DE4218599A1 - Navigations- und Führungssystem für autonome, mobile Roboter - Google Patents
Navigations- und Führungssystem für autonome, mobile RoboterInfo
- Publication number
- DE4218599A1 DE4218599A1 DE4218599A DE4218599A DE4218599A1 DE 4218599 A1 DE4218599 A1 DE 4218599A1 DE 4218599 A DE4218599 A DE 4218599A DE 4218599 A DE4218599 A DE 4218599A DE 4218599 A1 DE4218599 A1 DE 4218599A1
- Authority
- DE
- Germany
- Prior art keywords
- neural network
- navigation
- guidance system
- input
- sensor
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 230000001537 neural effect Effects 0.000 title abstract description 4
- 238000000034 method Methods 0.000 claims abstract description 3
- 239000013598 vector Substances 0.000 claims description 43
- 238000013528 artificial neural network Methods 0.000 claims description 35
- 238000005070 sampling Methods 0.000 claims description 15
- 230000036962 time dependent Effects 0.000 claims description 5
- 230000003044 adaptive effect Effects 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 claims description 2
- 238000011144 upstream manufacturing Methods 0.000 claims 1
- 230000001419 dependent effect Effects 0.000 abstract 1
- 230000003111 delayed effect Effects 0.000 description 4
- 238000003384 imaging method Methods 0.000 description 4
- 238000004088 simulation Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0257—Control of position or course in two dimensions specially adapted to land vehicles using a radar
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0221—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving a learning process
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
- G05D1/0238—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using obstacle or wall sensors
- G05D1/024—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using obstacle or wall sensors in combination with a laser
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
- G05D1/0242—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using non-visible light signals, e.g. IR or UV signals
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
- G05D1/0246—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using a video camera in combination with image processing means
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Aviation & Aerospace Engineering (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Electromagnetism (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Optics & Photonics (AREA)
- Feedback Control In General (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Description
Die Erfindung betrifft ein Navigations- und Führungssystem für
autonome, mobile Roboter.
Bei solchen autonomen, mobilen Robotern handelt es sich um
autonome Systeme, die in der Lage sind, sich im Rahmen einer
zielgerichteten Aufgabenstellung in einer Umgebung selbsttätig
zu bewegen und zu orientieren. Darüberhinaus sollen sie die
Fähigkeit besitzen, auf unvorhergesehene Ereignisse und
Veränderungen in dieser Umgebung in einer Weise zu reagieren,
daß die Ausführung der Aufgabe in Echtzeit weiter verfolgt
werden kann.
Ein Teilaspekt dieser Problematik ist die Navigation und
Führung des Roboters in der betreffenden Umgebung. Dazu gehört
die Standortbestimmung, das Erkennen von Hindernissen und die
Fahrwegplanung. Das ist mit herkömmlichen Rechnern praktisch
nicht zu bewerkstelligen.
Der Erfindung liegt die Aufgabe zugrunde, ein Navigations- und
Führungssystem für mobile Roboter zu schaffen.
Erfindungsgemäß wird diese Aufgabe gelöst durch einen
bilderfassenden Sensor, einen Entfernungssensor und neuronale
Netzwerkmittel, auf welche Daten von dem bilderfassenden
Sensor und von dem Entfernungssensor aufgeschaltet sind und
welche zur Erzeugung von Richtungs- und Fahrtkommandos aus den
Daten der Sensoren trainiert sind.
Der mobile Roboter enthält einen bilderfassenden Sensor und
einen Entfernungssensor. Diese Sensoren liefern Informationen
über die Umgebung, in welcher sich der mobile Roboter bewegt.
Sie gestatten dem Roboter, seinen Standort zu bestimmen und
Hindernisse zu erkennen. Durch die neuronalen Netzwerkmittel
wird der Roboter in die Lage versetzt, sich selbst zu
organisieren, zu lernen sowie sich an unvorhergesehene,
veränderliche Situationen in seiner Umgebung anzupassen. Der
Roboter kann seinen Fahrweg planen und optimieren und seine
Bewegungen dementsprechend regeln.
