Home

Abschlussbericht BMBF-Verbundvorhaben DeepC

1. Schnittpunkte A X N FA i ASA pe V 4 54 30 00 N ANSY 54 30 00 N NYAN N a Nenn IB REN NSA gt VANAN DATZAVAN AVATA AATA N A 0 a aiia anne NAN ATAA ANZ ANATAZANANA A MAAS ANY ALA N A J N N 7 HK N ji N A D N NY V A UN NA UN ri 010 00 00 010 00 00 a b Abbildung 6 35 Beispiel f r die geografische Planpr fung a und modifikation b 6 1 6 4 7 Weitere Umplanungssituationen Neben den ausf hrlich dargestellten Umplanungen sind verschiedene weitere Bedingungen definiert die eine Modifikation des Missionsplanes erfordern Teilweise sind diese trivial oder k nnen analog zu einer der geschilderten Vorgehensweisen ausgef hrt werden Deshalb soll auf eine Beschreibung derartiger Umplanungssituationen verzichtet werden 6 1 7 Zusammenfassung In diesem Kapitel wurde der Aufbau und die Anwendung eines Systems zum intelligenten Missionsmanagement f r DeepC dargestellt Durch die eingesetzte Softwarearchitektur ist eine nahezu transparente Integration in die Menge bereits bestehender Softwaremodule m glich Der Gro teil der Ausf hrungen besch ftigte sich mit den theoretischen Grundlagen die f r die Umplanung einer Mission notwendig sind F r DeepC wurde eine Menge von Umplanungssituationen definiert die mit Hilfe des entworfenen Systems beherrscht werden m ssen Aufgrund der Vielfalt m glicher Umplanungsszenarien konnte mit den gezeigten Beispielen nur exemplarisch auf die wese
2. Transit 8 Transit 4 Transit 6 M ander 3 Q Route 5 Transit 6 Circling 9 Tiefe Geogr L nge Abbildung 6 30 Missionsplan f r die Tests des Missionsmanagements Die verschiedenen Umplanungssituationen werden hier nicht einzeln dargestellt sondern entsprechend der Gruppierung aus Fehler Verweisquelle konnte nicht gefunden werden zusammengefasst Dadurch k nnen hnliche oder gleichartige Planmodifikationen gemeinsam erl utert werden 6 1 6 4 1 Defekte der Sensorik Ein Ausfall der Fahrzeugsensorik stellt unter Umst nden einen kritischen Systemzustand dar Insbesondere bei den prim ren Navigationssensoren ist deshalb ein Abbruch der aktuell gefahrenen Mission und wenn der Missionsabbruch in einer vorgegebenen maximalen Entfernung um die geplanten Recovery Positionen liegt das Anfahren der n chsten dieser Positionen vorgesehen Anh ngig von der konkreten Situation sind unterschiedliche Man ver in den Missionsplan zu integrieren In dem Beispiel aus Abbildung 6 31 sind nach dem Auftauchen ein Transit zu einer erreichbaren Recovery Position und das abschlie ende Circling Man ver als durchzuf hrende Folge von Planelementen erzeugt worden Transit Abtau aander Qufe ftad keling 1 chen 2 pa 4 o 6 e 8 9 Transit 1 m Abtau chen 2 gt M ander 3 1
3. 2 IF Input_0 PK THEN Output PK 3 IF Input_0 PG THEN Output PG Teilprojekt 6 Pr diktives F hrungssystem FKZ 03SX104E 103 DeepC Aktiv autonomes Unterwasserfahrzeug f r gro e Tauchtiefen A NG NK PK PG 30 0 30 Winkel zum Ziel Grad a Ausgew hlte Eing nge des Zielansteuerungsmoduls Input_0 u NG NK N PK PG 1 0 2 O0 0 2 1 nderung in Kurs b Ausgew hlter Ausgang des Zielansteuerungsmoduls Abbildung 6 87 Optimierte Zugeh rigkeitsfunktion f r das Zielansteuerungsmodul Im Bereich von O Grad muss fein gesteuert werden weshalb die Zugeh rigkeitsfunktionen des Ausganges NK N PK eng beieinander liegen Der zweite Ausgang des Zielansteuerungsmoduls h ngt direkt vom Abstand zum Ziel ab Entweder wird das Fahrzeug gebremst 0 Knoten oder es f hrt mit normaler Geschwindigkeit 3 Knoten Hierbei sollte man nur den Bremsweg des Uhnterwasserfahrzeuges beachten Deshalb sind auch die Regeln einfach es gibt nur zwei 1 IF Input_0 Term_0_0 THEN Output Term_O 2 IF Input_0 Term_0_1 THEN Output Term_1 u Term 0 0 Term_0_1 Abstand zum Ziel m u Term_1 Term_O Geschwindigkeit Knoten Abbildung 6 88 Optimierte Zugeh rigkeitsfunktion f r das Zielansteuerungsmodul v 104 Teilprojekt 6 Pr diktives F hrungssystem FKZ 03SX104E DeepC Aktiv autonomes Unterwasserfahrzeug f r gro e Tauchtiefen In jedem
4. Mur95 Nik97 Prioo PS90 Ree95 SMK95 STKO1 DeepC Aktiv autonomes Unterwasserfahrzeug f r gro e Tauchtiefen KNIERIEMEN T Autonome Mobile Roboter Sensordateninterpretation und Weltmodelllerung zur Navigation in unbekannter Umgebung BlI Wissenschaftsverlag Mannheim Wien Z rich 1991 LAGOUDAKIS M G The 0 1 Knapsack Problem An Introductory Survey Duke University Department of Computer Science 1996 Forschungsbericht LEONHARDT B Mission Plannung and Mission Control Software for the Phoenix AUV Naval Postgraduate School Monterey USA Diplomarbeit 1996 MOHAN C K Frontiers of Expert Systems Reasoning with Limited Knowledge Kluwer Academic Publishers Norwell USA 2000 MARTELLO S TOTH P Knapsack problems algorithms and computer implementations John Wiley and Sons New York Chichester Brisbane Toronto 1990 M LLER Tomas TRUMBORE Ben Fast Minimum Storage Ray Triangle Intersection In Journal of Graphics Tools 2 1997 Nr 1 S 21 28 ISSN 1086 7651 MURTY K G Operations research deterministic optimization models Prentice Hall Englewood Cliffs 1995 NIKOLOPOULOS C Expert Systems Introdcution to First and Second Generation and Hybrid Knowledge Based Systems Marcel Dekker Inc New York 1997 PRITCHARD D E Dynamic Route Replanning and Retasking of Unmanned Aerial Reconnaissance Vehicles Air Force Institute of Technology Wright Pa
5. Seeboden modell Abbildung 6 104 Teilsicht Umwelt und Sensorik 6 4 3 1 3 Computersystem Das Computersystem ist ein wesentlicher Bestandteil des Systems da auf ihm die Softwareanwendungen zur Erzeugung der maschinellen Intelligenz laufen Aus diesem Grund wurde die Softwarestruktur des AUV DeepC nachmodelliert Sie besteht aus verschiedenen Softwaremodulen die jeweils spezifische Aufgaben erf llen Abbildung 6 105 hebt nicht nur die Softwaremodule sondern auch die dazugeh rige Hardware hervor Letztere modelliert die wichtige Ressource Rechenleistung 126 Teilprojekt 6 Pr diktives F hrungssystem FKZ 03SX104E DeepC Aktiv autonomes Unterwasserfahrzeug f r gro e Tauchtiefen DeepC Gesamtsystemmodell Autonomes F hrungssystem Energie erzeugungs modul Str mungs ze Computersystem N model l Prozessor 3 Hinder Seeboden modell Abbildung 6 105 Teilsicht Computer In diesem Kontext lassen sich zwei unterschiedliche Teilsichten unterscheiden Erstens arbeiten Hardware und Software nicht unabh ngig voneinander vielmehr nutzt die Software die vorhandene Hardware In der Simulation wird dieser Umstand dadurch modelliert dass die Softwaremodule eine gewisse Rechenarbeit ben tigen Die Ablaufzeit zur Erf llung dieser Arbeit ist dabei nicht festgeschrieben sondern von der Hardware und ihrer Auslastung abh ngig Aus diesem Grund besitzt jeder Rechner eine parametrisierbare Menge an Rechen
6. FKZ 03SX104E DeepC Aktiv autonomes Unterwasserfahrzeug f r gro e Tauchtiefen schnelle Sollkurs nderung eine Vergr erung des Navigationsfehlers Schon aus diesem Grund sollten solche Man ver vermieden werden Die ben tigte Wegl nge zum Durchfahren des Parcours betr gt beim Geometrischen Verfahren bis zu 9 weniger als bei der Methode der harmonischen Dipolpotentiale Die Trajektorienverl ufe des geometrischen Verfahrens sind der Form von optimalen Wegen wie sie in WHIY9 unter Verwendung einer Evolutionsstrategie generiert wurden sehr hnlich Startpunkt 1 x 5 y 15 Startpunkt 2 x 5 y 30 r deg s r deg s Abbildung 6 67 Auswertung der Sollkursraten Alm NM NAATTZ ZI HE A lY ehe leitszone A x 301 7 Be UNE SIE RE D u 7 IStartpunktY L_ 7 R 10 aA RR y N oL 2 TONS KES N Pi Aen 5 SAR 10 TERD Freie 0 q ra lt Zielpunkt LS TA 20 N I ZE 4 N ne J E SS Se Fe Ki BI U Fr ER j a LStartptnat EA OA Harmonische Dipol Potentiale Geometrische Konstruktion 40 ck 0 20 40 60 80 100 120 x m Abbildung 6 68 Wege durch einen Hindernisparcours 6 2 6 Identifikationssystem Bei der Durchf hrung einer Mission kann eine geforderte Aufgabe die Identifikation von Objekten sein Eine Identifikation kann eine visuelle oder kartographische Erfassung des Objektes und oder eine Bestimmung seine
7. in Abbildung 6 36 grau hinterlegt und werden in den nachfolgenden Abschnitten detailliert vorgestellt Bei der Sondersituation Ausweichen wird das Fahrzeug vorbei an den Hindernissen zu einem vorgegebenen Zielpunkt gef hrt welcher auf dem aktuellen Missionsplan liegt Eine weitere Sondersituation besteht in der Identifikation von unbekannten Objekten w hrend einer Mission Eine Identifikation kann eine visuelle oder kartographische Erfassung des Objektes und oder eine Bestimmung seiner physikalischen chemischen Eigenschaften 56 Teilprojekt 6 Pr diktives F hrungssystem FKZ 03SX104E DeepC Aktiv autonomes Unterwasserfahrzeug f r gro e Tauchtiefen beinhalten Die Steuerung des Fahrzeuges wird hierbei durch Algorithmen zur Positionierung und F hrung des Fahrzeuges bernommen Um bei den eingangs beschriebenen Vergleich zu bleiben w ren diese beiden Sondersituationen Hindernisvermeidung Identifikation in Analogie mit der manuellen F hrung eines Flugzeuges durch den Piloten zu sehen 6 2 2 Aufbau und Funktionsweise des Moduls FIS Das Modul FIS besteht aus den nachfolgenden Hauptkomponenten Abbildung 6 37 Kollisions berwachung Zielpunktgenerierung Hindernisvermeidungssystem Identifikationssystem Regelungsalgorithmen Die Objektinformationen werden vom Softwaremodul Objekterkennung in Form von elliptischen Zylindern an das Softwaremodul FIS bergeben Die Kollisions berwachung berpr ft w hrend der Mission
8. 3 Zielposition Die Zielposition wird relativ zum Unterwasserfahrzeug von 0 bis 360 Grad ver ndert und jedes Mal wird das Unterwasserfahrzeug gedreht und in die richtige Richtung navigiert In jedem Experiment wird das Unterwasserfahrzeug von einem Experten mit Hilfe eines Joysticks durch die Hindernisse gefahren Es wird empfohlen dass der Experte nur den Ausschnitt aus der virtuellen Welt sieht den auch das Sonar erfasst d h der Experte kann nur sehen was das Unterwasserfahrzeug sehen kann so dass nur die Sensoren die der Imitationsregler zur Verf gung hat dem Experten zur Verf gung stehen Nach Abschluss der Datenerfassung werden die Daten zum offline Lernen der Regeln f r den Imitationsregler mit FuzzyMod benutzt Da durch die Steuerregeln eine Zuordnung zwischen der Situation des AUV und den Steuerhandlungen des Operateurs erfolgen soll kann der Algorithmus f r die Ermittlung statischer Zusammenh nge in FuzzyMod verwendet werden 6 3 5 4 Regelgenerierung mit FuzzyMod FuzzyMod ist ein an der TU Ilmenau entwickeltes Tool zur Gewinnung von Regeln aus Lerndaten Damit wurden die f r unterschiedliche Man versituationen durch einen Operateur in der virtuellen Welt vorgenommenen Steuerhandlungen in Form von WENN DANN Regeln generalisiert so dass sie zuk nftig genutzt werden k nnen um dem Man vermanagement in hnlichen Situationen in der realen Welt eine autonome F hrung des Fahrzeuges zu erm glichen a Regelba
9. Technische Universit t Ilmenau Fakult t f r Informatik und Automatisierung Institut f r Automatisierungs und Systemtechnik Fachgebiet Systemanalyse Fachgebiet System und Steuerungstheorie Postfach 100565 98684 Ilmenau Abschlussbericht BMBF Verbundvorhaben DeepC Aktiv autonomes Unterwasserfahrzeug f r gro e Tauchtiefen Teilprojekt 6 Pr diktives F hrungssystem FKZ 03SX104E Arbeitsgruppe Prof Dr Ing habil J Wernstedt PD Dr Ing habil P Otto Dipl Ing M Eichhorn Dr Ing D Karimanzira Dipl Ing T Liebezeit Dipl Ing T Pf tzenreuter Dr Ing V Zerbe Oktober 2004 Das diesem Bericht zugrundeliegende Vorhaben wurde mit Mitteln des Bundesministeriums f r Bildung und Forschung unter dem F rderkennzeichen 03SX104E gef rdert Die Verantwortung f r den Inhalt liegt bei den Autoren DeepC Aktiv autonomes Unterwasserfahrzeug f r gro e Tauchtiefen INHALTSVERZEICHNIS h Aufgabenstellung 1 1 Einsatzf hrungssystem 1 2 F hrung des Fahrzeuges in Sondersituationen 1 3 Maschinelles Lernen 1 4 MLD Mission Level Design 2 Voraussetzungen unter denen das Vorhaben durchgef hrt wurde 3 Planung und Ablauf des Vorhabens 4 Wissenschaftlicher und technischer Stand an den angekn pft wurde 5 Zusammenarbeit mit anderen Stellen 6 Erzielte Ergebnisse 6 1 Einsatzf hrungssystem 6 1 1 Aufgaben des Einsatzf hrungssystems 6 1 2 Konzeption und Aufbau des Einsatzf hrungssystem
10. 6 4 2 Durchf hrung der Simulation 6 4 2 1 MLDesigner Ein wesentlicher Bestandteil dieser Arbeit besteht in der Durchf hrung der Simulationen im Rahmen des Mission Level Designs Daf r ist die Nutzung des Entwurfswerkzeugs MLDesigner zweckdienlich da es sich bei diesem um eine speziell auf die Erfordernisse des Mission Level Designs ausgerichtete Anwendung handelt Des weiteren existierten bei Beginn dieser Arbeit bereits eine Reihe von Projekten die mit Hilfe von MLDesigner erfolgreich analytische Betrachtungen von Systemen durchf hrten MLDesigner ist eine Simulationsumgebung der vierten Generation die f r die Arbeit im Rahmen des Systementwurfs entwickelt wird Entsprechend unterst tzt das Programm unterschiedliche Abstraktionsebenen f r den Entwurf Sie reichen von Algorithmen und Funktionen ber Architektur und Performance System Level Design bis zu operationalen Vorgaben Missionen Mission Level Design Die F higkeiten des Programms eignen sich dabei f r den top down und den iterativen Systementwurfsprozess Die folgende Auflistung gibt einen kurzen berblick der Hauptmerkmale des Programms wieder e Integrierte Entwicklungsumgebung IDE MLDesigner bietet eine moderne integrierte Entwicklungsumgebung siehe Abbildung 1 3 die eine graphische blockorientierte Modellierung erm glicht Diese setzt sich aus unterschiedlichen Bestandteilen Modelleditor Filemanager Modelleigenschafteneditor Zusammen e Dom nen mult
