State estimation, planning, and behavior selection under uncertainty for autonomous robotic exploration in dynamic environments

Bereits seit vielen Jahren wird daran gearbeitet autonome Roboter zu entwickeln, die Menschen auf intelligente und vielseitige Weise in vielen Bereichen des täglichen Lebens unterstützen. Dabei stellt die Unsicherheit der realen Welt eine der größten Herausforderungen dar. Sensoren liefern nur grobe Schätzwerte, aber keine exakten Daten. Deshalb verfügen Roboter immer über unvollständige Informationen und sind nicht in der Lage genaue Umgebungsmodelle zu erstellen. Außerdem werden alle Entscheidungen über künftige Handlungen auf Basis dieser Schätzungen getroffen und führen deshalb weitere Unsicherheiten ein. Darum ist es unmöglich, die genauen Folgen der verschiedenen Handlungen vorauszuberechnen. In Konsequenz erfordert dies einen systematischen Umgang mit der Unsicherheit in einem robotischen System, um effiziente und zuverlässige Helfer zu entwickeln. In der vorliegenden Dissertationsschrift werden robuste und effiziente Methoden für Zustandsschätzung, Wegplanung und Entscheidungsfindung präsentiert, damit autonome mobile Roboter in natürlichen Umgebungen unter Unsicherheit agieren können. Es werden probabilistische Ansätze angewendet, um die Unsicherheit zu modellieren. Perzeption, Planung und Handlung sind zusammenhängend und werden deshalb in einem übergreifenden Rahmen untersucht. Neuartige Algorithmen für autonome Erkundung von unbekannten Umgebungen mit aktiven Sensoren werden eingeführt. Es wird gezeigt wie die Trajektorie eines mobilen Roboters und die Platzierung seiner Sensoren über einen finiten Zeithorizont geplant werden können, sodass Schätzungsfehler minimiert werden und die unbekannte Umgebung maximal erkundet wird. Es wird eine Methode auf Basis Bayes’schen Schließens eingeführt, die Perzeptionsunsicherheiten im Entscheidungsfindungsprozess von autonomen Robotern berücksichtigt. Der Bereich der autonomen Umgebungserkundung kann von einer gemeinsamen Wahrscheinlichkeitsverteilung vollständig beschrieben werden, die keine Annahmen und Vereinfachungen erhält, aber nicht berechnet werden kann. Es wird gezeigt, wie diese Verteilung in eine Hierarchie miteinander verbundener Verteilungen und Modelle zerlegt werden kann, die anschließend effizient berechnet werden können. Dazu werden moderne Schätzungsmethoden eingesetzt. Expertenwissen kann durch maschinelles Lernen von Menschen erworben und zur Bestimmung der Handlungen des Roboters integriert werden. Neuartige Methoden werden dazu präsentiert und analysiert. Des Weiteren wird das Navigations- und Entscheidungsfindungssystem des Autonomous City Explorers (ACE) beschrieben. Es werden Ergebnisse aus umfangreichen Feldversuchen präsentiert, die die vorgestellten Methoden und Algorithmen validieren.