Ausgestaltungen der Erfindung sind Gegenstand der
Unteransprüche.
Ein Ausführungsbeispiel der Erfindung ist nachstehend unter
Bezugnahme auf die zugehörigen Zeichnungen näher erläutert.
Fig. 1 ist ein Blockdiagramm und zeigt die Sensor-Netzwerk-Architektur
bei einem Navigations- und Führungssystem für
mobile Roboter.
Fig. 2 zeigt den Aufbau des neuronalen Netzwerkes zur
Bestimmung eines Soll-Fahrweges.
Fig. 3 zeigt einen als neuronales Netzwerk ausgebildeten
Führungsregler bei einem Navigations- und Führungssystem für
mobile Roboter.
Fig. 4 zeigt die Architektur für das Trainieren des neuronalen
Netzwerkes.
Fig. 5 ist das Ergebnis einer Simulation und zeigt, wie der
mobile Roboter einem vorher trainierten Fahrweg folgt.
Fig. 6 ist ebenfalls das Ergebnis einer Simulation ähnlich
Fig. 5 und zeigt, wie der mobile Roboter einen vorher nicht
trainierten Weg sucht.
Fig. 1 zeigt die grundlegende Sensor-Netzwerk-Architektur eines
Navigations- und Führungssystems für mobile Roboter. Der
mobile Roboter enthält einen bilderfassenden Sensor 10. Das
kann ein Videosensor, ein Radarsensor oder ein Infrarotsensor
sein. Der Sensor 10 liefert Pixel, die ein Bild des von dem
Sensor erfaßten Gesichtsfeldes darstellen. Der bilderfassende
Sensor kann z. B. eine Pixelmatrix mit 32×32 Pixeln liefern.
Weiterhin enthält der mobile Roboter einen Entfernungssensor
12. Das kann ein Laser-Entfernungsmesser sein. Auch der
Entfernungssensor ist "bilderfassend" in dem Sinne, daß er die
Entfernungen zu den verschiedenen Punkten des abgetasteten
Gesichtsfeldes erfaßt und somit ein räumliches Profil liefert.
Der Laser Entfernungsmesser kann beispielsweise 8×32 Pixel
liefern. Die Ausgangsdaten des bilderfassenden Sensors 10 und
des Entfernungssensors 12 sind auf ein neuronales Netzwerk 14
geschaltet. Das neuronale Netzwerk 14 ist ein dreischichtiges
Netzwerk mit einer Eingangsschicht 16, einer "verborgenen"
Schicht 18 und einer Ausgangsschicht 20. Das neuronale
Netzwerk ist ausschließlich vorwärts vernetzt. Es enthält
keine Verbindungen innerhalb einer Schicht und keine
Rückführungen. Dadurch ist die Stabilität des Netzwerkes
gewährleistet. Das neuronale Netzwerk 14 liefert nach
geeignetem Training an einem Ausgang 22 Richtungskommandos und
an einem Ausgang 24 Fahrtkommandos zur Bestimmung der
Fahrtrichtung und Geschwindigkeit des mobilen Roboters.
Diese Information wird in einem neuronalen Führungssystem des
mobilen Roboters weiterverarbeitet.
Das Netzwerk 14 wird überwacht trainiert mit realen oder
simulierten Szenen oder Umgebungsdaten. Das Training erfolgt
mit Hilfe des "Backpropagation"-Algorithmus.
Bei einfachen mobilen Robotern können die Richtungs- und
Fahrtkommandos, wie sie von dem neuronalen Netz 14 ausgegeben
werden, direkt auf Stellglieder des Roboters aufgeschaltet
werden. Das ist insbesondere möglich, wenn es sich um Einsätze
in weitgehend strukturierter Umgebung handelt. Mobile Roboter
für Einsätze in unstrukturierter und möglicherweise nicht
kooperativer Umgebung erfordern eine Struktur des
Führungssystems, wie sie in Fig. 2 dargestellt ist.