11. Auftau chen 4 Transit 5 Circling 6 f Abbildung 6 31 Beispiel f r die Umplanung im Fall defekter Sensorik Beim Ausfall der Nutzlast sind alle darauf angewiesenen Man ver aus dem Missionsplan zu entfernen Durch die sich an die eigentliche Umplanung anschlie ende Planbereinigung werden dann die vorhandenen Transitman ver zusammengefasst Sind im berarbeiteten Plan noch zu realisierende Nicht Transit Man ver vorhanden so kann die Mission mit deren Bearbeitung fortgesetzt werden Beinhaltet der Plan hingegen lediglich Transitman ver wird durch das intelligente Missionsmanagement versucht den geplanten Missionsendpunkt auf k rzestem Weg zu erreichen 48 Teilprojekt 6 Pr diktives F hrungssystem FKZ 03SX104E DeepC Aktiv autonomes Unterwasserfahrzeug f r gro e Tauchtiefen 6 1 6 4 2 Ressourcenbezogene Umplanungen Die Optimierung des Missionsplanes ist die bedeutendste ressourcenbezogene Umplanung Sie wird gestartet wenn ein Defizit beim Vergleich der vorhandenen Energiereserven mit den ben tigten Ressourcen der noch zu realisierenden Man ver entdeckt wird Die Missions berwachung fordert daraufhin eine Optimierung des Planes an die von der Missionsumplanung umgehend realisiert wird Aufgrund der in Abschnitt 6 1 4 3 2 dargestellten Komplexit t des Optimierungsproblems und dem damit verbundenen hohen Zeitbedarf muss jederzeit ein Abbruch des Algorithmus m glich sein um auf a
12. Eile Plugin Animation depth over ground 1000 ll 3000 4000 DEPTH_OG deptn_og gt DEPTH_OG time Time L Time 101587 eh Abbildung 6 111 MLVisor Hauptfenster Die Simulationsergebnisse der Beispielmission werden nachfolgend anhand der Sichten des Modells pr sentiert 6 4 3 3 1 Bewegung Die Bewegung der Fahrzeugs vollzieht sich indem der vorgegebene Missionsplan abgefahren wird Abbildung 6 112 zeigt die sich dabei ergebende Trajektorie des AUV aus der Draufsicht x y Ebene Deutlich ist das Abfahren des Missionsplanes besonders das des M anders nachvollziehbar Aus dieser Sicht lassen sich die Ab und Auftauchphase jedoch schwierig erkennen Abbildung 6 113 Trajektorie 3D POSAUV y gt POSAUV x Abbildung 6 112 Trajektorie x y Ebene Teilprojekt 6 Pr diktives F hrungssystem FKZ 03SX104E 131 StringTVL 0 Eile Plugin unnamed document 59 42 nextbasic manoeuvre started line 145 01 nextbasic manoeuvre started line 191 22 next complex manoeuvre started 191 22 nextbasic manoeuvre started line 750 42 nextbasic manoeuvre started circle 0 11 nextcomplex manoeuvre started File Plugin 0 11 nextbasic manoeuvre started line Fe re c Fr ee 853 02 nextbasic manoeuvre started line ng 0 l 1419 42 nextbasic manoeuvre started circle er 1522 02 next basic manoeuvre started line yo 2087 22 next basic manoeuvre started circle wa S 2189 81 next basic
13. Maximale Ausweichman ver Geschwindigkeit Momentane Unterwasserfahrzeug Position a Hindernis Rechts h Zielrichtung N Ausgew hlte Fahrtroute Hindernis N IT N l Nahbereich mittlerer Geschwindigkeit Fern Beginn der Maximale Ausweichman ver Geschwindigkeit Momentane Unterwasserfahrzeug Position b Hindernis Links Teilprojekt 6 Pr diktives F hrungssystem FKZ 03SX104E 97 DeepC Aktiv autonomes Unterwasserfahrzeug f r gro e Tauchtiefen i Zielrichtung Ausgew hlte Fahrtroute Nahbereich mittlerer Geschwindigkeit Hindernis Hindernis Fern Beginn der Maximale Ausweichman ver Geschwindigkeit Momentane Unterwasserfahrzeug Position c Korridor 1 Zielrichtung d A l Ausgew hlte J i Fahrtroute Hindernis Nahbereich mittlerer Geschwindigkeit nn OO Fen Beginnder Maximale Ausweichman ver Geschwindigkeit Momentane Unterwasserfahrzeug Position d Hindernis im Zentrum Vorn Abbildung 6 83 M gliche Hindernisposition relative zum Unterwasserfahrzeug 2 Abstand zum Hindernis Da das Unterwasserfahrzeug w hrend jedes Experiments in Bewegung sein wird werden sich die Abst nde zu den Hindernissen st ndig ndern Ein Sicherheitsabstand wird beibehalten 98 Teilprojekt 6 Pr diktives F hrungssystem FKZ 03SX104E DeepC Aktiv autonomes Unterwasserfahrzeug f r gro e Tauchtiefen
14. Wird hingegen prim r die Arbeit der wissenserfassenden Person des Wissensingenieurs betrachtet ist der Begriff Knowledge Engineering zutreffender Dieser umfasst neben den reinen Entwicklungsaufgaben auch die insbesondere im produktiven Einsatz wichtigen Wartungst tigkeiten Hau00 Schon fr hzeitig wurde erkannt dass die Wissensermittlung den gr ten Engpass bei der Realisierung eines Expertensystems darstellt HRWL83 Neben ihrer hohen Zeitintensit t hat sie auch gro en Einfluss auf die Qualit t des entstehenden Systems Fehlt zum Beispiel Wissen in der Wissensbasis weil entweder der Experte oder der Entwicklungsingenieur diese Informationen als allgemein bekannt oder unwichtig ansehen kann das Expertensystem unter Umst nden nicht in der gew nschten Weise arbeiten Zur berwindung dieses fehlertr chtigen Prozesses werden vermehrt Methoden des maschinellen Lernens eingesetzt die als Ziel einen vollautomatischen Wissenserwerb verfolgen Sie ben tigen jedoch umfangreiches Datenmaterial zur Wissensextraktion und Verifikation des dGelernten das nicht f r alle m glichen Einsatzgebiete von Expertensystemen zur Verf gung steht Beispielsweise sind maschinelle Lernverfahren zur Erstellung eines Systems f r das Katastrophenmanagement denkbar ungeeignet Der Prozess der Wissensermittlung wird in unterschiedliche Phasen unterteilt die die Vorgehensweise des Wissensingenieurss n her beleuchten Identifikation und Konzeptionalisierung
15. ber der Planung ungleich h heren Ressourcenverbrauch wird eine Anpassung des Planes erforderlich Zus tzlich werden gew hnlich bereits bei der Missionsplanung gewisse Reserven an Betriebsmitteln vorgesehen so dass die Anzahl der Man ver bei Start einer Optimierung geringer als die urspr ngliche Gesamtzahl im Missionsplan sein wird Planelemente die nur eine Zustands nderung Xa Xg bewirken stellen laut Definition F llplanelemente dar Es kann davon ausgegangen werden dass derartige Man ver in jedem Missionsplan aufgefunden werden Diese F llman ver k nnen bei der Optimierung unber cksichtigt bleiben da ihre Nichtrealisierung zum Ersetzen durch ein gleichartiges F llplanelement f hrt Auf das Ergebnis der Optimierung hat die Beachtung dieser Man ver keinen Einfluss sie erh ht lediglich die Komplexit t des Gesamtproblems Daraus l sst sich jedoch keine quantitative Obergrenze f r die Gr e des Optimierungsvektors ableiten Aus diesem Grund wurden zwei Strategien zur Probleml sung entworfen W hrend die erste Verfahrensweise bei einer geringen Anzahl von Planelementen zur Optimall sung f hrt gew hrleistet die f r h here Man verzahlen entworfene einfache Heuristik eine schnelle Ermittlung eines Ergebnisses Sie garantiert zwar nicht das m gliche Optimum liefert aber unter den gegebenen Bedingungen akzeptable Resultate Ein Vergleich beider Verfahren wird f r das AUV DeepC im Abschnitt 6 1 6 4 durchgef hrt Auff
16. der die niedrigsten Kosten zum Startknoten besitzt Knoten b Es erfolgt wiederum eine Kostenermittlung zu den Nachbarknoten von kern die zu den bereits aufgelaufenen auf s bezogenen Kosten hinzugef gt werden Iterativ werden nun nacheinander die Knoten mit den jeweils niedrigsten Gesamtkosten als Referenzknoten festgelegt wobei bereits besuchte als erledigt markiert und nicht nochmals ausgew hlt werden a ee ee C o Io wo 3 1 oo o 3 1 2 o0 3 1 2 3 1 2 5 3 1 2 5 3 1 2 5 3 1 2 5 3 1 2 5 Abbildung 6 23 Ablauf des Dijkstra Algorithmus f r den Graph aus Abbildung 6 21 Start Iteration 1 Iteration 2 Iteration 3 Iteration 4 Iteration 5 Iteration 6 Iteration 7 Iteration 8 s b c a s b c a e s b c a e f s b c a e f g s b c a e f g d BRrRrROOSS SI PPrrRRSS HS HS SI 0109888588 8IN Im Ergebnis entsteht ein Kostenvektor der den Aufwand f r alle Strecken ausgehend von s repr sentiert Gleichzeitig ergibt sich eine Liste derjenigen Knoten die den k rzesten Weg vom Start zum Ziel bilden Mit Hilfe ihrer Positionsangaben wird beispielsweise das in Abbildung 6 24 dargestellte nicht fahrbare Man ver PE des Missionsplanes durch eine Sequenz von Planelementen PEca4 PEcn ersetzt De PE K PE gt a are hr gt PE ae PE gt PE gt PE i G1 G2 G3 i 2 Abbildung 6 24 Geo
17. e Abstand zum Ziel Der Abstand zum Zielpunkt es kann auch ein tempor rer Zielpunkt sein Nimmt Werte von 0 bis 4000 m an e Geschwindigkeit Die momentane Geschwindigkeit des Unterwasserfahrzeuges Nimmt Werte von 1 5 bis 3 Knoten an e Winkel zum Ziel Die Richtung zum Zielpunkt relativ zum Unterwasserfahrzeug Nimmt Werte von 180 bis 180 Grad an 0 Grad bedeutet direkt in Richtung des Unterwasserfahrzeuges und 180 Grad bedeutet entgegengesetzt der Richtung des Unterwasserfahrzeuges 90 Teilprojekt 6 Pr diktives F hrungssystem FKZ 03SX104E DeepC Aktiv autonomes Unterwasserfahrzeug f r gro e Tauchtiefen e Letzte Richtungs nderung Die momentane Richtungs nderung des Unterwasserfahrzeuges Nimmt Werte von 30 bis 30 Grad an e Aktive Sonarzelle_N eine der 24 aktiven Sonarzellen f r die Hindernisvermeidung Jede Zelle nimmt Werte von 0 bis 200 an und repr sentiert den Abstand des Objekts im Sichtbereich Wenn kein Objekt in dem Bereich entdeckt wurde wird ein spezieller Wert 220 indiziert freie Sicht ausgegeben Hindernis Information Momentane Winkel nderung Abstand zum Ziel Winkel zum Ziel Momentane Geschwindiket Aktive Sonarzellen 1 24 lt Geschwindigkeit Zielposition Datenaufbereitungsmodul DAM Abbildung 6 75 Datenaufbereitungsmodul Das Datenaufbereitungsmodul verarbeitet die Daten in zwei Schritten Zuerst werden alle Abst nde und Richtungen der Oberfl chenpunkte des Hin
18. e Tauchtiefen Expertensystems gespeichert werden Das erfolgt ber den einzelnen Regeln zugeordnete Fakten die entsprechend Abschnitt 6 1 3 2 4 als Zustandspeicher verwendet werden Tabelle 6 4 Umplanungssituationen f r DeepC Auszug Situation _Umplanungsaufgaben Defekte der Sensorik Defekt der Nutzlast Entfernung aller Man ver aus dem Plan die die Nutzlast verwenden Defekt des INS Abbruch der Mission wenn der Navigationsfehler zu gro wird mit berpr fung der Erreichbarkeit einer Recovery Position i Defekt des DOLOG Sofortiger Abbruch der Mission mit Uberpr fung der Erreichbarkeit einer Recovery Position Akustik Modem ist defekt Setzen der Tiefe eines abschlie enden Circling Man vers im Plan auf 0 0 Ressourcenbezogene Umplanungen Mangel an Ressourcen Optimierung des Missionsplanes bei Unterschreiten der Energie ben tigten Ressourcen Zu hohe Leistungsaufnahme Anpassung der Fahrgeschwindigkeit der Man ver f r eine begrenzte Zeit Anforderungen durch das Health Monitoring Unbedingter Missionsabbruch Abbruch der Mission an der aktuellen Position Einplanung der f r den Abbruch ben tigten Man ver Auftauchempfehlung Abbruch der Mission mit berpr fung der Erreichbarkeit einer Recovery Position Anforderungen durch weitere Module Anforderung eines Event Einf gen des gew nschten Man vers in das aktuell Man vers ausgef hrte Man ver Detektierte Abweichungen vom Missionsplan Navigationsfehler
19. e Tauchtiefen M MLDesigner M Editor Modellierung MVisor Vissionsspezitiscne Auswertung Abbildung 6 101 Konzept des Frameworks Eine graphische Veranschaulichung des entwickelten Konzeptes f r das Framework findet sich in Abbildung 6 101 Die blo e Zuordnung der Programme des Frameworks zu den Aufgaben ist noch nicht ausreichend Vielmehr ist die Betrachtung der Schnittstellen zwischen ihnen und damit des Aspekts des Datenaustausches notwendig Im nachfolgenden Abschnitt wird dies geboten indem auf die Schnittstellen eingegangen und die Zusammenarbeit der Programme beschrieben wird Die einzelnen Punkte lassen sich dabei anhand der Abbildung 6 101 und der in ihr vergebenen Nummern nachvollziehen 6 4 2 3 1 Parameter bergabe Eine Erkenntnis des vorigen Abschnitts besteht in der Notwendigkeit die Parametrisierung aus MLDesigner herauszul sen und diese Aufgabe an MLEditor zu bergeben wodurch eine verbesserte Erstellung und Verwaltung der Missionen erreicht wird Entsprechend m ssen beiden Programme miteinander interagieren da nur so die Missionen au erhalb des Modells verwaltet werden k nnen Der gew hlte Weg f hrt hierbei ber die MLDesigner Modelldateien Dieses Vorgehen hat den Vorteil dass die nderungen f r MLDesigner vollkommen transparent gestaltet werden k nnen Es erfordert jedoch einerseits dass MLEditor die MLDesigner Modelle lesen und die darin enthaltenen Parameter erfassen kann 1 Andererse
20. einem sequentiellen Missionsplan Er besitzt mehrere zwingend erforderliche Parameter die den Typ des einzuf genden Planelementes seine Position im Missionsplan sowie die Art des Einf gens definieren Dabei wird zwischen dem Einf gen nach einem Planelement und dem Einf gen in ein Planelement unterschieden Das Einf gen nach einem Planelement trennt die Verbindung zwischen den betroffenen Elementen und f gt dazwischen das neue Element ein Abbildung 6 8 Entsprechend der Kontinuit tsbedingung ergibt sich zun chst dass Anfangs und Endzustand des neuen Man vers gleich sind vor dem Einf gen x i l x i x E X nach dem Einf gen ae 2 X E x i 1 Je nach Typ des eingef gten Planelementen kann die Gleichheit beider Zust nde zul ssig sein ansonsten muss mit Hilfe von F llman vern eine Anpassung vorgenommen werden Dabei kann sowohl ein F llman ver vor dem einzuf genden Planelement als auch danach notwendig sein Das h ngt jedoch von der konkreten Implementierung auf dem jeweiligen autonomen mobilen System ab Teilprojekt 6 Pr diktives F hrungssystem FKZ 03SX104E 25 DeepC Aktiv autonomes Unterwasserfahrzeug f r gro e Tauchtiefen PEE er Ar re PE c PE o E EE i i 1 y PE Ile oe i 1 large PE c BES Abbildung 6 8 Einf gen des Planelementes E nach dem Element i Beim Einf gen in ein Element wird di
21. r gro e Tauchtiefen bequem eingegeben werden wobei s mtliche Werte entsprechend des Protokolls bertitelt werden ber die Vorschaufunktion ist jederzeit der aktuelle Bearbeitungsstand ersichtlich Tabelle 1 1 bietet eine vollst ndige bersicht ber die Werte die die Missionsparameter f r die Beispielmission annehmen objects obstacles nimmt die Objektpositionen der Hindernisse auf Die Testmission erh lt die Nummer Null PrinterDBTop mission alle EnNode Broken Parameter werden auf false gesetzt Standard Da das Fahrzeug voll aufgeladen ist verzeichnen Battery Level und fuelcell Level den Wert 100 Die Startposition wird in den lokalen Nullpunkt gesetzt DCM x0 y0 z0 phi0 theta0 psi0 an dem das Fahrzeug aus dem Stillstand startet DCM uO Global befindet sich das Fahrzeug bei bottom start_lat_lon Die Standardverzeichnisse mit den Boden und Str mungsdaten bleiben unver ndert bottom filedir current path Tabelle 6 9 Beispielmission f r DeepC Parameter Wert MissionControl MissionPlan lt Matrix gt MissionControl StartupModules 10 1 1 1 2 1 3 1 4 2 11 2 PrinterDBTop mission 0 EnNode Broken mehrere false Battery Level 100 fuelcell Level 100 _DCM x0 y0 z0 phiO thetaO psi0 O _DCM uO o0 objects obstacles 400 50 100 650 172 100 870 300 100 900 300 100 900 310 100 bottom filedir MLD_USER
22. 1 Ebene untergliedert sich sowohl das Fahrzeug als auch die Umwelt in Module F r das Erstgenannte lassen sich vier Teilmodule unterscheiden der Antrieb das Autonome F hrungssystem das Nutzlast sowie das Energieerzeugungsmodul Sie sind Modelle der entsprechenden Systembestandteile Das Energieerzeugungsmodul fasst die Systemteile Brennstoffzelle und Energieerzeugungseinrichtungen zusammen w hrend die Man vriereinrichtungen und das Antriebssystem den Antrieb bilden Zun chst nicht modelliert wurden das K hlsystem das Notfallsystem und das Trimmsystem Der Systembestandteil Struktur wird indirekt an verschiedenen Stellen im Modell abgebildet e Die Umwelt umfasst drei Modelle n mlich die Hindernisse ein Str mungsmodell und ein Modell des Seebodens e n 2 Ebene Jedes der Fahrzeugteilmodule auf der Ebene n 1 besteht seinerseits aus Subkomponenten Das Energieerzeugungsmodul beinhaltet die Brennstoffzelle und die Pufferbatterien F r den Antrieb existiert lediglich eine DCM Dynamic Controlled Motion genannte Komponente die ein Modell des geregelten Fahrzeugverhaltens beinhaltet In diese sind die Funktionen der Man vriereinrichtungen integriert so dass hierf r kein separates Teilmodul modelliert werden musste Das autonome F hrungssystem besteht aus der Sensorik mit Sonar INS Inertial Navigation System und Dolog sowie dem Rechnersystem auf welchem die Steuersoftware l uft e n 3 Ebene Auf dieser Ebene unterglieder
23. 200 10 200 400 100 y Richtung 300 200 0 Richtung 200 400 Ziel 300 200 Hindernis 100 400 y Richtung 200 100 100 Richtung 200 100 Abbildung 6 94 AUV macht eine ca 180 Umdrehung um das Ziel zu erreichen 110 Teilprojekt 6 Pr diktives F hrungssystem FKZ 03SX104E DeepC Aktiv autonomes Unterwasserfahrzeug f r gro e Tauchtiefen Zielpunkt 345 4 200 10 100 Ps s00 300 y Richtung 100 Ri 100 o Richtung a 3D Ansicht Zielpunkt 345 4 200 10 200 150 100 s0 y Richtung Stan AD D SA 50D STA 400 50 Ca 300 200 x Richtung 100 100 T Abbildung 6 95 Slalom durch Hindernisse zum Ziel Teilprojekt 6 Pr diktives F hrungssystem FKZ 03SX104E 111 DeepC Aktiv autonomes Unterwasserfahrzeug f r gro e Tauchtiefen Das Fuzzysystem f r das vorhandene Matlab Modell des Unterwasserfahrzeuges ist fertiggestellt Alle Funktionen sind in Form von BCB6 Funktionen implementiert Die Funktionen werden in das Ausweichmodul der AUV Software integriert und haben keine direkte Schnittstelle zu den restlichen Softwarekomponenten des Unterwasserfahrzeuges 6 3 7 Dateien und Verzeichnisse Das Fuzzy Inferenzsystem von FuzzyMod erfordert dass sich die Dateien der Regelbasis mit der Endung fuz die Datei des Arbeitsbereiches enth lt alle Variablen mit der Endung fpj und die Umgebungsdatei mit der Endung evr in einem gemeinsamen Ve
24. Algorithm for the Many Pattern Many Object Pattern Match Problem In Artificial Intelligence 19 1982 S 17 37 FORGY C L RAL C and RAL C Rule Based Extensions to C and C In OOPSLA Workshop 1994 GAREY M R JOHNSON D S Computers and Intractability A Guide to the Theory of NP Completeness Freeman New York 1979 GIARRATANO J RILEY G Expert Systems Principles and Programming PWS Publishing Company Boston USA 1998 GOERING H Roos H G TOBISKA L Finite Element Methode Akademie Verlag Berlin 1993 HAUN M Wissensbasierte Systeme expert verlag Renningen 2000 HERTZBERG J Planen Einf hrung in die Planerstellungsmethoden der k nstlichen Intelligenz Bl Wissenschaftsverlag Mannheim Wien Z rich 1989 HAKE G GR NREICH D MENG L Kartographie Walter de Gruyter Berlin New York 2002 HANSEN P JAUMARD B MATHON V Constraint Nonlinear 0 1 Programming In Journal on Computing Operations Research Society of America 5 1993 Nr 2 S 97 119 HRWL83 HAYES ROTH F WATERMAN D A LENAT D B Building Expert Systems Into0 54 Addison Wesley Publishing Company Inc Reading USA 1983 INTERNATIONAL HYDROGRAPHIC ORGANIZATION IHO Transfer Standard for Digital Hydrographic Data Publication S 57 International Hydrographic Bureau 2000 Teilprojekt 6 Pr diktives F hrungssystem FKZ 03SX104E Kni91 Lag96 Leo96 Moh00 MT90 MT97
25. DeepC include netCDF data bottom start_lat_lon 2 1 3 1 current path MLD_USER DeepCi include current 6 4 3 3 Auswertung der Beispielmission Nachdem die Parametrisierung des MLDesigner DeepC Gesamtsystemmodells vorgestellt wurde wird jetzt anhand der Beispielmission pr sentiert wie die missionsspezifische Auswertung mit MLVisor erfolgt und welche Anzeigen sich aus den Ergebnisdaten generieren lassen Um die Ergebnisdaten zu erhalten wurden das konfigurierte Modell der Mission zuvor mit MLDesigner simuliert wobei die entstehenden Ergebnisse in die Simulationsdatenbank geschrieben wurden Abbildung 6 111 zeigt MLVisor mit einer seiner Auswertungsansichten die aus vier Anzeigen Views die auf Simulationsergebnissen basieren besteht Da sich diese Ansichten speichern und wieder aufrufen lassen kann f r jede Mission eine speziell angepasste Auswertungsoberfl che mit den ben tigten Darstellungen zusammengestellt werden die wiederverwendbar ist Hierdurch wird der Umgang mit den unver nderlichen Missionen bei einem ver nderlichen Gesamtsystemmodell erheblich erleichtert 130 Teilprojekt 6 Pr diktives F hrungssystem FKZ 03SX104E File Database Preprocessing Window Viewset Help 2DViewPLuginTL 2 MEEI 2DViewPLugint is BEE Eile Plugin Animation Eile Plugin Animation 1000 aag all 400 200 200 I a ee lee er ie e E Dan rn ss sn pas a Frag Bean Sa Br DEE Dee m ve D a00 1000 1500 0 200 1000 1500 2000
26. Mission ber gro e Reserven 4 Die Mission verbraucht angesichts ihrer kurzen Dauer nur einen geringen Teil der verf gbaren Energie Wie diese Ergebnisse zeigen konnte das Fahrzeug die durch die Beispielmission gestellten Anforderungen voll erf llen 6 4 4 Zusammenfassung Gegenstand dieser Arbeit war das Mission Level Design f r das AUV DeepC Im Mittelpunkt steht dabei die Simulation des Fahrzeugs auf Missionsebene Sie verfolgt das Ziel m glichst fr hzeitig im Entwurfsprozess Aussagen bez glich der Leistungsf higkeit des Systems zu gewinnen und m gliche Probleme zu erkennen Beim Mission Level Design handelt es sich um eine missionsbezogene modellgest tzte Systementwurfsmethode f r komplexe Systeme Sie berf hrt die Systemspezifikation in ein ausf hrbares Gesamtsystemmodell auf Systemebene und simuliert dieses Gegen ber anderen Entwurfsmethoden zeichnet sich das Mission Level Design durch die Einbeziehung der Missionen aus Bei ihnen handelt es sich um typische Einsatzszenarien des zu entwerfenden Systems Durch die missionsbezogene Simulation wird sichergestellt dass das System die angestrebten Eigenschaften erreicht Die vorliegende Arbeit identifizierte die Anforderungen die die Modellierung mobiler automatischer Systeme wie DeepC an das Mission Level Design stellt Dabei stellt sie fest dass der Entwurf dieser Systeme eine Reihe von Erweiterungen des Modellierungsprozesses notwendig macht Zum einen muss das Gesam
27. Monitoring und f hrt gegebenenfalls zur Anforderung einer Geschwindigkeitsreduktion Das intelligente Missionsmanagement muss daraufhin die Geschwindigkeiten des aktuellen sowie eventuell der nachfolgenden Man ver anpassen Vom Health Monitoring werden dazu Geschwindigkeit und Dauer der Reduktion berechnet und mit der Anforderung bermittelt Durch das Health Monitoring k nnen dar ber hinaus auch ein sofortiger Missionsabbruch sowie eine Auftauchempfehlung an das Missionsmanagement bergeben werden Beide Entscheidungen resultieren aus der Diagnose der Fahrzeugsysteme Die Auswahl der durchzuf hrenden Handlung erfolgt durch das Diagnosemodul abh ngig von der Schwere der vorliegenden St rung Das Nutzlastmodul ist ebenfalls in der Lage einen begrenzten Einfluss auf den Missionsplan zu nehmen Dazu sind w hrend der Missionsplanung Event Man ver mit ihrer Geometrie zu definieren die durch das Missionsmanagement bei Bedarf parametriert und in den Plan aufgenommen werden W hrend der Missionsdurchf hrung kann die Nutzlast nun in unterschiedlichen Situationen ein Event Man ver anfordern Ein Beispiel f r ein derartiges Szenario ist die Durchf hrung einer Meeresbodenvermessung f r das Verlegen von Seekabeln Die dazu notwendige Sensorik erstellt laufend das zu den eingehenden Daten geh rige Profil des Bodens und kann damit auch auf eine berschreitung definierter Grenzwerte f r die Kabelverlegung z B Neigungswinkel des Meeresbodens rea
28. On Machine Learning For An Autonomous Underwater Vehicle IWK Tu Ilmenau 27 30 OWO2 Otto P Wernstedt J 2002 Fuzzy methods for the optimal emulation of expert decision behaviour and for the optimal controller design East West Fuzzy Colloquium 2002 10 Zittau Fuzzy Colloquium 2002 September 4 6 Proceedings pp 351 367 Qui92 Quinlan J R 1992 C 4 5 Programs for Machine Learning Morgan Kaufmann Publishers San Mateo California RS90 Ramsey C L Alan C Schultz 1990 Simulation assisted learning competition Effects of noise differences between training model and target environment Proceedings of the seventh International Conference on Machine learning Austin TX Morgan Kaufmann pp 211 215 Vac94 Vachkov G 1994 Mulitlevel Fuzzy Rule Based Modelling In Proceedings of the Second European Congress on Intelligent Techniques and Soft Computing Vol 1 240 245 EUFIT 94 Aachen Teilprojekt 6 Pr diktives F hrungssystem FKZ 03SX104E 113 DeepC Aktiv autonomes Unterwasserfahrzeug f r gro e Tauchtiefen 6 4 Mission Level Design 6 4 1 Mission Level Design f r mobile automatische Systeme 6 4 1 1 Mission Level Design Das Mission Level Design ist eine Entwurfsmethode f r komplexe Systeme die von Schorcht f r einen anforderungsorientierten Entwurf von Mobilkommunikationssystemen entwickelt wurde Die an ein System gestellten Anforderungen werden hier in Form von definierten typischen
29. Schritt in dem ein Hindernis identifiziert wurde wird das Modul f r die Hindernisvermeidung aktiviert Wird durch die Sonarzellen kein Hindernis registriert wird die Ansteuerung zum Ziel aktiviert und in jedem Fall die Geschwindigkeit durch das Geschwindigkeits Modul dementsprechend errechnet Die Teilung des gesamten Reglers in einfache Module erm glicht die Nutzung von vorher bekannten Informationen wie z B wann die einzelnen Module aktiviert werden sollen Die zwei Module Datenaufbereitungsmodul und Fuzzy Inferenzsystem wurden in Form von S Funktionen und BCB6 C Funktionen implementiert Nach dem Lernen und der Validierung wurde anstelle des Joystick Experte der Regler benutzt Die Ergebnisse f r die Navigation in verschiedenen unbekannten repr sentativen Umgebungen sind im folgenden Abschnitt veranschaulicht Anzumerken ist dass beim Ersetzen der Funktionen des Joysticks die Ausgangswerte zwischen 1 und 1 liegen Diese werden mit Zusatzfunktionen in Tiefen Geschwindigkeits bzw Kurswerte umgewandelt siehe Abbildung 6 89 Karnemennenenennerenennnnen Imwandlungsroutinen RELELDELELELSSEELEISELZIEZEITET EEE Ausg nge des m Eing nge des AUYS Joysticks Tiz 1 gt DA AxesPos A A Solltiefe Discrete Time Integratori 3 Slider Sollgeschwindigkeit Tie 1 DI gt gt AxesRot Ze Sollkurs Saini Discrete Time Integrator N des Kursollwe rtes awizchen 0 360 mit a l l 1 20 foor H u
30. Sektor 3 aktiv Der Gradient wird dabei durch die Gleichung Distanz X X X Hind Fahr Hind Distanz G _ Kia 6 11 Distanz Hind Teilprojekt 6 Pr diktives F hrungssystem FKZ 03SX104E 73 DeepC Aktiv autonomes Unterwasserfahrzeug f r gro e Tauchtiefen berechnet Die Aktivierung des Sektors 3 scheint im ersten Moment ausgeschlossen An dieser Stelle sei jedoch noch einmal festgestellt dass der Radius R eine Sicherheitszone beschreibt in welcher sich das Hindernis befindet So ist es durchaus m glich dass ein Fahrzeug in diesen Sicherheitskreis eindringen kann starke Str mung zu sp te Erfassung des Hindernisses In einem solchen Fall muss das Fahrzeug wieder sicher aus dem Kreis gef hrt werden was eine Gradientenbeschreibung im Innern des Kreises erfordert Wird die Sicht zwischen Fahrzeug und Zielpunkt durch den Kreis verdeckt ist keine direkte Anfahrt zum Zielpunkt m glich Sektor 1 In diesem Fall muss der Richtungsvektor der Tangentengerade von Xp ZUM Kreis in Abh ngigkeit der Lage von xp Zur Symmetrieachse bestimmt werden Der Gradient ist dabei der normierte Richtungsvektor xXchtung Tangente Richtung Tangente G Richtung 6 12 Tangente Gibt es eine direkte Verbindung zwischen Fahrzeug und Zielpunkt ist Sektor 2 aktiv Dann gilt Distanz Ziel X Xi 7 Distanz G Xa 6 13 Distanz Ziel Fahr Um beim Austreten der Gradientenlinien aus dem Sicherhe
31. Unterwasserfahrzeug f r gro e Tauchtiefen Schritt 2 Schritt 3 4 X trans_rot Abbildung 6 62 Schritte der Transformation Nach Durchf hrung dieser Transformation k nnen die eigentlichen Berechnungen im Bildbereich durchgef hrt werden Der hierbei berechnete Gradient G muss anschlie end wieder vom Bildbereich in den Originalbereich r cktransformiert werden Gleichung 6 22 6 23 Es gilt R ckskalierung G Br ka 0 rescal 0 b Ellipse 6 22 R ckrotation u cos O tiipse s n O kiipse G 6 23 sing cos 0 nn BaN Ellipse Ellipse 6 2 5 2 5 Anwendung f r mehrere Hindernisse Bei den bisherigen Ausf hrungen wurde nur ein einzelnes Hindernis im Operationsgebiet betrachtet Sind mehrere vorhanden muss darauf geachtet werden dass sich die Sicherheitsbereiche der einzelnen Hindernisse nicht berschneiden L sst sich dies nicht vermeiden m ssen die entsprechenden Hindernisse durch eine gemeinsame Sicherheitszone abgedeckt werden Gul97 Bei der Bestimmung des Gradienten werden nur die Gradientenlinien des dem Fahrzeug n chstgelegenen Hindernisses verwendet Dies f hrt dazu dass bei der Durchfahrung eines Hindernisparcours ein Umschalten zum jeweils aktuellen Gradientenlinienfeld erfolgt Um beim Ubergang zwischen zwei Gradientenfeldern einen homogenen Verlauf zu erzielen ist es notwendig statt des bin ren Umschaltens ein kontinuierliches Umschalten durchzuf hren
32. V die St tzstellen des TIN und als Kanten A die Kosten f r den Weg zwischen den Knoten beinhaltet Der Graph kann dabei sowohl gerichtet als auch ungerichtet sein Ein gerichteter Graph verkn pft die Kosten f r den zur ckzulegenden Wegabschnitt mit der Bewegungsrichtung so dass der Aufwand f r die Fahrt von Knoten a nach b anders als der von b nach a sein kann Ein ungerichteter Graph besitzt demgegen ber Kantenbewertungen die unabh ngig von der Richtung der Bewegung sind Im Hinblick auf den Einsatz der Verfahren zur geografischen Planmodifikation f r das autonome Unterwasserfahrzeug DeepC wird hier ein ungerichteter Graph verwendet Abbildung 6 21 Die Ursache daf r liegt in dem hnlichen Aufwand der f r Tiefen nderungen in positiver und negativer Richtung notwendig ist Durch das Vorhandensein eines statisch wirkenden Trimmsystems ist im Gegensatz zu fliegenden Systemen f r beide F lle ein h herer Energiebedarf als f r die Bewegung in der Horizontalen vorhanden Die Kosten c f r die Fahrstrecke vom Knoten zum Knoten j ergeben sich ber eine Bewertungsfunktion die im Fall eines mobilen Roboters immer positive Werte liefert 38 Teilprojekt 6 Pr diktives F hrungssystem FKZ 03SX104E DeepC Aktiv autonomes Unterwasserfahrzeug f r gro e Tauchtiefen entsprechend dem Ressourcenverbrauch beim Zur cklegen der Strecke Nicht fahrbare Strecken besitzen ung ltige Kostenangaben z B Dieser Graph wird in Form
33. anwachsenden Zeitbedarrf greedy gierig gefr ig Teilprojekt 6 Pr diktives F hrungssystem FKZ 03SX104E 33 DeepC Aktiv autonomes Unterwasserfahrzeug f r gro e Tauchtiefen Dieses Verfahren wird auch f r die Planoptimierung im Fall einer gro en Anzahl von Planelementen verwendet Ausgangspunkt ist analog zum Rucksackproblem eine absteigend sortierte Liste relativer Wertigkeiten w die auf die Kosten bezogen werden w k k li m In jedem Schritt des Greedy Algorithmus wird nun aus der Liste der verf gbaren Elemente das mit dem h chsten Wert ausgew hlt die Erf llung der Nebenbedingungen der Optimierung laut Gleichung gepr ft und daraufhin entschieden ob dieses Element in der Auswahlliste verbleibt oder nicht benutzt wird Sobald kein weiteres Element mehr vorhanden ist terminiert das Verfahren und die L sung ist gefunden Hier zeigt sich auch der Charakter dieser Heuristik der im Namen zum Ausdruck kommt In jedem Schritt wird das wertvollste verf gbare Element genommen ohne die Gesamtsituation zu ber cksichtigen Der gro e Vorteil dieses Algorithmus liegt darin eine L sung in verh ltnism ig kurzer Zeit zu finden Die Qualit t des Ergebnisses und der Zeitbedarf des Verfahrens zeigen sich eindrucksvoll anhand der durchgef hrten Untersuchungen f r DeepC 6 1 5 Chart Server Geografische Planpr fung und modifikation Um eine sichere Navigation eines sich in seiner Umwelt bewegenden R
34. auf Basis der vorgegebenen Hindernisform elliptischer Zylinder und den rechentechnischen Restriktionen Die durchgef hrten Tests zeigten die Echtzeitf higkeit der Graphenmethoden bei der Wegeplanung Das vorgestellte neue Verfahren zur geometrischen Konstruktion von Gradientenlinien f r die Reaktive Ausweichsteuerung verbindet die Vorteile des Verfahrens der k nstlichen harmonischen Dipol Potentiale mit den Forderungen einer weg und stellenergieoptimalen Fahrweise Die Seestr mung sowie eine m gliche Geschwindigkeit der Hindernisse wurden bei der Konstruktion der Gradientenlinien durch Bildung einer Ersatzform f r das Hindernis auf einfache Weise ber cksichtigt Im Identifikationsmodus wurde das Operationsgebiet in Abh ngigkeit der Objektgeometrie und der Seestr mung in separate Gebiete unterteilt in welchen spezielle Man veraufgaben zu l sen sind Hierzu werden spezielle Regler eingesetzt welche als Ausgang die Sollwerte f r Kurs Geschwindigkeit und den unterlagerten Autopiloten bergeben 6 2 8 Literatur BH69 Bryson A E und Ho Y C Applied Optimal Control USA Ginn and Company 1969 BHMM97 BRUTZMAN D HEALEY T MARCO D MXxGHEE B The Phoenix Autonomous Unterwater Vehicle In Kortenkamp D Bonasso P amp Murphy R editors Al Based Mobile Robots chapter 13 MIT AAAI Press 1997 Boo04 http www boost org Bor04 http www borland com CGALO4 http www cgal org Dij59 DIJKSTRA E W A N
35. auf die reale Welt angewendet werden wird angenommen dass hypothetische Pl ne in einem Simulationsmodell ausgewertet werden Abbildung 6 73 Simulationssystem Reale System REGEL INTEPRETER FIS REGEL Zielumgebung INTEPRETER FIS Simulations modell AKTIVE REGELBASIS Saul Regelbasis Ent ER Test Abbildung 6 73 Lernen mit einem Simulationsmodell Vorhergehende Studien mit Kleinrobotern haben gezeigt dass das durch die Simulation erlernte Verhalten robust ist und in der realen Umgebung angewendet werden kann wenn die Simulation unter versch rfteren Bedingungen durchgef hrt wird als sie in der realen Welt auftreten z B St rungen der Sensorsignale RS90 6 3 5 Beschreibung des Lernmoduls Die Hauptzielsetzung des experimentellen Systems besteht darin Lerndaten zu erzeugen w hrend das Unterwasserfahrzeug manuell durch Hindernisse in einer virtuellen Welt navigiert wird Lerndaten Sensorwerte und Steuerhandlungen die durch einen Experten bei der Steuerung des Unterwasserfahrzeugs erzeugt werden werden f r ausgew hlte Szenarien der Hindernisvermeidung in der virtuellen Umgebung mit dem Modell das durch die TU Ilmenau erstellt wurde und mit dem das dynamische Verhalten des Fahrzeuges unter Wasser nachgebildet wird erfasst Diese Daten dienen als Grundlage f r den Lernvorgang Nach dem Lernen kann das Unterwasserfahrzeug mit Hilfe der
36. berbr ckende Differenz zwischen den beiden Positionen RUE ARE PE r P _ PE S A o ee H PE H PBe me o Abbildung 6 10 L schen des Planelementes i 26 Teilprojekt 6 Pr diktives F hrungssystem FKZ 03SX104E DeepC Aktiv autonomes Unterwasserfahrzeug f r gro e Tauchtiefen 6 1 4 2 4 Modifizieren von Planelementen Zahlreiche Situationen erfordern eine Anpassung von Parametern eines Planelementes Dies geschieht mit dem atomaren Befehl Modifizieren Abbildung 6 11 Dabei k nnen die Einflussm glichkeiten auf den Parametervektor je nach Implementation unterschiedlich sein So ist es zum Beispiel h ufig sinnvoll die Fahrgeschwindigkeit einzelner Planelemente auf die vorhandenen Ressourcen abzustimmen w hrend Anpassungen von einem eventuell in den Man verparametern vorhandenen Priorit tswert meistens nicht notwendig sind ae ne PE o P BEER RE PE c RE c PE Ei ger as Padapt Abbildung 6 11 Modifizieren des Planelementes i 1 6 1 4 2 5 Planbereinigung Ziel der Planbereinigung ist es aufeinander folgende F llplanelemente aus dem Plan zu entfernen Das ist m glich da diese jeweils nur Zustands berg nge realisieren die auch durch ein kombiniertes Man ver der gleichen Art erreichbar sind Abschnitt ref DeepCReplanning geht auf Besonderheiten der Planbereinigung ein die sich dar ber hi
37. dann zwei Schnittpunkte mit dem digitalen H henmodell festgestellt Abbildung 6 35 a 54 40 00 N C 01000 00 E 010 20 00 E ER a TERS Transit 1 I Isar Eckernf rde 54 20 00 N Abbildung 6 34 Missionsplan f r den Test der geografischen Planungsverfahren In einer derartigen Situation kann mit Hilfe der geografischen Planmodifikation eine fahrbare Route f r diese Strecke berechnet werden Das Ergebnis ist in Abbildung 6 35 b dargestellt Zwischen dem eigentlichen Start und Endpunkt des nicht fahrbaren Transits wird eine Folge von St tzstellen des digitalen H henmodells eingef gt um eine man vrierbare Strecke zu generieren Der urspr nglich vorhandene Transit wird dann durch eine Sequenz von Transit Man vern zwischen den einzelnen Positionen entsprechend Abbildung 6 24 52 Teilprojekt 6 Pr diktives F hrungssystem FKZ 03SX104E DeepC Aktiv autonomes Unterwasserfahrzeug f r gro e Tauchtiefen ersetzt und dieser g ltige Missionsplan in die entsprechende Datenbank eingetragen Alle den Plan nutzenden Module der Fahrzeugsoftware arbeiten ab diesem Zeitpunkt mit dem aktualisierten Missionsplan NV i l EN N7 l D ANS
38. das Lernsystem FuzzyMod erhalten die Daten z B folgende Form Eingang 1 Eingang 2 Bun Eingang N Abbildung 6 82 Datenformat f r das Lernsystem FuzzyMod Das Hauptziel jedes Experiments ist es die von den Sensoren gelieferten Daten zu erfassen die f r einen spezifischen Zustand des Unterwasserfahrzeuges in seiner Umgebung repr sentativ sind Der Imitationsregler muss Regeln erhalten die die prim ren Steuerfunktionen wie Rechts Links nach oben bzw nach unten abbiegen enthalten wenn ein Hindernis entdeckt wurde Hier sind die f r jedes Experiment zu ver ndernden Parameter und eine kurze Beschreibung wie er in dem Experiment implementiert werden soll angegeben 96 Teilprojekt 6 Pr diktives F hrungssystem FKZ 03SX104E DeepC Aktiv autonomes Unterwasserfahrzeug f r gro e Tauchtiefen 1 Hindernisposition Es gibt sechs Zust nde wie ein Hindernis relativ zum Unterwasserfahrzeug liegen oder nicht kann Links Rechts Zentrum Oben Unten Korridor oder Keins Abbildung 6 83 a d Links bedeutet die linken Sonarzellen haben ein Objekt registriert Rechts bedeutet die rechten Sonarzellen haben ein Objekt registriert Zentrum bedeutet beide linke bzw rechte Sonarzellen haben ein Objekt registriert Keins hei t alle Sonarzellen haben kein Objekt registriert Zielrichtung 7 Ausgew hlte Fahrtroute Nahbereich mittlerer Geschwindigkeit N o Hindernis N Fern 7 Beginn der
39. den Zustandvektor bei Beendigung des Planelementes Er dient als Umschaltkriterium zum nachfolgenden Element im Plan wobei die Enderf llung ber cksichtigt werden muss Nicht unerw hnt soll hier bleiben dass besonderes Augenmerk bei der Realisierung eines solchen Systems auf die ordnungsgem e Beendigung der gesamten Mission zu legen ist Durch Einnahme eines sicheren Systemzustandes oder Definition eines Abschlussman vers kann verhindert werden dass eine Gef hrdung f r oder durch das mobile System auftritt Dies ist sowohl bei der Planung der Mission durch den Operator als auch bei der Umplanung durch das intelligente Missionsmanagement zu ber cksichtigen und spielt bei einem etwaigen Missionsabbruch eine gro e Rolle Tabelle 6 3 Eigenschaften von Planelementen Eigenschaft Zeichen Beschreibung Anfangszustand X4 a bei Aktivierung des Planelements auch Vorbedingung 24 Teilprojekt 6 Pr diktives F hrungssystem FKZ 03SX104E DeepC Aktiv autonomes Unterwasserfahrzeug f r gro e Tauchtiefen ER XE e bei Beendigung des Planelements a Nachbedingung Aktion en a auszuf hrende Handlung en im Planelement Parameter p Parametervektor z B Geschwindigkeiten Pe c Ressourcen f r die Realisierung z B Zeit Energie auch Kosten Wert w Erfolgsbewertung des Planelementes auch Profit Kontinuit tsbedingung Mit den genannten Eigenschaften l sst sich ein sequentieller Pla
40. die Auswertung bereit Diese Meldungen lassen sich mit der Zeit ihres Auftretens darstellen was Abbildung 6 115 zeigt Die Dauer der Mission ist so beispielsweise anhand der letzten Meldung MHA FINISHED exakt ablesbar F r die Beispielmission sind dies 4053 Sekunden 1 Stunde 7 Minuten und 33 Sekunden 2DViewPLuginTL 0 BEE Eile Plugin Animation 2DViewPLuginTL 4 P El E3 Eile Plugin Animation u z theta SURAN a I N III Ih N N ul m 100 Ioa a nn FE VE 0 1000 2000 3000 4000 VE EEE EE ER BEE OR ES EB EEE EBEN DS ee Fe 0 500 1000 1500 2000 2500 3000 3500 4000 u Z theta POSSONAR y gt POSSONAR x Abbildung 6 116 Steuerkommandos Abbildung 6 117 Steuerkommandos DeepC Aktiv autonomes Unterwasserfahrzeug f r gro e Tauchtiefen Abbildung 6 116 zeigt die Steuerkommandos des DynamicManoeuringSystems die die gefahrene Trajektorie erzeugen Durch sie lassen sich die Steuervorgaben des Reglers nachvollziehen Deutlich sind die Kurs und die Tiefenvorgabe zu erkennen Das Kurskommando schwankt zwischen den Werten O0 und 360 Die waagerechten Linien repr sentieren einen geraden Kursverlauf w hrend die Schr gen den Kurven des M anders mit ihrer konstanten Kurs nderung entsprechen Die senkrechten Spr nge werden dabei vom charakteristischen 360 Ubergang hervorgerufen In der Tiefenvorgabe sind nochmals das Ab und das Auftauchen erkennbar Das Geschwindigkeitskommando ist aufgrund sein
41. die Summe der Zugeh rigkeitsfunktionen u u gleich eins ist Die Parameter dieser Zugeh rigkeitsfunktion sind demzufolge durch die Beginn und Endpunkte der Intervalle voller Zugeh rigkeit Dachpunkte n1 N2 N2n 2 gegeben Die Fu punkte ergeben sich aus den Dachpunkten der Zugeh rigkeitsfunktion der benachbarten Attribute Abbildung 6 85 u u N N2 N3 N4 Nas N2n 4 N2n 3 N2n 2 Abbildung 6 85 Zugeh rigkeitsfunktionen einer Eingangsgr e F r ein Fuzzy Set mit n Zugeh rigkeitsfunktionen m ssen folglich 2 n 1 Parameter n N Nan 2 Optimiert werden Dabei handelt es sich um ein beschr nktes nichtlineares Optimierungsproblem Zur L sung werden das Powell Verfahren Vac94 sowie ein Optimierungsverfahren mit Evolutionsstrategie nach Schwefel eingesetzt Nach der Optimierung der Zugeh rigkeitsfunktionen ist auf Grund der Verschiebung der urspr nglich gew hlten Attributgrenzen die Zuordnung der Messwerte zu den linguistischen Beschreibungen nicht mehr vollst ndig g ltig so dass die daraus ermittelten Regeln ebenfalls nicht mehr optimal sein m ssen Aus diesem Grund muss der gesamte Vorgang der Reglermittlung und Fuzzy Set Optimierung so lange wiederholt werden bis keine weitere Verbesserung der G te zu verzeichnen ist Dabei werden die optimierten Zugeh rigkeitsfunktionen des vorhergehenden Schrittes als Start Zugeh rigkeitsfunktionen f r den n chsten Lernschritt verwendet Erfahrungsgem reichen 2 4 Iterati
42. dienen dem Einstieg in das Problemumfeld Wesentliche Aufgaben sind hier die Problemdefinition die Auswahl des einzusetzenden Expertenwissens sowie die Ausarbeitung der grundlegenden Konzepte und Zusammenh nge zur Problembeschreibung Mit den Phasen Formalisierung Implementation und Test sind die Bestimmung der Art der Wissensrepr sentation die Hinterlegung des Wissens in Regeln und die Evaluation des Gesamtsystems verkn pft W hrend des Tests ist zu entscheiden ob die Funktion des Expertensystems der Aufgabenstellung entspricht Ist dies nicht der Fall ist ber Korrekturen des Regelwerkes Verfeinerung eine Neustrukturierung des erworbenen Wissens Redesign oder eine MNeuformulier amp ung des Gesamtproblems eine Anpassung des Expertensystem vorzunehmen Diese T tigkeit hat in enger Zusammenarbeit mit dem Experten zu erfolgen 6 1 3 2 Konzeption des Missions berwachungssystems Nach dem allgemeinen berblick zu Aufbau und Entwurf von regelbasierten Expertensystemen soll in diesem Abschnitt das Konzept der wissensbasierten berwachung der Mission vorgestellt werden 18 Teilprojekt 6 Pr diktives F hrungssystem FKZ 03SX104E DeepC Aktiv autonomes Unterwasserfahrzeug f r gro e Tauchtiefen 6 1 3 2 1 Aufgaben der Missions berwachung Grundlegende Aufgabe der wissensbasierten Missions berwachung ist die Erfassung von Abweichungen zwischen dem gew nschten und dem realen Zustand des autonomen mobilen Systems Real bedeu
43. eine Kollisionsm glichkeit zwischen den detektierten Objekten und den aktuellen Man vern des Missionsplanes Ist eine solche M glichkeit gegeben wird dies an das Modul Missions berwachung gemeldet Dieses Modul aktiviert in Abh ngigkeit des Missionsplaness das Hindernisvermeidungssystem oder das Identifikationssystem Das aktivierte System bernimmt dann die F hrung des Fahrzeuges und bergibt die Steuerinformationen des aktiven Systems an das Submodul Regelungsalgorithmen Solche Steuerinformationen k nnen Vorgaben f r Solltrajektorien anzufahrende Positionen oder der Abstand zu einem Objekt sein Im Submodul Regelungsalgorithmen werden diese Steuerinformationen so aufbereitet dass sie an den Autopiloten in Form von Sollwerten f r Kurs Tiefe und Geschwindigkeit bergeben werden Die Zielpunktgenerierung berechnet w hrend einer solchen Sondersituation einen Rendezvouspunkt mit der Sollroute des Missionsplanes unter Verwendung des aktuellen Missionsplanes und der detektierten Objekte Missions _____ Missionsplan Aiseianeplan berwachung i abarbeitung p Zielpunkt generierung Objekterkennung B _ berwachung Digitale Seekarte jji T i Hindernisver e ssystem saa Pegelungs Autopilot Reaktive algorithmen p Ausweich steuerung a Identifikations system Fahrzeugf hrung in Sondersituationen Abbildung 6 37 Struktur des Softwaremoduls FIS Teilprojekt 6 Pr dikti
44. eine auf diesen Koordinaten basierende digitale Karte des Einsatzgebietes des Roboters In dieser Karte ist die Erdoberfl che als H henmodell hinterlegt Bedingt durch die Ausrichtung auf nicht erdgebundene Fahrzeuge Flug und Tauchroboter sind keine k nstlichen Fahrwege in das Gel ndemodell integriert worden Als Datenstruktur f r eine effiziente Pr fung des Missionsplanes werden dreiecksvermaschte Netze engl TIN Triangulated Irregular Network verwendet Diese bestehen aus einer Menge ungleichm ig verteilter Punkte die durch Verbindungen untereinander Dreiecke formen Der Vorteil eines TIN gegen ber einer regelm igen Verteilung der Punktdaten besteht darin dass Bereiche mit unterschiedlicher Informationsdichte gleichzeitig dargestellt werden k nnen Die Erdoberfl che ist besonders dadurch gekennzeichnet dass sich h ufig gro fl chige Ebenen geringer H hen nderungen mit vielf ltig strukturierten Gegenden abwechseln Dreiecksvermaschte Netze sind geradezu pr destiniert derartige Formen detailgetreu abzubilden Jeder Gel ndepunkt im TIN ist charakterisiert durch seine geografischen Koordinaten A und besitzt die H henangabe h als Attribut Die Dreiecke werden mit Hilfe der zweidimensionalen Delaunay Triangulation ber A und erzeugt PS90 Bei diesem Verfahren wird das so genannte Umkreiskriterium als Grundlage f r die Dreiecksbildung verwendet Es besagt dass im Umkreis eines Dreiecks kein weiterer Punkt liegen
45. einen Vorschlag f r die Anpassung des oder der betroffenen Planelemente Im Ergebnis entsteht dabei eine neue Route zwischen geografischer Start und Endposition dieser Man ver Die im Abschnitt 6 1 5 1 pr sentierte Struktur zur Hinterlegung eines digitalen H henmodells ist f r die Berechnung eines neuen Weges nicht gut geeignet Eine wesentliche Ursache daf r liegt in der fehlenden Information ber die Fahrbarkeit der Strecken zwischen einzelnen Knotenpunkten des Netzes Au er f r Wege zwischen den drei Eckpunkten eines Dreiecks die sich immer als direkte Verbindung ergeben kann keine Route ohne gr eren Rechenaufwand bestimmt werden Dar ber hinaus steigt der Aufwand mit zunehmender Zahl der Knoten des Netzes Aus diesem Grund ist eine Vorverarbeitung der Daten und damit eine Erweiterung der Datenbasis unumg nglich Als geeignete Verfahren f r die Suche des nach M glichkeit minimalen Weges zwischen zwei Punkten im Gel nde bieten sich graphenbasierte Methoden an die im schlechtesten Fall polynomial von der Gr e des Graphen abh ngen BG93 Sie garantieren eine effiziente Modifikation des Missionsplanes und werden im Abschnitt Graphenbasierte Routensuche vorgestellt Erweiterung der Datenbasis Aufgabe der Vorverarbeitung ist die Generierung der f r die dreidimensionale Wegplanung ben tigten Informationen und deren Integration in die Datenbasis F r graphenbasierte Verfahren wird ein Graph G V A ben tigt der als Knoten
46. f r eine L sung des linearen Rucksack Problems verf gbaren Verfahren nicht auf diese Problemklasse bertragbar Es existieren zwar auch Ans tze f r nichtlineare Rucksack Probleme wie zum Beispiel in HJM93 doch sind diese wiederum auf spezielle Arten der Nichtlinearit t zugeschnitten Alle anderen F lle werden h ufig mit Hilfe von Suchverfahren oder angepassten Heuristiken gel st L sung des Optimierungsproblems Aufteilen einer Geldmenge auf unterschiedliche Anlagen Entscheidung f r die Realisierung bestimmter Projekte aus einer verf gbaren Menge Teilprojekt 6 Pr diktives F hrungssystem FKZ 03SX104E 31 DeepC Aktiv autonomes Unterwasserfahrzeug f r gro e Tauchtiefen Ausgangspunkt der folgenden Betrachtungen sind die Einsatzbedingungen des zu implementierenden Verfahrens Es soll auf den Rechnern des AUV DeepC eingesetzt werden und dabei in akzeptabler Zeit eine L sung pr sentieren Die Anzahl der zu ber cksichtigenden Planelemente an sich ist aufgrund unterschiedlicher berlegungen bereits qualitativ beschr nkt Die Anzahl der Planelemente ist durch die Vorgehensweise bei der Missionsplanung begrenzt Dies liegt an der manuellen Definition der Mission durch den Menschen der bestrebt ist die Menge der sequentiell zu planenden Handlungen berschaubar zu halten Eine Optimierung des Missionsplanes wird normalerweise nicht gleich zu Beginn der Mission durchgef hrt Erst nach einiger Zeit mit einem gegen
47. f r gro e Tauchtiefen Automatisierungs und Systemtechnik der TU Ilmenau IImenau 2004 KLEIN R Algorithmische Geometrie Bonn Germany Addison Wesley Longman 1997 MIRTICH B Efficient Algorithms for Two Phase Collision Detection in Practical Motion Planning in Robotics K Gupta and A P d Pobil Ed Chichester John Wiley amp Sons Ltd 1998 pp 203 223 http msdn microsoft com visualc Nilsson N J Problem Solving Methods in Artificial Intelligence McGraw Hill 1971 PAPAGEORGIOU M Optimierung statische dynamische stochastische Verfahren f r die Anwendung M nchen Germany R Oldenbourg Verlag 1991 SCHERER S Untersuchungen von Algorithmen zur Fahrzeugf hrung bei Objektidentifikation des autonomen Unterwasserfahrzeuges DeepC Studienjahresarbeit am Institut f r Automatisierungs und Systemtechnik der TU IImenau IImenau 2004 SCHNEIDER P J UND EBERLY D H Geometric Tools for Computer Graphics San Fancisco USA Morgan Kaufmann 2003 SIEK J G LEE L Q UND LUMSDAINE A The Boost Graph Library User Guide and Reference Manual New York USA Addison Wesley 2002 http www sbs com STENTZ A The focussed D Algorithm for Real Time Replanning In Proceedings of the International Joint Conference on Artificial Intelligence Montreal Canada August 1995 WEISSTEIN E W CRC Concise Encyclopedia of Mathematics Boca Raton USA Chapman amp Hall CRC 2003 WATANABE K HASH
48. gestattet die Modellierung von Ressourcen und der Funktion transformatorisch reaktiv f r ein Gesamtsystem und die Ausf hrung der Modelle In Verbindung mit einer 3D Visualisierungskomponente sind die Simulationsergebnisse unmittelbar sichtbar Die weitere Validierung der Algorithmen erfolgte an einem Gro flugmodell ZER99 Die beiden Fachgebiete erstellten im Vorfeld des Projektes DeepC f r den Projektpartner STN ATLAS Elektronik GmbH eine Forschungsstudie Manuelle Fahrzeugf hrung in virtuellen Welten WS99 Ziel der Studie war es in einer ersten Stufe auf dem Weg zur Entwicklung eines wissensbasierten F hrungssystems f r AUVs eine Softwareumgebung f r die Simulation Darstellung Analyse und Bewertung einer manuellen F hrung von Unterwasserfahrzeugen in virtuellen Welten zu schaffen Literatur DKO97 DUNG L KOCH M OTTO P FuzzyOpt ein Werkzeug zum Entwurf optimaler Fuzzy Systeme at Automatisierungstechnik 45 1997 11 pp 555 556 EICH95 EICHHORN M G tekriterien und Suchverfahren f r die Optimierung von Fuzzy Systemen Diplomarbeit TU Ilmenau 1995 EKW97 EICHHORN M KUHN TH WERNSTEDT J Die Fuzzy Control Design Toolbox f r MATLAB at Automatisierungstechnik 45 1997 11 pp 553 554 FZS98 FREUND U ZERBE V SCHORCHT G HIFAQ s a Language for Integrated System Level Simulation CESA 98 IMACS Conference Nabeul Tunesien GH93 GRZEMBA C HENKE K Farming als Methode zur Paralleli
49. glich das vorgestellte Verfahren f r den 3D Raum durch entsprechende Modifikationen zu verwenden Das in diesem Abschnitt beschriebene Verfahrens basiert auf den Arbeiten von Gul95 Gul97 Es werden Gradientenlinien durch k nstliche harmonische Dipol Potentiale erzeugt Durch die Verwendung solcher Dipol Potentiale k nnen die negativen Eigenschaften der k nstlichen Potentialfelder kompensiert werden Solche Eigenschaften sind das Festsetzen des Fahrzeuges in lokalen Minima die oszillierende Bewegung in engen Durchfahrten sowie das Sperren von m glichen Routen durch das resultierende absto ende Kraftfeld am Eingang einer Durchfahrt Gul97 In den n chsten Abschnitten wird ein neu entwickeltes Verfahren vorgestellt welches die Gewinnung der Gradienten aus einer geometrischen Konstruktion der Gradientenlinien erm glicht Des Weiteren werden M glichkeiten aufgezeigt ein Ausweichen unter Einbeziehung der Geschwindigkeitsinformationen der Seestr mung und der Hindernisse durchzuf hren 6 2 5 2 1 Erzeugung von Gradientenlinien durch harmonische Dipol Potentiale F r die nachfolgenden Ausf hrungen sei angenommen dass ein Hindernis durch einen Kreis beschrieben wird Fasst man den Kreis als positive Ladung und den anzufahrenden Zielpunkt als negative Punktladung auf so bildet diese Struktur einen Dipol dessen Feldlinien von der positiven zur negativen Ladung f hren Der Wert f r die negative Ladung im Zielpunkt wird zu 1 ge
50. r die vorliegenden Beispiele erstellt so dass nicht alle m glichen Kombinationen der linguistischen Variablen verwendet werden m ssen Die Defuzzyfizierung erfolgt durch Schwerpunktbildung wobei die einzelnen Anteile durch die Minimum Inferenz Methode ermittelt werden Dieser Prozess kann durch Verwendung von Singletons f r die Ausgangsgr e noch vereinfacht werden ohne die G te wesentlich zu beeinflussen d Optimierung der Zugeh rigkeitsfunktionen Da zur Erstellung der Regeln von gleich gro en Intervallen und gleichf rmigen Zugeh rigkeitsfunktionen f r alle Attribute ausgegangen wurde kann man erwarten dass durch eine g nstigere Gestaltung der Zugeh rigkeitsfunktionen eine weitere Verbesserung der Fuzzy Modelle m glich ist Dazu soll eine Optimierung der Fuzzy Sets so erfolgen dass der mittlere quadratische Fehler zwischen Modell und Systemausgang minimiert wird Teilprojekt 6 Pr diktives F hrungssystem FKZ 03SX104E 101 DeepC Aktiv autonomes Unterwasserfahrzeug f r gro e Tauchtiefen n Q y gt Min 6 33 n mit yi Systemausgang n Anzahl der Datens tze y Modellausgang Zu diesem Zweck werden die Zugeh rigkeitsfunktionen der Eingangsmerkmale durch vier St tzstellen beschrieben so dass beliebige rechteck dreieck bzw trapezf rmige Zugeh rigkeitsfunktionen definiert werden k nnen Als Nebenbedingungen wird beibehalten dass einem Messwert maximal 2 Attribute zugeordnet werden und
51. sind und f eine nichtlineare Funktion darstellt Die funktionalen Zusammenh nge in Gl 1 und Gl 2 k nnen in Form von Regeln formuliert werden wenn die Ein und Ausgangsgr en des Systems durch linguistische Attribute in Abh ngigkeit von den gemessenen Werten beschrieben werden Diese Attribute werden Teilprojekt 6 Pr diktives F hrungssystem FKZ 03SX104E 99 DeepC Aktiv autonomes Unterwasserfahrzeug f r gro e Tauchtiefen ermittelt ndem der gesamte Aussteuerbereich der Prozesseingangs und Ausgangsgr en zun chst in eine vorgegebene Anzahl von n gleich gro en Intervallen eingeteilt wird Zur Fuzzyfiziercung der Prozessgr en werden den Intervallen dreieckf rmige Zugeh rigkeitsfunktionen so zugeordnet dass sie sich an den Intervallgrenzen beim Wert 0 5 schneiden Die Randintervalle erhalten einseitig offene Zugeh rigkeitsfunktionen Abbildung 6 84 Somit geh rt ein Messwert mit unterschiedlichen Zugeh rigkeitswerten zu zwei Intervallen Die Messwerte werden nun entsprechend der festgelegten Intervalle in linguistische Attribute transformiert so dass eine Beschreibung des statischen bzw dynamischen Prozessverhaltens durch linguistische Ausdr cke entsteht Tabelle 6 8 u u u y aD y Static y U u2 Us Ua Dynamic y k y k 1 y k 2 u k 1 u k 2 vvb vb b vb S vvb vvb vb b vb b vvb vvb vb b S b vvb vvb vb Tabelle 6 3 Lernbeispiele f r den ID3 Algorithmus Der ID
52. zu gro Einf gen eines GPS Updates in das aktuelle Man ver Zu gro e vertikale Trackablage Einf gen eines Auftauch Abtauchman vers von der aktuellen Tiefe auf die Endtiefe des aktuellen Man vers 6 1 6 3 2 Missionsumplanung Die Missionsumplanung ist f r die Ausf hrung der notwendigen Ver nderungen am Missionsplan und deren Pr fung verantwortlich Der Aufbau entspricht prinzipiell der in Abschnitt 6 1 2 vorgestellten Konzeption Die interne Arbeitsweise unterscheidet sich im Wesentlichen durch die Einbindung des Missionsmanagements in die Softwarearchitektur des AUV da alle durchzuf hrenden Aktivit ten einer Freigabe durch die zentrale Entscheidungsinstanz Mission Control bed rfen Zus tzlich ist der modifizierte Plan einer Kontrolle zu unterziehen die sich aus der geografischen Planpr fung und modifikation sowie einem Plausibilit ts Check durch das Mission Handling zusammensetzt Erst wenn diese Pr fungen positiv abgeschlossen wurden kann der neue Plan dem System zur Realisierung bergeben werden Abbildung 6 26 44 Teilprojekt 6 Pr diktives F hrungssystem FKZ 035X104E DeepC Aktiv autonomes Unterwasserfahrzeug f r gro e Tauchtiefen Umplanungsbefehl e Mission Freigabeabfrage Control Plausilit tspr fung Planmodifikation Missionsplan Mission Handling Geografische Planpr fung und modifikation Geogr Datenbasis Mission Control Planpr fung Umplanung beendet Il Abbildu
53. 1 lt 0 ze u i Abbildung 6 89 Umwandlungsroutinen f r die Joysticksausgangswerte 6 3 5 6 Technische Umsetzung Die Lerndaten sollen aus den Testfahrten eines Operateurs in der virtuellen Welt aufgezeichnet werden Hierbei werden Hindernissituationen vorgegeben welche der Operateur zu l sen hat Zur Durchf hrung der Fahrten wurde eine Testumgebung unter MATLAB SIMULINK aufgebaut welche die nachfolgenden Aufgaben erf llt e Ansteuerung des Fahrzeuges mit Eingabeger ten Joystick Lenkrad unter MATLAB e Nachbildung des geregelten Fahrzeugverhaltens e Ansteuerung bzw Kommunikation mit der virtuellen Realit t KISMET Kis04 der Universit t Karlsruhe Teilprojekt 6 Pr diktives F hrungssystem FKZ 03SX104E 105 DeepC Aktiv autonomes Unterwasserfahrzeug f r gro e Tauchtiefen e Darstellung der Instrumente und des Sonars zur sicheren F hrung des Fahrzeuges e Aufzeichnung der Fahrdaten Steuerkommandos der Eingabeger te Lage des Fahrzeuges Position der Hindernisse Client Daten der aufgenommenen Fahrten TCP IP Laptop Computer MATLAB SIMULINK Virtuelle Realit t KISMET schwindigkeit Ilisionsflag 5 i O j aw rtsfahrt Terminator Abbildung 6 90 Umgebung zur Durchf hrung der Testfahrten in der Virtuellen Realit t Die Testumgebung wurde auf zwei Rechner verteilt A
54. 3 1 2 Umwelt und Sensorik Die Modellierung der Umwelt bildet einen wesentlichen Bestandteil des Gesamtsystemmodells Gleichzeitig hierzu muss jedoch auch die Sensorik zum Wahrnehmen der Umwelt nachgebildet werden Abbildung 6 104 hebt die an diesem Vorgang beteiligten Bl cke hervor e Hierbei sind erstens die Hindernisse das Bodenmodell das Sonar und das Dolog zu nennen Von ihnen sind die Hindernisse und das Bodenmodell zur Umwelt zu z hlen w hrend das Sonar und das Dolog der Sensorik zuzurechnen sind Die Zusammenarbeit zwischen der Sensorik und der Umwelt geschieht ber Anfragen Pings Diese bilden jeweils einen Suchstrahl nach und werden sowohl vom Sonar als auch vom Dolog an die Umwelt gesendet Dort werden sie entgegengenommen und an das Seebodenmodell und das Modell der Hindernisse weitergeleitet Die Antworten werden ausgewertet und an dasjenige Sensormodul weitergereicht welches die Anfrage gestellt hat Durch dieses Vorgehen wird es m glich auf einfache Art und Weise weitere Umwelteinfl sse hinzuzuf gen e Ein zweiter Umwelteinfluss wird durch das Str mungsmodell modelliert Es erzeugt f r jeden Punkt im Raum einen Geschwindigkeitsvektor Dieser vom Dolog gemessene Vektor wird bei der Generierung der Position in DCM ber cksichtigt und beeinflusst so die Bewegung des Fahrzeugs im Raum DeepC Gesamtsystemmocdell Autonomes F hrungssystem Energie erzeugungs modul Str mungs Brennstoff model zelle Hinder
55. 3 3 1 Anforderungen an das Lernmoduls 86 6 3 3 2 Auswahl von geeigneten Lernverfahren 87 6 3 3 3 Auswahl zu lernender Man verstrategien 88 6 3 4 Vorgehensweise der Lernstrategien 88 6 3 5 Beschreibung des Lernmoduls 89 6 3 5 1 Datenaufbereitungsmodul 90 6 3 5 2 Fuzzy Regelbasierter Regler 95 6 3 5 3 Datenerfassung 96 6 3 5 4 Regelgenerierung mit FuzzyMod 99 6 3 5 5 Fuzzy Inferenzsystem FIS f r den Regler 103 6 3 5 6 Technische Umsetzung 105 6 3 6 Ergebnisse der simulativen Untersuchungen 107 6 3 Dateien und Verzeichnisse 112 6 3 8 Zusammenfassung der Ergebnisse 112 6 3 9 Literatur 113 6 4 Mission Level Design 114 6 4 1 Mission Level Design f r mobile automatische Systeme 114 6 4 1 1 Mission Level Design 114 6 4 1 2 Anpassungen f r mobile automatische Systeme 114 6 4 1 3 Konzept f r die Durchf hrung der Simulation 115 6 4 2 Durchf hrung der Simulation 117 6 4 2 1 MLDesigner 117 6 4 2 2 Analyse MLDesigner 118 6 4 2 3 Framework zur Durchf hrung der Simulation 120 6 4 3 DeepC Gesamtsystemmodell und Beispielmission 123 6 4 3 1 Gesamtsystemmodell 123 6 4 3 2 Beispielmission 128 6 4 3 3 Auswertung der Beispielmission 130 6 4 4 Zusammenfassung 134 6 4 5 Literatur 135 7 Voraussichtlicher Nutzen insbesondere Verwertbarkeit der Ergebnisse im Sinne des fortgeschriebenen Verwertungsplanes 135 8 W hrend der Durchf hrung des Vorhabens bekannt gewordene Fortschritte auf dem Gebiet des Vorhabens bei anderen Stellen 136 9 Erfolgte od
56. 3 Algorithmus Qui92 generiert aus den linguistischen Beispielen einen optimalen Entscheidungsbaum aus dem Produktionsregeln der Form IF u vs AND ug b THENy m bzw IF y k 1 vb AND u k 2 s THEN y k vvb gewonnen werden k nnen die das statische bzw dynamische Systemverhalten beschreiben Der Entscheidungsbaum ist so aufgebaut dass sich die Bedeutung der Attribute f r den Entscheidungsproze mit zunehmender Tiefe verringert und nicht relevante Attribute unber cksichtigt bleiben c Generierung des Regelwerks In Analogie zum klassischen Fuzzyentwurf wird der datenbasierte Systementwurf durch eine unbekannte Relation zwischen dem Eingang und den Ausgangsgr en Regelbasis gekennzeichnet Die Erzeugung der Regelbasis basiert auf der Analyse der vorhandenen Signale der Eingangs und Ausgangsgr en In der automatisierten Entwurfsmethode die hier angewandt wird wird die Regelbasis mit dem bekannten ID3 Algorithmus von Qui92 OW92 erzeugt In diesem Algorithmus werden die Fuzzy Sets die das Signal 100 Teilprojekt 6 Pr diktives F hrungssystem FKZ 03SX104E DeepC Aktiv autonomes Unterwasserfahrzeug f r gro e Tauchtiefen kennzeichnen als Signal Symbol Transformationen verstanden Die R ckumwandlung d h Defuzzyfizierung wird in der entgegengesetzten Richtung durchgef hrt Die Grundidee des ID3 Algorithmus basiert auf der Erzeugung eines Entscheidungsbaums Gleichungen 3 4 Nachdem man das V
57. 4 Abbildung 6 77 o Repr sentatiie Punkte auf der Oberfl che des Hindernisses bestimmen Abbildung 6 76 c F r jeden Punkt den Abstand und die Richtung bez glich des AUV s berechnen d F r alle Punkte die in einer Zelle liegen den minimalen Abstand bestimmen und diese Zelle mit diesem Abstandswert bewerten e Wenn kein Hindernis in der Richtung einer Sonarzelle liegt dann wird die Sonarzelle mit 220 bewertet 92 Teilprojekt 6 Pr diktives F hrungssystem FKZ 03SX104E DeepC Aktiv autonomes Unterwasserfahrzeug f r gro e Tauchtiefen GC Abbildung 6 77 Zerlegung des Sonarsichtbereiches in Zellen a und r sind der maximale Winkel in z Richtung der maximale Winkel in y Q max ymax Richtung bzw der Abstand zum Oberfl chenpunkt a Die Nummerierung der Sonarzellen erfolgt wie in Abbildung 6 78 dargestellt In dieser Anwendung wurde der Sichtbereich des Sonars auf 60 lt a lt 60 bzw 10 lt a lt 10 begrenzt Abbildung 6 78 Nummerierung der Sonarzellen Die Ergebnisse des Aufbereitungsmoduls zeigen beispielsweise Abbildung 6 79 In Abbildung 6 79 befindet sich das Hindernis direkt vor dem Unterwasserfahrzeug und in Abbildung 6 80 befindet sich das Hindernis links vor dem Unterwasserfahrzeug Die Diagramme in Abbildung 6 79 b und Abbildung 6 80 b zeigen die minimalen Abst nde in den entsprechenden Sonarzellen Die Ergebnisse sind wie sie sein sollen Teilprojekt 6 Pr di
58. 40 Abbildung 6 43 Beschreibung der Man ver und Objekte durch achsenparallele Rechtecke Die achsenparallele Begrenzungsbox wird durch die Punkte Pmin Xmin Ymins Zmin und P max Xmax Ymax Zmax beschrieben siehe Abbildung 6 44 min Abbildung 6 44 Definition der achsenparallelen Begrenzungsbox Eine berpr fung erfolgt f r die einzelnen Koordinaten durch den gegenseitigen Gr envergleich des maximalen Wertes der einen mit den minimalen Wert der zweiten Box Der Pseudocode daf r lautet bool ExistiertSchnittBoxBox Box Box1 Box Box2 if Boxl max x lt Box2 min x return false if Box2 max x lt Boxl min x return false if Boxl1 max y lt Box2 min y return false if Box2 max y lt Boxl1 min y return false if Boxl1 max z lt Box2 min z return false if Box2 max z lt Boxl1 min z return false return true 62 Teilprojekt 6 Pr diktives F hrungssystem FKZ 03SX104E DeepC Aktiv autonomes Unterwasserfahrzeug f r gro e Tauchtiefen Da bei diesem ersten Test nur Vergleichoperationen durchgef hrt werden ist der ben tigte Rechenaufwand sehr minimal Durch diesen Test kann die m gliche Anzahl von berschneidungen zwischen Man vern und Objekten sehr eingeschr nkt werden F r das in Abbildung 6 43 dargestellte Szenario wurden zwei m gliche berscheidungssituationen ermittelt Nur f r diese beiden berscheidungssituationen wird ein weiterer Test durchgef hrt Bei
59. Damit besteht die Simulation wie in Abbildung 6 98 ersichtlich nunmehr aus vier Phasen n mlich wie in herk mmlichen Simulationen blich aus der Modellierung der Modellnutzung und der Auswertung die um die neue Phase der Missionshandhabung erg nzt werden Die Auswertung erf hrt eine Erweiterung indem sie missionsspezifisch erfolgt Modellierung Te gt Missionshandhabung Dr Missionsspezifische Auswertung Abbildung 6 98 Phasen der Durchf hrung des Mission Level Designs Eine umfassende Charakterisierung der einzelnen Phasen und ihrer Zusammenh nge liefert die folgende Auflistung e Modellierung Den ersten Punkt der Simulation bildet weiterhin die Modellierung die die Erstellung des Gesamtsystemmodells mit allen wichtigen Aspekten des Systems beinhaltet und eine Nachbildung der aktuellen Spezifikation des Systems und der Umwelt in der es agiert vornimmt e Missionshandhabung Die Missionen werden als Teil der Spezifikation in der Missionshandhabung einmalig festgelegt sp ter m ssen sie lediglich verwaltet werden Die Festlegung umfasst dabei 116 Teilprojekt 6 Pr diktives F hrungssystem FKZ 03SX104E DeepC Aktiv autonomes Unterwasserfahrzeug f r gro e Tauchtiefen abstrakt formuliert die Schaffung verschiedener Auspr gungen f r die existierenden Missionsparameter oder die Zuordnung der Missionsparameter zu allgemein definierten Missionen Im Hinblick auf das Mission Level Design besteht die A
60. EM M M A UND IZuMI K Global Path Planning of Mobile Robots as an Evolutionary Control Problem European Control Conference Karlsruhe Germany 1999 Teilprojekt 6 Pr diktives F hrungssystem FKZ 03SX104E 85 DeepC Aktiv autonomes Unterwasserfahrzeug f r gro e Tauchtiefen 6 3 Maschinelles Lernen 6 3 1 Aufgaben des maschinellen Lernmodul Das Ziel dieses Arbeitspaketes bestand in der Untersuchung von M glichkeiten einer dreidimensionalen Steuerung eines Unterwasserfahrzeuges AUV durch Hindernisse bei der Fahrt von einem Startpunkt zu einem station ren Zielpunkt Das AUV verf gt nur ber eine begrenzte Anzahl von Sensoren einschlie lich Sonar und kann seine Geschwindigkeit und Fahrtrichtung in jedem Entscheidungsschritt aktualisieren Das Unterwasserfahrzeug soll zun chst in der virtuellen Welt auf der Grundlage der Handlungen eines Operateurs Strategien zur Vermeidung von Kollisionen erlernen wenn es ein Hindernis entdeckt hat d h Reiz Reaktion stimulus response Regeln KO04 Das System erlernt somit keinen spezifischen Weg sondern Regeln die reaktiv ber eine Bewegungsrichtung in jedem Zeitschritt entscheiden so dass sie zuk nftig genutzt werden k nnen um dem Man vermanagement in hnlichen Situationen in der realen Welt eine autonome F hrung des Fahrzeuges zu erm glichen 6 3 2 Einf hrung Das Man vrieren durch verschiedenartigste Unterwasserhindernisse wie z B Felsen Wracks Unterwasserbauten
61. Einsatzszenarien den sogenannten Missionen beschrieben Diese dienen der Validierung der Spezifikation indem sie charakteristische Nutzeranforderungen festhalten Durch die damit verbundene weitere Formalisier amp ung des Entwurfs verschiebt sich der notwendige Arbeitsaufwand in die fr hen Entwurfsphasen Hierdurch soll die Systemintegration weniger aufwendig und vor allem fehlerfrei verlaufen F r die Simulation wird soweit m glich auf verifizierte Bibliotheken zur ckgegriffen Der hiermit verbundene Vorteil liegt in der Wiederverwendung bereits getesteter Bestandteile Die Einf hrung von Missionen erm glicht eine deutlich verbesserte Interpretation der gewonnenen Ergebnisse Das Ergebnis ihrer Verwendung zum Test des Systementwurfs sind nicht allgemeing ltige Aussagen ber das allgemeine Systemverhalten Durch den Test typischer F lle werden mittlere typische Aussagen f r Nutzungsszenarien getroffen Dies ist eine gew nschte Einschr nkung Bedingt durch die den Systemen zugrunde liegende Komplexit t sind allgemeing ltige Aussagen f r alle denkbaren F lle nicht mehr m glich Der Missionsauswahl kommt insofern eine erhebliche Bedeutung f r die Testergebnisse zu Ziel muss es sein eine Auswahl sinnvoller typischer Varianten des gesamten Einsatzspektrums vorzunehmen Die erzielten Ergebnisse basieren dabei stets auf der Auswertung der Gesamtheit aller Missionen 6 4 1 2 Anpassungen f r mobile automatische Systeme Da das Missio
62. FS Model Type Module Author tul Domain DE Taraet parent Backgroun e6e6e6 Default Bo true Default Icon Import Libr Submodels Description autonomous guidance Document dolog_ping current BEE MLDesigner 2 5 r00 This confidential and proprietary software may be disclosed used or copied only as authorized by a license agreement from MLDesign Technologies Inc In the event of publication the following notice is applicable Copyright e 2004 MLDesign Technologies Inc All rights reserved z 09 56 22 gt QClipboard Unknow SelectionNotify event received O Command oLog Hold mouse and drag to select rectangular region Use Ctrl for additional option Alt Zoom Space Pan 354 54 4 Abbildung 6 99 MLDesigner 6 4 2 2 Analyse MLDesigner Da sich f r mobile autonome Systeme Anpassungen am Mission Level Design vorgenommen werden mussten wird im Folgenden untersucht inwieweit sich auch bei der Simulation mit MLDesigner Anpassungen ergeben Ausgangspunkt der vorgenommenen Analyse sind die vorgestellten Phasen der Simulation im Rahmen des Mission Level Designs die von dem zur Simulationsdurchf hrung genutzten Programm unterst tzt werden m ssen 6 4 2 2 1 Erstellung und Simulation von Modellen Die St rke von MLDesigner besteht in seinen sehr guten F higkeiten bei der Erstellung und Simulation von Modellen Das Programm unterst tzt die
63. Fuzzy Method for the Modelling of Experts and Systems Proc of the 2003 European Simulation and Modelling Conference ESM 2003 pp 237 241 October 27 29 Naples Italy Karimanzira D and Otto P 2004 A Manoeuvre Management System Based On Machine Learning For An Autonomous Underwater Vehicle 49 Internationales Wissenschaftliches Kolloquium Ilmenau 27 30 September 2004 Andrejevi c Miona Liebezeit Thomas Modeling of the energy system for the mission level design of the DeepC AUV In Proceedings of the twelfth international scientific and applied science conference ELECTRONICS ET 2003 Sozopol Bulgaria 2003 Liebezeit Thomas Mission Level Design of Autonomous Underwater Vehicles In Nahavandi Saeid Hrsg Proceedings of the First International ICSC Congress on Autonomous Intelligent Systems ICAIS 2002 Geelong Australia NAISO ICSC NAISO Academic Press 02 2002 online lt http Iwww deepc auv de deepc bibliothek pdf icais pdf gt Liebezeit Thomas Zerbe Volker A Validation Environment for Mission Level Design of Autonomous Underwater Vehicles In Proceedings of the 49 Internationales Wissenschaftliches Kolloquium Ilmenau 27 30 September 2004 Liebezeit Thomas Zerbe Volker L ffler Tino A Framework for Mission Level Design In Proceedings of the Twelfth IASTED International Conference on Applied Simulation and Modelling ASM 2003 Marbella Spain 2003 online lt http sahara theoinf tu iiIm
64. I K Global Path Planning of Mobile Robots as an Evolutionary Control Problem European Control Conference Karlsruhe 1999 XLJY98 XUEMIN L LIANG P JIAWEI L YURU X Obstacle Avoidance Using Fuzzy Neural Networks UNDERWATER TECHNOLOGY 98 Tokio ZFS98 ZERBE V FREUND U SOLANTI P Towards animated executable specifications for satellite systems ELECTRONICS 98 7 international conference Sozopol Bulgaria ZHA94 ZHANG J Ein integriertes Verfahren zur effizienten Planung und Ausf hrung von Roboterbewegungen in unscharfen Umgebungen Dissertation Universit t Karlsruhe 1994 5 Zusammenarbeit mit anderen Stellen Eine enge Zusammenarbeit erfolgte vor allem mit den am Vorhaben beteiligten Partnern Das pr diktive F hrungssystem ist einer der Hauptbestandteile der aktiven Autonomie des AUV DeepC so dass eine besonders intensive Zusammenarbeit mit dem Projektkoordinator ATLAS ELEKTRONIK Bremen notwendig war Die von der Universit t Karlsruhe entwickelte virtuelle Unterwasserwelt schaffte die Voraussetzungen f r die simulative Erprobung der entwickelten Missionsplanungsmethoden und Ausweichstrategien sowie zur Gewinnung von Lerndaten aus Operatorsteuerhandlungen f r die reaktive Kollisionsvermeidung mit Hindernissen und der Validierung der daraus maschinell gelernten Regeln 12 Teilprojekt 6 Pr diktives F hrungssystem FKZ 03SX104E DeepC Aktiv autonomes Unterwasserfahrzeug f r gro e Tauchtiefe
65. In Gul97 wurde ein Bereich entlang der Grenzlinie zweier benachbarter Gradientenlinienfelder definiert di max In welchem sich die Gradienten der einzelnen Felder mittels eines Wichtungsfaktors a linear berlagern Dieser Wichtungsfaktor wurde proportional zum Fahrzeugabstand von der Grenzlinie gew hlt Eine vereinfachte Teilprojekt 6 Pr diktives F hrungssystem FKZ 03SX104E 77 DeepC Aktiv autonomes Unterwasserfahrzeug f r gro e Tauchtiefen Bestimmung dieses Abstandes kann durch Gleichung 6 24 auf Grundlage von Abbildung 6 63 erfolgen Es gilt d d Fahr _n Fahr _m d Linie 2d 6 24 m_n Die Abst nde drann UNA dpan m beschreiben die k rzeste Entfernung von der aktuellen Fahrzeugposition zum jeweiligen Hindernis Hindernis m D O E eui Hindernis n Hind_n Abbildung 6 63 Vereinfachte Bestimmung von dinie Der resultierende Gradient bestimmt sich so durch die folgenden Beziehungen Giran f r l tine gt d G G iind n f r A iine lt SU nea 6 25 AG nam Gina f r d niel lt d Linie _ max Linie Linie _ max mit dem Wichtungsfaktor a im 6 26 Linie _ max 94 osfis 6 2 5 2 6 berschneidende Sicherheitsbereiche Kommt es zu berschneidungen zwischen zwei oder mehreren Sicherheitszonen m ssen diese Gebiete durch eine gemeinsame Sicherheitszone abgedeckt werden Diese Zone sollte eine Ellipsenform besitzen welche die einzelnen Sicher
66. Liste des aktuellen Basisman vers und der n n chsten Basisman vern an Die einzelnen Man ver dieser Liste werden dann auf Kollision mit allen detektierten Objekte berpr ft Definition von Umgebungsbereichen um die Objekte Durch die geometrischen Abma e des Fahrzeuges seine m gliche Ablage zur Sollbahn sowie einer Varianz der Objektpositionen und geometrien m ssen die detektierten Objekte um einen Bereich erweitert werden Dies erfolgt durch die Vergr erung der Haupt und Nebenachse der elliptischen Grundfl che sowie der Erh hung der zylindrischen Objektform um einen vorgegebenen Wert In Abh ngigkeit der Verwendung der Objekte in den einzelnen Submodulen wurden zwei Werte Abst nde zum Objekt definiert F r das Submodul Hindernisvermeidungssystem wird ein Sicherheitsabstand vorgegeben Die Notwendigkeit zur Einf hrung eines solchen Sicherheitsbereich um das Objekt hat neben Teilprojekt 6 Pr diktives F hrungssystem FKZ 03SX104E 59 DeepC Aktiv autonomes Unterwasserfahrzeug f r gro e Tauchtiefen den oben genannten noch einen weiteren Grund Die beim Hindernisvermeidungssystem generierten Bahnen sind wegoptimal was dazu f hrt dass sie die Objekte tangieren k nnen Der Sicherheitsbereich verhindert so ein zu nahes Vorbeifahren am Objekt Ein definierter Man verabstand kommt bei den Submodulen Kollisions berwachung und Zielpunktgenerierung zum Einsatz Die um diesen Wert vergr erten Objektformen werden zu
67. M Dieses Modul dient der Umwandlung von absoluten Fahrzeugdaten wie Absolutposition geschwindigkeit sonardaten in relative Daten wie den Winkel und den Abstand zum Ziel oder den Winkel und den Abstand zum Hindernis Dieses Modul wurde in das Ausweichmodul integriert c Lerndaten Steuerhandlungen die durch einen Experten bei der Steuerung des Unterwasserfahrzeuges erzeugt werden wurden f r ausgew hlte Szenarien der Hindernisvermeidung in der virtuellen Umgebung mit dem Matlab Modell das durch die TU Ilmenau erstellt wurde und mit dem das dynamische Verhalten des Fahrzeuges unter Wasser nachgebildet wird erfasst Diese Daten dienen als Grundlage des Lernvorganges 112 Teilprojekt 6 Pr diktives F hrungssystem FKZ 03SX104E DeepC Aktiv autonomes Unterwasserfahrzeug f r gro e Tauchtiefen d Ein Fuzzy Regelwerk wurde mit dem Tool FuzzyMod aus den in der virtuellen Welt generierten Daten erstellt Das Regelwerk besteht aus drei Komponenten einem Teil zur Steuerung des AUV zum Ziel einem zweiten zum Ausweichen von Hindernissen auf dem Weg zum Ziel und einem dritten zur Steuerung der Geschwindigkeit Durch diese Aufteilung verbessert sich das Lernverhalten der Module e Erstellung eines Fuzzy Inferenzsystems FIS zur Abarbeitung der Regeln und zur Steuerung des AUV in unbekannter Umgebung Die zwei Module Datenaufbereitungsmodul und Fuzzy Inferenzsystem wurden in Form von S Funktionen und BCB6 C Funktionen impleme
