Projektbeschreibung

„Wo bin ich und wohin gehe ich?“ ist eine der grundlegendsten Problemstellungen, die es in der mobilen Robotik zu lösen gilt. So ist es für die autonome Navigation unbedingt erforderlich, dass sich der mobile Roboter in seiner Umgebung mit Hilfe von Sensoren selbst lokalisieren kann.

Die einzelnen Messungen der Navigationssensoren sind jedoch stets fehlerbehaftet. Eine verbesserte Schätzung der Lokalisierung wird mittels Multi-Sensor-Datenfusion unter Berücksichtigung der jeweiligen Sensorunsicherheiten erreicht. Auf Grundlage der Bayes’schen Methodik lässt sich die Fusion der Sensoren unter Einbezug der zugehörigen statistischen Unsicherheiten mathematisch formulieren und als ein so genanntes rekursives Bayesfilter realisieren (z. B. Kalman- oder Partikelfilter).

Mit einer Karte, in der sich der Roboter mit seinen die Umgebung beobachtenden Sensoren lokalisiert, ist eine weitere Verbesserung zu erzielen. Da die Karte in der Regel nur mit den fehlerbehafteten Sensordaten des mobilen Roboters erstellt werden kann, resultiert folgende Problemstellung: Um eine genaue Karte aufzubauen, muss sich der Roboter simultan in der bisher aufgenommenen und fehlerbehafteten Karte lokalisieren und diese ständig aktualisieren. Bei der so genannten simultanen Lokalisierung und Kartenerstellung (engl.: SLAM) besteht die Schwierigkeit darin, dass die Fehler in der Karte mit der Unsicherheit der Lokalisierung korreliert sind.

Als Lösungsansatz wird die Modellierung des SLAM-Problems und dessen zugrundeliegenden statistischen Abhängigkeiten mit probabilistischen Karten verfolgt.