Die autonome Exploration gefährlicher und anspruchsvoller Umgebungen stellt für mobile Roboter eine besondere Herausforderung dar. Weicht die Lokomotion zu stark vom berechneten Plan ab, kann das im schlimmsten Fall zur Immobilität des Systems und somit zum Missionsende führen.
Diese Arbeit beschäftigt sich mit einer Feature-basierten Detektion solcher kritischer Abweichungen. Der Fokus liegt darauf, eine abstraktere Form von Abweichung für ein bestimmtes System mithilfe von verschiedenen Klassifikatoren zu erkennen.
Mit ausgewählten Testszenarien werden Trainingsdaten in der Simulation erzeugt. Eine anschließende Auswertung der Klassifizierer zeigt, dass Abweichungen wie starker Drift, Schlupf oder das Fahren gegen ein Hindernis erkannt werden können. Schließlich wird untersucht, wie sich diese mit Simulationsdaten trainierten Modelle auf realen Daten verhalten. Eine Übertragung auf den Realbetrieb ist möglich; allerdings unterscheidet sich die Güte der Transferierbarkeit je nach
Klassifikatortyp und Testumgebung.

The autonomous exploration of dangerous and challenging terrains is an extraordinary task for mobile robots. Given a calculated plan, strong deviations in locomotion can cause irreversible immobility and thus lead to mission failure. This thesis deals with a feature-based detection of these critical deviations. The main focus is on detecting a more abstract type of deviation for given robots with the help of various classifiers. With selected test scenarios, train data is acquired
by simulation. The subsequent analysis shows, that deviations like slip, drift or driving against an obstacle can be detected. Finally, an examination on using simulation-based classifiers for real log data is performed. A transfer is possible; however, the quality of transferability relies on classifier type and test environment.