Systematische Analyse maschineller Lernverfahren zur Lösung des Problems der inversen Kinematik

Obwohl zur Lösung des Problems der inversen Kinematik bereits lange bewährte analytische und numerische Lösungen verfügbar sind, wird aktiv an einem Einsatz maschineller Lernverfahren geforscht, weil sich in bestimmten Anwendungsfällen Vorteile erhofft werden.
Da für wissenschaftlich publizierte Lernverfahren jedoch in der Regel nur sehr eingeschränkte Evaluationen der Ergebnisse erfolgen, werden in dieser Masterarbeit detaillierte Untersuchungen in Bezug auf Genauigkeit, Effizienz und Skalierbarkeit am Beispiel des Distal Teachings, eines stellvertretenden datengetriebenen Verfahrens, durchgeführt. Die Analysen erfolgen an Modellen von drei verschieden komplexen seriellen Mechanismen. Abschließend wird zudem eine Aussage darüber getroffen, inwiefern das Lernverfahren unter der Bedingung bekannter geometrischer Parameter eine Alternative zu den traditionellen Methoden sein kann.
Die Ergebnisse zeigen erreichbare Positionsfehler unter 1 mm und eine sehr gute Performance für den komplexesten Mechanismus. Die Laufzeit bewegt sich in der Größenordnung des getesteten numerischen Solvers. Anhand der Ergebnisse wird geschlussfolgert, dass ein Einsatz des Lernverfahrens Distal Teaching unter bekannten geometrischen Parametern nur für hochredundante Manipulatoren in Betracht gezogen werden sollte.