Die Netzwerkmittel enthalten dort ein erstes neuronales
Netzwerk 26. Auf das neuronale Netzwerk 26 sind die Daten von
dem bilderfassenden Sensor 10 und dem Entfernungssensor 12
aufgeschaltet. Das neuronale Netzwerk 26 ist so trainiert, daß
es die Daten des bilderfassenden Sensors 10 und des
Entfernungssensors 12 zunächst strukturiert. Es werden
Merkmale, Cluster, Kategorien etc. extrahiert. Hierzu werden
als Netzwerkstrukturen selbstorganisierende Merkmalskarten und
adaptive Resonator-Technologien verwendet.
Die so strukturierten Daten werden in einem zweiten neuronalen
Netzwerk 28 einem Klassifikationsprozeß unterworfen. Das
Netzwerk 28 ist ein "Backpropagation"-Netzwerk oder ein
"Assoziativspeicher"-Netzwerk.
Basierend auf den Ergebnissen der Datenstrukturierung und der
Klassifikation werden durch ein weiteres neuronales Netzwerk
30 mögliche Fahrwege generiert. Aus diesen Fahrwegen wird ein
optimaler Fahrweg ausgewählt. Für diese Optimierungsaufgabe
wird als Netzwerk 30 ein "Hopfield"-Netzwerk verwendet. Das
Netzwerk 30 liefert als Ergebnis der Fahrweg-Planung einen
Soll-Fahrweg für das jeweils aktuelle Planungsintervall. Ein
solcher Soll-Fahrweg kann beschrieben werden durch drei
zeitabhängige Variablen X(t), Y(t) und Ψ (t), wobei X(t) die
Nord-Positionskoordinate, Y(t) die Ost-Positionskoordinate und
der Winkel Ψ (t) die Richtung der Bezugsachse des mobilen
Roboters in dem Navigationsreferenzsystem des Einsatzgebietes
angibt. Diese Daten des Soll-Fahrwegs können in einem
Soll-Zustandsvektor Z D (t) zusammengefaßt werden:
Z D (t) = [XD(t), YD(t), α D(t)]T.
Fig. 3 zeigt nun einen ebenfalls mit einem neuronalen Netzwerk
32 ausgebildeten Regler 33, der den mobilen Roboter 34 längs
des so vorgegebenen Soll-Fahrweges führt. Das Netzwerk 32 ist
ein mehrschichtiges "Feedforward"-Netzwerk mit einer
Eingangsschicht 34, einer "verborgenen" Schicht 36 und einer
Ausgangsschicht 38. Auf das Netzwerk 32 werden die
zeitabhängigen Komponenten des Soll-Zustandsvektors Z D (t) in
Form diskreter, mit einer Abtastperiode T abgetasteter Werte
Z D(nT) aufgeschaltet. Die Abtastung des Soll-Zustandsvektors
Z D (t) ist in Fig. 3 durch einen Schalter 40 dargestellt. Die
abgetasteten diskreten Werte werden durch Verzögerungsglieder
42, 44 . . . nacheinander um jeweils eine Abtastperiode T
verzögert und auf das neuronale Netzwerk 32 aufgeschaltet. Es
liegt dann an einem ersten Eingang 46 des neuronalen
Netzwerkes 32 der Soll-Zustandsvektor Z D (nT) zum Zeitpunkt nT.
An einem zweiten Eingang 48 des neuronalen Netzwerkes 32 liegt
der Soll-Zustandsvektor Z D((n-1)T), der dem Abtastzeitpunkt
(n-1)T zugeordnet ist, usw. An einem Eingang 50 liegt
schließlich der Soll-Zustandsvektor Z D((n-k)T). Das neuronale
Netzwerk erhält somit an seinen Eingängen 46 . . . 50 sämtliche
Soll-Zustandsvektoren für ein "Planungsintervall" der Länge
kT. Das Netzwerk 32 liefert an einem Ausgang 52 zum Zeitpunkt
nT einen Stellvektor u(nT).
Der Regler 33 enthält eine Rückführschleife 54. Der
Stellvektor u(nT) wird über Verzögerungsglieder 56, 58 . . . um
jeweils eine Abtastperiode T verzögert auf weitere Eingänge
60 . . . 62 des neuronalen Netzwerkes 32 geschaltet. Der Eingang
60 erhält den Stellvektor u((n-1)T). Der Eingang 60 erhält
schließlich den Stellvektor u((n-l)T).
Der Stellvektor ist
u(t) = [v(t), α(t)]T.
Der Stellvektor u(t) enthält somit die Komponenten
Fahrgeschwindigkeit v(t) und Stellung α(t) des
Fahrtrichtungsgebers. Dieser Stellvektor ist auf die
Stellglieder des mobilen Roboters 34 aufgeschaltet. Der mobile
Roboter 34 folgt dann einem Fahrweg, der durch einen
Ist-Zustandsvektor Z(t) gekennzeichnet ist und dem durch den
Soll-Zustandsvektor Z D(t) vorgegebenen optimalen Fahrweg
entspricht.
Fig. 4 veranschaulicht das Trainieren des Netzwerkes 32 des
Reglers 33.
Auf den mobilen Roboter 34 oder ein nichtlineares Modell
dieses mobilen Roboters werden in festen Abtastperioden
Stellvektoren u(nT) aufgeschaltet. Diese Stellvektoren ergeben
sich durch Abtastung eines zeitabhängigen Stellvektors u(t).
Diese Abtastung ist durch einen Schalter 64 symbolisiert. Der
mobile Roboter 34 (oder das Modell des mobilen Roboters) folgt
dann einem Fahrweg, der durch einen zeitabhängigen
Zustandsvektor Z(t) beschrieben wird. Der Zustandsvektor Z(t)
wird wieder mit den festen Abtastperioden T abgetastet. Diese
Abtastung ist durch einen Schalter 66 angedeutet. Die so
erhaltenen Zustandsvektoren werden durch Verzögerungsglieder
68, 70, . . . um jeweils eine Abtastperiode T verzögert und auf
Eingänge 72, 74, . . . 76 des neuronalen Netzes 32 geschaltet. An
dem Eingang 72 liegt dann der Zustandsvektor Z(nT), der dem
Abtastzeitpunkt nT zugeordnet ist. An dem Eingang 74 liegt der
Zustandsvektor Z((n-1)T), der dem Abtastzeitpunkt (n-1)T
zugeordnet ist. An dem Eingang 76 liegt schließlich der
Zustandsvektor Z((n-k)T), der dem Abtastzeitpunkt (n-k)T
zugeordnet ist.
In einer Schleife 78 entsprechend der Rückführschleife 54 in
Fig. 3 ist der eingegebene Stellvektor u(nT) mit stufenweiser
Verzögerung auf Eingänge des neuronalen Netzwerkes 32
geschaltet. Die stufenweise Verzögerung wird durch
Verzögerungsglieder 80, 82, . . . bewirkt. An einem Eingang 84
liegt der eingegebene Stellvektor u((n-1)T). An einem Eingang
86 liegt schließlich der eingegebene Stellvektor u((n-1)T).
Das neuronale Netzwerk 32 liefert an einem Ausgang 88 einen
Schätzwert û(nT) für den Stellvektor. Dieser Schätzwert weicht
zunächst von dem eingegebenen Stellvektor u(nT) ab. Es wird in
einem Summierpunkt 90 die Differenz von eingegebenem
Stellvektor und Schätzwert gebildet. Diese Differenz ist auf
einen Lern-Algorithmus 92 geschaltet. Der Lern-Algorithmus 92
ist ein "Backpropagation"-Algorithmus. Durch diesen
Algorithmus werden die Verbindungsgewichte wÿ des neuronalen
Netzwerkes schrittweise verändert. Diese Veränderung geschieht
in einer solchen Weise, daß nach einer Vielzahl von
Lernschritten das neuronale Netzwerk den Zusammenhang zwischen
eingegebenen Zustandsvektoren Z und Stellvektoren u korrekt
wiedergibt. Die Veränderung der wÿ ist durch einen Pfeil 94
angedeutet.
Fig. 5 zeigt das Ergebnis einer Simulation der Bewegung eines
mobilen Roboters, der mit einem Regler 33 der beschriebenen
Art, der gemäß Fig. 4 trainiert wurde, längs eines
vorgegebenen, durch einen Soll-Zustandsvektor definierten
Soll-Fahrweges geführt wird. Die ausgezogenen Linien zeigen
den Soll-Fahrweg, die gepunkteten Linien zeigen den
Ist-Fahrweg. Fig. 5 zeigt den Fall, daß die vorgegebenen Fahrwege
selbst vorher trainiert worden waren. Fig. 6 ist eine
entsprechende Darstellung für den Fall, daß die vorgegebenen
Fahrwege selbst nicht trainiert worden waren. Das unerwartet
gute Verhalten des Netzwerkes liegt an der generalisierenden
Wirkung der hier verwendeten Struktur des Netzwerkes.
Claims (7)
1. Navigations- und Führungssystem für autonome, mobile
Roboter, gekennzeichnet durch einen bilderfassenden Sensor
(10), einen Entfernungssensor (12) und neuronale
Netzwerkmittel (14; 26, 28, 30, 32), auf welche Daten von dem
bilderfassenden Sensor (10) und von dem Entfernungssensor (12)
aufgeschaltet sind und welche zur Erzeugung von Richtungs- und
Fahrtkommandos aus den Daten der Sensoren trainiert sind.
2. Navigations- und Führungssystem nach Anspruch 1, dadurch
gekennzeichnet, daß das Netzwerk (14) drei Schichten
(16, 18, 20) enthält und ausschließlich vorwärts vernetzt ist.
3. Navigations- und Führungssystem nach Anspruch 1
gekennzeichnet durch
- a) ein erstes neuronales Netzwerk (26) dessen Netzwerkarchitektur selbstorganisierenden Merkmalskarten oder adaptive Resonator-Technologien verwendet zum Strukturieren der Sensordaten mit dem Ziel, Merkmale, Cluster, Kategorien etc zu extrahieren,
- b) ein zweites neuronales Netzwerk (28) vom Typ "Backpropagation" oder "Assoziativspeicher" auf welches strukturierte Ausgangsdaten des ersten neuronalen Netzwerkes (26) aufgeschaltet sind zur Durchführung eines Klassifikationsprozesses mit den strukturierten Daten, und
- c) ein drittes neuronales Netzwerk (30) vom "Hopfield"-Typ zur Generierung möglicher Fahrwege des mobilen Roboters (34) und einer Optimierung des Fahrweges basierend auf dem Ergebnis der Strukturierung der Daten und der Klassifikation, wobei der optimierte Fahrweg durch einen soll-Zustandsvektor (Z D(t)) dargestellt ist.
4. Navigations- und Führungssystem nach Anspruch 3, dadurch
gekennzeichnet, daß der Soll-Zustandsvektor (Z D(t)) auf einen
mit einem neuronalen Netz (32) aufgebauten Regler (33)
aufgeschaltet ist, der Stellsignale (u(t)) für
Fahrgeschwindigkeit und Fahrtrichtung erzeugt, derart daß der
Zustandsvektor (Z(t)) des mobilen Roboters dem
Soll-Zustandsvektor (Z D(t)) folgt.
5. Navigations- und Führungssystem nach Anspruch 4, dadurch
gekennzeichnet, daß der Regler (33) ein dreischichtiges
neuronales Netzwerk (32) aufweist.
