NoStrandAMust

Lernen von Bodeninteraktionsmodelle zur Erhöhung des Autonomiegrades mobiler Explorations-Robotersysteme

Konzeptuelle Darstellung der Projektinhalte (Grafik: DFKI)
Konzeptuelle Darstellung der Projektinhalte (Grafik: DFKI)

In dem Vorhaben werden Daten von unterschiedlichen Robotern auf unter-schiedlichen Böden aufgenommen, um mit diesen Bodeninteraktions-modelle zu lernen. Diese sollen in eine Simulationsumgebung integriert und dann für die autonome Anpassung der Pfadplanung oder Fortbewegungsart genutzt werden, um die Sicherheit und Effizienz der Roboter zu erhöhen.

Laufzeit: 01.02.2022 bis 31.01.2025
Zuwendungsempfänger: Deutsches Forschungszentrum für Künstliche Intelligenz GmbH
Fördergeber: Bundesministerium für Wirtschaft und Klimaschutz
Deutsches Zentrum für Luft- und Raumfahrt e.V.
Förderkennzeichen: 50RA2122
Anwendungsfelder: Weltraumrobotik
Verwandte Projekte: RoBivaL
Roboter Bodeninteraktionsevaluierung in der Landwirtschaft (08.2021- 07.2023)
Entern
Umgebungsmodellierung und Navigation für robotische Weltraum-Exploration (10.2014- 12.2017)
VIPE
Exploration in schwer zugänglichem Terrain anhand visueller und propriozeptiver Daten im Valles Marineris (05.2015- 06.2018)
LIMES
Lernen intelligenter Bewegungen kinematisch komplexer Laufroboter für die Exploration im Weltraum (05.2012- 04.2016)
TransTerrA
Semi-autonome kooperative Exploration planetarer Oberflächen mit Errichtung einer logistischen Kette sowie Betrachtung terrestrischer Anwendbarkeit einzelner Aspekte (05.2013- 12.2017)
Verwandte Robotersysteme: CREX
Crater Explorer
MANTIS
Mehrbeiniges Manipulations- und Lokomotionssystem
Charlie
iStruct Demonstrator
ARTEMIS
DLR SpaceBot Cup 2013 Rover
SherpaTT
Coyote III
Verwandte Software: MARS
Machina Arte Robotum Simulans
BOLeRo
Behavior Optimization and Learning for Robots
Rock
Robot Construction Kit

Projektdetails

Artemis als Repräsentant für Rover mit passiven Fahrwerk (Foto: DFKI)
Charlie als Repräsentant eines Vierbeiners (Foto: DFKI)
Coyote III als Repräsentant für Rover mit Sternrädern (Foto: DFKI)
CREX als Repräsentant eines kleinen Sechsbeiners (Foto: DFKI)
Mantis als Repräsentant eines großen Sechsbeiners (Foto: DFKI)
Bei NoStrandAMust handelt es sich um ein Vorhaben mit dem Ziel, die Bodeninteraktion von unterschiedlichen Robotern experimentell zu untersuchen und mittels KI-Methoden Modelle für die Interaktion zu generieren. Diese Modelle sollen in Simulation eingesetzt und verziert werden sowie die Autonomie der Roboter verbessern. Zum einen sollen die Modelle für die Bewegungsplanung genutzt werden und damit die Effizienz und Sicherheit der Systeme erhöhen. Zum anderen sollen die Modelle genutzt werden, um die aktuellen Bodenbeschaffenheiten zur Laufzeit zu analysieren und so zu verhindern, dass die Systeme sich in gefährliche Bereiche manövrieren. Somit erhöhen 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 für den Erfolg von zukünftigen 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:
 - 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.
 -   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.
 - 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.

- 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.
Zurück zur Projektliste
© DFKI GmbH
zuletzt geändert am 09.05.2022
nach oben