase how mobile robots that reason about people’s special needs can provide better assistance and confirm that our approaches enable mobile robots to learn improved environment models and adapt to people’s individual preferences. The methods in this thesis constitute important steps towards flexible, autonomous service robots that can robustly and reliably operate in human-centered environments

Zugangsstatus: Eingeschränkter Zugang | Informationen zu lizenzierten elektronischen Ressourcen der SLUB

Rechte-/Nutzungshinweise: Urheberrechtsschutz

Nur in Feld suchen:

Zuletzt gesuchte Begriffe: