Projekt

NoStrandAMust

NoStrandAMust - Bodenkontaktsimulation zur Verbesserung der Lokomotionsperformance mobiler Roboter

NoStrandAMust - Bodenkontaktsimulation zur Verbesserung der Lokomotionsperformance mobiler Roboter

  • Laufzeit:

Bei NoStrandAMust handelt es sich um ein Vorhaben mit dem Ziel, die Bodeninteraktion von unterschiedlichen Robotern experimentell zu untersuchen und mittels KI-Methoden Modelle fur die Interaktion zu generieren. Diese Modelle sollen in Simulation eingesetzt und veriziert werden sowie die Autonomie der Roboter verbessern. Zum einen sollen die Modelle fur die Bewegungsplanung genutzt werden und damit die Effizienz und Sicherheit der Systeme erhöhen. Zum anderen sollen die Modelle genutzt werden, um die aktuellen Bodenbeschaenheiten zur Laufzeit zu analysieren und so zu verhindern, dass die Systeme sich in gefährlich Bereiche manovrieren. Somit erhohen die in NoStrandAMust zu entwickelnden Methoden, Modelle und Simulationen die Autonomie, Sicherheit und Effizienz von mobilen Robotersystemen. Die zu entwickelnden Methoden werden damit als wesentlicher Beitrag fur den Erfolg von zukunftigen Missionen dienen.

Um das Gesamtziel des Verbundvorhabens, die Autonomie von robotischen Systemen durch Bodeninteraktionsmodelle zu erhöhen, erreichen zu können, werden in NoStrandAMust vier wesentliche Beiträge geleistet:

  1. Big-Data Erhebung von Performancedaten verschiedener mobiler Systeme unter verschieden Umgebungsbedingungen - Verschiedene Systeme bezieht sich hier auf unterschiedliche Fortbewegungsarten, Antriebssysteme, Gewichtsklassen und Kontaktgeometrien und Materialien. Es werden Daten von sechs Laufsystemen mit unterschiedlichen Morphologien und Fußdesigns erhoben sowie Daten von unterschiedlichen radgetriebenen Konzepten, die jeweils auf vier verschiedenen Untergründen unter Umtständen mit verschiedenen Bewegungsverhalten getestet werden.
  2. Generierung von Bodeninteraktionsmodellen mittels KI-Methoden - State-of-the-Art Regressions- und Klassifikationsmethoden sowie weitere maschinelle Lernverfahren werden für die Erstellung von Bodeninteraktionsmodelle benötigt. Vor allem Vorarbeiten mit künstlichen neuronalen Netzen haben gezeigt, dass sie sehr gut geeignet sind um Modelle zu repräsentieren, die von der Komplexität vergleichbar mit den in diesem Vorhaben geforderten Modellen sind.
  3. Integration der Bodeninteraktionsmodelle in eine am DFKI bestehende Simulationsumgebung als digitaler Zwilling - Durch die Integration der Modelle in eine Simulationsumgebung können diese anhand des ganzheitlichen Roboterverhaltens bewertet und mit den Verhalten aus der Datenakquise der realen Systeme verglichen werden. Ziel ist eine akkurate echtzeitfähige Simulation, die für die Systemauslegung als auch für die Pfadplanung genutzt werden kann.
  4. Integration der Bodeninteraktionsmodelle in die Robotersteuerung zur Steigerung der Autonomie - Durch den kontinuierlichen Abgleich der Roboterperformance mit einer Vorhersage, die aus einer auf dem Roboter laufenden Simulation generiert wird, werden die Systeme in die Lage versetzt, kontinuierlich die Bodenbeschaffenheit zu ermitteln und schlecht werdende Bedingungen frühzeitig zu erkennen. Der Roboter soll entsprechend auf geänderte Bodenbedingungen reagieren, in dem er beispielsweise eine neue Wegplanung oder geeignete Verhaltensanpassungen triggert.

Da durch den datengetriebenen Ansatz die Bodeninteraktionsmodelle systemspezifisch trainiert werden müssen, kann in NoStrandAMust kein allgemeingültiges Modell, wie es analytische Modelle erlauben, generiert werden. Um dennoch die allgemeingültige Anwendbarkeit der Methode nachweisen zu können, sollen in NoStrandAMust sechs unterschiedliche Systeme eingesetzt werden. Dazu gehören drei Laufmaschinen (Charlie, CREX und Mantis), zwei radgetriebene Systeme mit unterschiedlichen Konzepten (SherpaTT, und Artemis) und eine Mischung zwischen Lauf- und Radsystem in Form eines sogenannten Sternenrades (Coyote III). Zudem reicht die Gewichtsklasse der Systeme von ca. 20 Kg bis zu etwa 120 Kg sowohl für die Laufsysteme wie auch die Radkonzepte. Jedes der sechs Systeme wird auf Untergründen mit unterschiedlichen Eigenschaften getestet. Neben einer Unterscheidung von losen Sedimentböden und harten Untergründen wird es auch noch innerhalb dieser beiden Klassen unterschiedliche Varianten geben. Angedacht sind hier, dass zu der Klasse ''loses Sediment'' feiner Sand, feiner Kies, grober Kies oder Basaltsplit gehört. Bei den harten Böden werden die Systeme genutzt, um Daten aufzeichnen zu können, die unterschiedliche Reibungskoeffizienten aufweisen, wie beispielsweise staubbedeckte Flächen oder hohe Reibungen, wie sie in Lavahöhlen vorkommen.

Fördergeber

BMWK - Bundesministerium für Wirtschaft und Klimaschutz

50RA2122

BMWK - Bundesministerium für Wirtschaft und Klimaschutz

Deutsches Forschungszentrum für Künstliche Intelligenz
German Research Center for Artificial Intelligence