6. Navigations- und Führungssystem nach Anspruch 4 oder 5,
dadurch gekennzeichnet, daß
- a) der zeitabhängige Soll-Zustandsvektor (Z D(t)) durch Abtastmittel (40) in festen Abtastperioden (T) abtastbar ist, so daß abgetastete Soll-Zustandsvektoren (Z D(nT)) erhalten und auf den Regler (33) aufgeschaltet werden,
- (b) das neuronale Netzwerk (32) eine Mehrzahl von Eingängen (46, 48 . . . 50) aufweist, die eine Reihe von einem ersten bis zu einem letzten Eingang (46 bzw. 50) geordnet sind,
- (c) eine Mehrzahl von Verzögerungsgliedern (42, 44 . . . ) vorgesehen ist, die zwischen den Eingängen (46, 48, . . . 50) des neuronalen Netzwerkes (32) liegen und jeweils eine Verzögerung um eine Abtastperiode bewirken, und
- (d) die abgetasteten Soll-Zustandsvektoren (Z D(nT)) auf den ersten Eingang (46) der Reihe aufschaltbar sind.
7. Navigations- und Führungssystem nach Anspruch 6, dadurch
gekennzeichnet, daß
- a) der Regler (33) eine Rückführschleife (54) aufweist, über welche Stellvektoren (u(nT)) auf weitere Eingänge (60, . . . 62) aufschaltbar sind, die in einer Reihe von einem ersten (60) zu einem letzten Eingang (62) geordnet sind,
- b) eine Mehrzahl von Verzögerungsgliedern (56, 58, . . . ) vorgesehen sind, die in der Rückführschleife (54) vor und zwischen den weiteren Eingängen (60, . . . 62) angeordnet sind und jeweils eine Verzögerung um eine Abtastperiode bewirken, und
- c) die Stellvektoren (u(nT)) jeweils auf das dem ersten Eingang (60) vorgeschaltete Verzögerungsglied (56) aufgeschaltet sind.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE4218599A DE4218599C2 (de) | 1992-06-05 | 1992-06-05 | Navigations- und Führungssystem für autonome, mobile Roboter |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE4218599A DE4218599C2 (de) | 1992-06-05 | 1992-06-05 | Navigations- und Führungssystem für autonome, mobile Roboter |
Publications (2)
Publication Number | Publication Date |
---|---|
DE4218599A1 true DE4218599A1 (de) | 1993-12-16 |
DE4218599C2 DE4218599C2 (de) | 1996-06-27 |
Family
ID=6460485
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
DE4218599A Expired - Fee Related DE4218599C2 (de) | 1992-06-05 | 1992-06-05 | Navigations- und Führungssystem für autonome, mobile Roboter |
Country Status (1)
Country | Link |
---|---|
DE (1) | DE4218599C2 (de) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE19546506A1 (de) * | 1995-12-13 | 1997-06-19 | Daimler Benz Ag | Fahrzeug-Navigationssystem und Signalverarbeitungsverfahren für ein solches Navigationssystem |
WO2002027275A2 (en) * | 2000-09-27 | 2002-04-04 | Hrl Laboratories, Llc | Distributed sensing apparatus and method of use therefor |
US6658980B1 (en) * | 1998-12-12 | 2003-12-09 | British Aerospace Public Limited Co. | Combat pilot aid system |
US7049945B2 (en) | 2000-05-08 | 2006-05-23 | Automotive Technologies International, Inc. | Vehicular blind spot identification and monitoring system |
US7209221B2 (en) * | 1994-05-23 | 2007-04-24 | Automotive Technologies International, Inc. | Method for obtaining and displaying information about objects in a vehicular blind spot |
US7783403B2 (en) | 1994-05-23 | 2010-08-24 | Automotive Technologies International, Inc. | System and method for preventing vehicular accidents |
