Self-Organizing Control for Autonomous Robots

Abstract

Die vorliegende Arbeit beschäftigt sich mit einem selbstreferentiellen Ansatz aus dem Bereich der dynamischen Systeme zur adaptiven Steuerung von Robotern. Die zentrale Idee des Ansatzes besteht dabei in der Aufrechterhaltung aktiver Verhaltensformen, was ihn zu einem dynamischen Pendant der Homeostase macht und zu dem Namen Homeokinese führte. Ein Algorithmus wird vorgestellt, mit Hilfe dessen körper- und umweltangepaßte Verhalten generiert werden können. Die zugrundeliegende objektive Funktion ist dabei nicht auf einen speziellen Roboter oder eine vorgegebene Umwelt angewiesen. Weiterhin wird die Parameterdynamik des Systems diskutiert.In Experimenten mit verschiedenartigen Robotern werden die Anwendbarkeit und die Eigenschaften des Ansatzes untersucht. Als paradigmatisches Beispiel dient ein eindimensionaler Roboter zwischen zwei Wänden. In dieser Situation können mit einer homeokinetischen Steuerung deutlich längere Strecken zurückgelegt werden, als mit einem statischen Kontroller. In weiteren Experimenten werden koordinierte Bewegungen, wie Kriech- und Springbewegungen eines schlangenartigen Roboters oder Bewegungen aller aktiven und passiven Körperteile eines unteraktuierten Roboters, generiert. Solche Bewegungsmoden zeigen die Emergenz von sensomotorischer Koordination durch homeokinetische Steuerung und werden durch die Ausnutzung der physikalischen Eigenschaften der Roboter möglich. In Langzeitexperimenten zeigt sich im Einklang mit der Theorie, daß die Parameterdynamiken des Steuerungssystems den Paramterraum fortlaufend explorieren. Die Roboter sind sogar in überfüllten Umgebungen höchstens ku! rzzeitig inaktiv. Neu angeschlossene oder entfernte Sensoren werden in die sensomotorische Schleife integriert beziehungsweise desintegriert, wobei Sensoren, die zuverlässiger auf Motoraktionen reagieren, bevorzugt werden.Erweiterungen der homeokinetischen Steuerung durch ein Langzeitgedächtnis und Lernen zweiter Ordnung werden vorgestellt. Das Langzeitgedächtnis erlaubt dem System sich an verschiedene Situationen anzupassen, ohne die internen Paprameter umlernen zu müssen. Durch Lernen zweiter Ordnung in einer höheren Kontrollschicht werden bestimmte Aspekte der generierten Verhalten repräsentiert und unter Verwendung von zusätzlichen exterozeptiven Sensoren das System in geeigneter Weise beeinflusst. So kann die Parameteradaption entsprechend der objektiven Funktion beschleunigt oder eine von außen vorgegebene Aufgabe erfüllt werden.Schließlich wird eine neue Methode zur Anpassung von Prothesensteuerungen an die individuelle Situation eines Amputierten in einer Interaktionsphase zwischen Patient und Prothese vorgestellt. In der Interaktionsphase sollen zum einen die patientenspezifischen Merkmale des myoelektrischen Signals selektiert und zum anderen die vom Patienten bereitgestellten Signale durch Training verbessert werden. Die gewählten Merkmale können effektiv zur Steuerung der Prothese verwendet werden.