US7852462B2 (en) | 2000-05-08 | 2010-12-14 | Automotive Technologies International, Inc. | Vehicular component control methods based on blind spot monitoring |
DE102016009655A1 (de) | 2016-08-09 | 2017-04-06 | Daimler Ag | Verfahren zum Betrieb eines Fahrzeugs |
CN112212867A (zh) * | 2020-10-19 | 2021-01-12 | 中国科学技术大学 | 一种机器人自定位与导航的方法及*** |
CN113485326A (zh) * | 2021-06-28 | 2021-10-08 | 南京深一科技有限公司 | 一种基于视觉导航的自主移动机器人 |
CN113867370A (zh) * | 2021-12-02 | 2021-12-31 | 智道网联科技(北京)有限公司 | 一种基于时间同步的障碍物航向角计算方法及装置 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE4001493A1 (de) * | 1990-01-19 | 1991-07-25 | Pietzsch Ibp Gmbh | Verfahren und einrichtung zur selbsttaetigen steuerung von bewegbaren geraeten |
-
1992
- 1992-06-05 DE DE4218599A patent/DE4218599C2/de not_active Expired - Fee Related
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE4001493A1 (de) * | 1990-01-19 | 1991-07-25 | Pietzsch Ibp Gmbh | Verfahren und einrichtung zur selbsttaetigen steuerung von bewegbaren geraeten |
Non-Patent Citations (3)
Title |
---|
BARR, T.: Netze im Aufwind. In: c`t 1991, H. 4, S. 78-92 * |
LIPPMANN, R.P.: An Introduction to Computing with Neural Nets. In: IEEE ASSP Magazine, April 1987, H. 2, S. 4-22 * |
WOLF, T.: Neuronen im Computer. In: mc, April 1990, S. 92-108 * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7783403B2 (en) | 1994-05-23 | 2010-08-24 | Automotive Technologies International, Inc. | System and method for preventing vehicular accidents |
US7209221B2 (en) * | 1994-05-23 | 2007-04-24 | Automotive Technologies International, Inc. | Method for obtaining and displaying information about objects in a vehicular blind spot |
DE19546506A1 (de) * | 1995-12-13 | 1997-06-19 | Daimler Benz Ag | Fahrzeug-Navigationssystem und Signalverarbeitungsverfahren für ein solches Navigationssystem |
US6658980B1 (en) * | 1998-12-12 | 2003-12-09 | British Aerospace Public Limited Co. | Combat pilot aid system |
US7852462B2 (en) | 2000-05-08 | 2010-12-14 | Automotive Technologies International, Inc. | Vehicular component control methods based on blind spot monitoring |
US7049945B2 (en) | 2000-05-08 | 2006-05-23 | Automotive Technologies International, Inc. | Vehicular blind spot identification and monitoring system |
US7612324B1 (en) | 2000-09-27 | 2009-11-03 | Hrl Laboratories, Llc | Distributed display composed of active fiducials |
WO2002027275A3 (en) * | 2000-09-27 | 2002-07-11 | Hrl Lab Llc | Distributed sensing apparatus and method of use therefor |
WO2002027275A2 (en) * | 2000-09-27 | 2002-04-04 | Hrl Laboratories, Llc | Distributed sensing apparatus and method of use therefor |
US8035078B1 (en) | 2000-09-27 | 2011-10-11 | Hrl Laboratories, Llc | Distributed display composed of active fiducials |
DE102016009655A1 (de) | 2016-08-09 | 2017-04-06 | Daimler Ag | Verfahren zum Betrieb eines Fahrzeugs |
CN112212867A (zh) * | 2020-10-19 | 2021-01-12 | 中国科学技术大学 | 一种机器人自定位与导航的方法及*** |
CN112212867B (zh) * | 2020-10-19 | 2024-05-28 | 中国科学技术大学 | 一种机器人自定位与导航的方法及*** |
CN113485326A (zh) * | 2021-06-28 | 2021-10-08 | 南京深一科技有限公司 | 一种基于视觉导航的自主移动机器人 |
CN113867370A (zh) * | 2021-12-02 | 2021-12-31 | 智道网联科技(北京)有限公司 | 一种基于时间同步的障碍物航向角计算方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
DE4218599C2 (de) | 1996-06-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Rummery et al. | On-line Q-learning using connectionist systems | |
DE102007001025B4 (de) | Verfahren zur rechnergestützten Steuerung und/oder Regelung eines technischen Systems | |
DE4218599C2 (de) | Navigations- und Führungssystem für autonome, mobile Roboter | |
DE112018006578T5 (de) | Wegplanung für autonome sich bewegende vorrichtungen | |
EP3765927B1 (de) | Verfahren zum erzeugen eines trainingsdatensatzes zum trainieren eines künstlichen-intelligenz-moduls für eine steuervorrichtung eines fahrzeugs | |
DE102019001948A1 (de) | Steuerung und maschinelle Lernvorrichtung | |
DE102013203165A1 (de) | Verbesserte Datenverbindung einer Vereinigung unter Verwendung einer gewichteten bayesschen Filterung | |
DE102020209685B4 (de) | Verfahren zum steuern einer robotervorrichtung und robotervorrichtungssteuerung | |
DE102019209736A1 (de) | Verfahren zur Bewertung möglicher Trajektorien | |
DE102013207895A1 (de) | Fahrerloses Transportfahrzeug, System mit einem Rechner und einem fahrerlosen Transportfahrzeug, Verfahren zum Betreiben eines fahrerlosen Transportfahrzeugs | |
DE102020200911B3 (de) | Verfahren zum Erkennen von Objekten in einer Umgebung eines Fahrzeugs | |
DE102020209538A1 (de) | Vorrichtung und Verfahren zum Ermitteln einer physikalischen Eigenschaft eines physikalischen Objekts | |
DE4001493A1 (de) | Verfahren und einrichtung zur selbsttaetigen steuerung von bewegbaren geraeten | |
EP3746850A1 (de) | Verfahren zum ermitteln eines zeitlichen verlaufs einer messgrösse, prognosesystem, aktorsteuerungssystem, verfahren zum trainieren des aktorsteuerungssystems, trainingssystem, computerprogramm und maschinenlesbares speichermedium | |
DE102021204697A1 (de) | Verfahren zum Steuern einer Robotervorrichtung | |
DE102018128535B4 (de) | Trainieren eines künstlichen neuronalen Netzwerks mit durch Sensoren eines Fahrzeugs erfassten Daten | |
EP3741518B1 (de) | Verfahren und vorrichtung für eine automatisierte beeinflussung eines aktuators | |
DE69931216T2 (de) | Flugbahnbefehlssteuerung mit neuronalem netzwerk | |
DE19645556A1 (de) | Vorrichtung zur Erzeugung von Lenksignalen für zielverfolgende Flugkörper | |
DE102020200165B4 (de) | Robotersteuereinrichtung und Verfahren zum Steuern eines Roboters | |
DE19703964C1 (de) | Verfahren zur Transformation einer zur Nachbildung eines technischen Prozesses dienenden Fuzzy-Logik in ein neuronales Netz | |
DE19857895A1 (de) | Lenk-, Navigations- und Regelsystem für Flugkörper | |
DE102020201369A1 (de) | Verfahren und Vorrichtung zur Bahnplanung für einen autonomen Agenten | |
DE102021210593A1 (de) | Verfahren zum Trainieren eines neuronalen Umfeld-Netzwerks zum Bestimmen eines Objekt-angereicherten Umfelds einer mobilen Plattform | |
DE102020214123B4 (de) | Verfahren zur Erfassung eines Umfelds eines ersten Sensorsystems |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
OP8 | Request for examination as to paragraph 44 patent law | ||
D2 | Grant after examination | ||
8364 | No opposition during term of opposition | ||
8339 | Ceased/non-payment of the annual fee |