68. Modellbildung zur Analyse von Wechselwirkungen bei Biosignalen des Herz Kreislaufsystems 8 Workshop Fuzzy Control Dortmund Berichtsband pp 82 95 1998 SLUG9Y8 SATLAB Users Guide Version 4 0 SatLab LLC Palo Alto CA 1998 SLRG98 SATLAB Reference Guide Version 4 0 SatLab LLC Palo Alto CA 1998 SEL95 SELLE T Steuerung eines mechatronischen Systems mit K nstlichen Neuronalen Netzen Anwendersymposium MIT Aachen 13 15 Dezember 1995 Erfurt Tagungsband pp 116 121 SIM99 SIMULINK Users Manual The MathWorks Inc 1999 THEO http www sst theoinf tu iimenau de sst sst_g html SYS http www Systemtechnik TU IImenau DE fgq sa WS99 WERNSTEDT J SALZWEDEL H et al Abschlussbericht zum Projekt Manuelle F hrung von Unterwasserfahrzeugen in virtuellen Welten T U Ilmenau 1999 ZER99 ZERBE V Report Entwicklung von Methoden und Algorithmen zur Echtzeitlagebestimmung und Steuerung mittels GPS Januar 99 3 Planung und Ablauf des Vorhabens Die Planung des Verbundprojektes erfolgte in gegenseitiger Abstimmung mit den am Projekt beteiligten Partnern Die Aufgabenstellung und der zeitliche Verlauf der einzelnen Bearbeitungsphasen wurden in einer mit allen Partnern abgestimmten Vorhabensbeschreibung zum Verbundprojekt DeepC festgelegt Nach Erarbeitung der endg ltigen Gesamtkonzeption DeepC hatten sich auch f r das Teilprojekt Pr diktives F hrungssystem wesentliche Mehraufwendungen ergeben di
69. Regelbasis wobei durch die Kombination mit Fuzzy Methoden sehr gute M glichkeiten der Verarbeitung von unscharfen Informationen gegeben sind Verfahren des maschinellen Lernens wurden au erdem bei zahlreichen Praxisprojekten eingesetzt wie z B der Steuerung von Talsperren zur Vermeidung von Hochwassersituationen KRS94 zur Analyse von Wechselwirkungen bei Biosignalen des Herz Kreislaufsystems OM98 und der Beschreibung von Deformationsprozessen bei Talsperren HEIY9 K nstliche Neuronale Netze stellen seit vielen Jahren einen Lehr und Forschungsschwerpunkt des Fachgebietes Systemanalyse dar Hierbei werden vor allem Probleme der Modellbildung der Steuerung Regelung und der Klassifikation zur Entscheidungsfindung behandelt OT T95a SEL95 Das Fachgebiet Systemanalyse arbeitete in einem Industrieprojekt mit dem Projektpartner STN ATLAS Elektronik GmbH bei der Softwareentwicklung zur Simulation und F hrung von ROVs zusammen Diese Arbeit vermittelte ein Verst ndnis f r praktische und theoretische Zusammenh nge in der Unterwassertechnik So wurden umfangreiche Kenntnisse zum dynamischen Verhalten und zur F hrung von Unterwasserfahrzeugen gewonnen Die T tigkeitsfelder des Fachgebietes System und Steuerungstheorie THEO sind e Mobile Satelliten Kommunikationssysteme Seit einigen Jahren arbeitet die Arbeitsgruppe System und Steuerungstheorie auf dem Gebiet der mobilen Satellitenkommunikation Hier ist ein Mission Level Design
70. Tool entwickelt worden Projekt mit Cadence Design Systems das es zum einen gestattet die Dynamik Sichtbarkeit und Abdeckung von Satellitensystemen SLRG98 zu analysieren und zu animieren und zum anderen Positionsberechnungen von Konstellationen vorauszuberechnen In Verbindung mit dem Discrete Event Network Simulator BONeS 6 Teilprojekt 6 Pr diktives F hrungssystem FKZ 03SX104E DeepC Aktiv autonomes Unterwasserfahrzeug f r gro e Tauchtiefen Designer sind Trade off Untersuchungen bei der Dimensionierung von Satellitensystemen m glich SLUG93 e Parallele Systeme Weiteres Know how war durch die langj hrige Forschungsarbeit auf dem Gebiet Parallele Systeme und speziell der Parallelisierung komplexer Algorithmen und Implementierung auf verteilten Rechnerarchitekturen vorhanden HZ94 Von besonderem Wert ist eine gemeinsame Arbeit mit dem Fachgebiet Neuroinformatik der TU Ilmenau zur Thematik Merkmalsextraktion aus Bildern und Parallelisierung mit Hilfe Neuronaler Netze GH93 e Mission Level Design MLD Hauptforschungsschwerpunkt der Gruppe ist Mission Level Design Die Arbeitsgruppe besch ftigte sich mit MLD Methoden bereits innerhalb des Projektes Entwicklung von Methoden und Algorithmen zur Echtzeitlagebestimmung und Steuerung mittels GPS Th ringen die es erm glichen aus einer Gesamtsystemspezifikation KRS94 Algorithmen automatisch in Hardware Software zu bersetzen Das entwickelte Softwaresystem
71. UV In Proceedings of the twelfth international scientific and applied science conference ELECTRONICS ET 2003 Sozopol Bulgaria 2003 Lie02 Liebezeit Thomas Mission Level Design of Autonomous Underwater Vehicles In Nahavandi Saeid Hrsg Proceedings of the First International ICSC Congress on Autonomous Intelligent Systems ICAIS 2002 Geelong Australia NAISO ICSC NAISO Academic Press 02 2002 online lt http www deepc auv de deepc bibliothek pdf icais pdf gt LZO4 Liebezeit Thomas Zerbe Volker A Validation Environment for Mission Level Design of Autonomous Underwater Vehicles In Proceedings of the 49 Internationales Wissenschaftliches Kolloguium Ilmenau Germany 2004 LZLO3 Liebezeit Thomas Zerbe Volker L ffler Tino A Framework for Mission Level Design In Proceedings of the Twelfth IASTED International Conference on Applied Simulation and Modelling ASM 2003 Marbella Spain 2003 online lt http sahara theoinf tu iimenau de research publications documents 2003 asm2003 pdf gt MLDO3 X MLDesigner Technologies Inc MLDesigner Product Homepage online lt http www mldesigner com gt 2003 8 Sch00 Schorcht Gunar Entwurf integrierter Mobilkommunikationssysteme auf Missionsebene Ed 1 Berlin Logos Verlag 2000 3 IZRLO1 Zerbe Volker Radtke Torsten Liebezeit Thomas Mission Level Design in Robotics In Proceedings of 10th International Workshop on Robotics in Alpe Adria D
72. Ver nderungen am Missionsplan in diesem Fall durch eine Planoptimierung f hren Mit Hilfe all dieser Daten kann eine Bewertung der aktuellen Situation und gegebenenfalls eine Modifikation des Missionsplanes realisiert werden 6 1 3 Wissensbasierte berwachung der Mission Die wissensbasierte berwachung ist das zentrale Element des Missionsmanagements da sie im Wesentlichen die Intelligenz des Systems beinhaltet Sie wird mit Hilfe eines regelbasierten Systems durchgef hrt und ermittelt die in einer bestimmten Situation auszuf hrenden Ver nderungen am Missionsplan Im Folgenden sollen die wichtigsten Grundlagen dargelegt werden die f r die wissensbasierte berwachung der Mission notwendig sind Nach einem berblick zu dem allgemeinen Aufbau und der Arbeitsweise regelbasierter Systeme im ersten Teil dieses Kapitels wird das neue Konzept der Missions berwachung und seine Integration in das intelligente Missionsmanagement vorgestellt 6 1 3 1 Aufbau und Arbeitsweise regelbasierter Systeme Regelbasierte Systeme und besonders regelbasierte Expertensysteme nutzen spezifisches Wissen um Probleme analog zu einem menschlichen Experten zu l sen Ein Experte zeichnet sich durch Sachverstand in einem bestimmtes Gebiet aus der f r die Allgemeinheit der Menschen nicht verf gbar ist Dadurch ist er in der Lage Probleme einfacher schneller oder auch genauer zu l sen als jeder andere Das Wissen eines Experten ist dabei in der Regel auf eine
73. ahl von Bl cken an Es verf gt ber Bl cke zur Kurvendarstellung 2D Plot und zur Anzeige von Zahlenwerten Des weiteren stehen ber die Tcl Tk Anbindung diverse einfache Ausgabem glichkeiten bereit Zus tzlich lassen sich die Daten zur Weiterverarbeitung in Dateien schreiben Damit stellt MLDesigner die grundlegenden M glichkeiten f r eine Auswertung von Simulationsergebnissen bereit F r den Einsatz im Rahmen des Mission Level Designs ergeben sich jedoch drei prinzipielle Probleme Teilprojekt 6 Pr diktives F hrungssystem FKZ 03SX104E 119 DeepC Aktiv autonomes Unterwasserfahrzeug f r gro e Tauchtiefen e Vermischung Die Aufbereitung der Daten f r die Darstellung erfolgt in MLDesigner durch zus tzliche Bl cke die den Darstellungsbl cken vorgelagert sind Abbildung 6 100 Beispiel mit Aufbereitung Ein Beispiel gibt die Abbildung 6 100 Um die Ausgabe der Funktionsbl cke F1 und F2 mit P darstellen zu k nnen werden die der Aufbereitung dienenden Bl cke A1 und A1 zwischengeschaltet Sie finden nur in der Darstellung Verwendung MLDesigner vermischt an dieser Stelle zwei verschiedene Aufgaben Es integriert die Aufbereitung der Daten f r die Simulationsauswertung in die Modellierung was die Interpretierbarkeit des Modells negativ beeinflusst e Fenster Ein weiteres Problem besteht in der Tatsache dass MLDesigner f r jeden der Ausgabebl cke ein Fenster mit dem zugeh rigen Plot erzeugt Dabei l sst s
74. allem umfangreiche Literaturstudien auf den bearbeiteten Gebieten Das Einsatz oder Missionsmanagementsystem stellt die oberste Ebene in der Softwarestruktur des Fahrzeuges dar Seine Aufgaben bestehen in der Durchf hrung der Kontrolle und eventuell der Umplanung einer Mission F r solch ein komplexes System existieren verschiedenste Ans tze zur Modellierung Logische Programmiersprachen Fuzzy Algorithmen Petrinetze und endliche Automaten stellen neben weiteren derzeitig den aktuellen Stand dar In die Systeme eingebettet werden auch die Aktionen bei Nichterf llbarkeit eines Missionsabschnittes also die Missionskontrolle und umplanung Der Vorteil dieser Vorgehensweise liegt in dem einfacheren Aufbau des Einsatzmanagementsystems im Fahrzeug da die gesamte Intelligenz im Vorfeld geplant wird Nachteilig wirken sich der h here Aufwand der Missionsplanung und die Anf lligkeit gegen ber Eingabefehlern aus Sehr verbreitet sind Beschreibungen in Form logischer Programmiersprachen Prolog und Petrinetze MHM96 OPSS9Y6 In Abbildung 4 1 ist beispielhaft eine verallgemeinerte Mission mit den Missionsabschnitten Zust nde P1 bis P4 sowie den U berg ngen zwischen den Zust nden Transitionen t1 bis t5 als Petrinetz dargestellt Aus jeder Situation muss mindestens ein Ubergang zum Abbruch der aktuellen Mission definiert werden Dies erfordert sehr viel berlegung bei der Planung wenn nicht nur der Abbruch der Mission als einziger Ausweg ge
75. an Hindernisvermeidungsalgorithmen gestellt Teilprojekt 6 Pr diktives F hrungssystem FKZ 03SX104E 9 DeepC Aktiv autonomes Unterwasserfahrzeug f r gro e Tauchtiefen t3 t1 t2 Missionsstart Missionsende pm i Missionsabbruch Abbildung 4 1 Petrinetz einer Mission In FLY95 wird eine hierarchische Struktur f r die Hindernisvermeidung verwendet Die Fuzzy Theorie wird vielfach als L sungskonzept zur Hindernisvermeidung eingesetzt GVTM99 BIT ZHA94 In SE94 wurde eine numerische L sung zur Ermittlung optimaler Steuertrajektorien beschrieben Hierbei wurde die Fahrzeugdynamik durch ein mathematisches Modell nachgebildet Der Einfluss von Umweltbedingungen Wind Wellen Str mung bei der Generierung von Ausweichman vern wurde in XLJY98 ber cksichtigt Ein Ansatz welcher optimale Man ver auf der Grundlage der Fuzzy Theorie unter Ber cksichtigung der Eigendynamik des AUVs und von Umwelteinfl ssen beschreibt wurde nicht gefunden Eine Ber cksichtigung des m glichen Ausfalls von Sensoren und oder Aktoren fand bei keinem der bekannten Hindernisvermeidungsalgorithmen f r AUVs statt F r die reaktive Ebene des Hindernisvermeidungssystems wurde ein neues Verfahren entwickelt welches auf den Arbeiten von GUL95 GUL97 basiert Das bei diesem Verfahren notwendige Zusammenfassen von Ellipsen zu einer Ellipse mit minimalen Fl che erfolgte durch Algorithmen von GS98 siehe Abschnitt F r die Pfadsuche in de
76. ance System for an Autonomous Underwater Vehicle In Proceedings of the International Symposium on Underwater Technology Taipei Taiwan April 20 23 2004 Eichhorn M An Obstacle Avoidance System for an Autonomous Underwater Vehicle 49 Internationales Wissenschaftliiches Kolloquium Technische Universit t Ilmenau 27 30 September 2004 Eichhorn M A Control System for an Autonomous Underwater Vehicle in Special Situations 4 Biannual NRC IOT Workshop on Underwater Vehicle Technology National Research Council Canada Institute for Ocean Technology St John s Newfoundland Canada 14 15 October 2004 136 Teilprojekt 6 Pr diktives F hrungssystem FKZ 03SX104E DeepC Aktiv autonomes Unterwasserfahrzeug f r gro e Tauchtiefen Eichhorn M Ein Hindernisvermeidungssystem f r Autonome Unterwasserfahrzeuge at Automatisierungstechnik Volume 52 Issue 11 pp 514 525 2004 Pf tzenreuter T An Onboard Mission Replanning System for Autonomous Underwater Vehicles 11th Mediterranean Conference on Control and Automation Rhodos Griechenland 17 20 Juni 2003 Pf tzenreuter T Advanced Mission Management for Long range Autonomous Underwater Vehicles MTS IEEE Oceans 2003 San Diego USA 22 26 September 2003 Pf tzenreuter T Intelligent Mission Management for Autonomous Mobile Systems 49 Internationales Wissenschaftliches Kolloquium Ilmenau 27 30 September 2004 Otto P Machine Learning
77. ang DAM Datenaufbereitungs modul Regelbasis WENN FIS FIS DANN Datenbank FuzzyMod Lernsystem Abbildung 6 74 Versuchsaufbau f r Lern und Testzwecke 6 3 5 1 Datenaufbereitungsmodul Dieses Modul dient der Umwandlung von absoluten Fahrzeugdaten wie Absolutposition geschwindigkeit sonardaten in relative Daten wie dem Winkel und dem Abstand zum Ziel oder dem Winkel und dem Abstand zum Hindernis Abbildung 6 75 Dies reduziert drastisch die zur Datenerfassung durchzuf hrenden Experimente Dies ist nachvollziehbar da aus absoluten Variablen eine geringere Anzahl relativer Variabler erzeugt wird So entstehen z B aus den sechs absoluten Variablen AUV Position x y z und Hindernisposition xn Yn Zu nur zwei relative variable Winkel a und Abstand r zum Hindernis Es wird angenommen dass das Unterwasserfahrzeug seine Position mit einer bestimmten Genauigkeit kennt und dass die feste Zielposition auch bekannt ist die durch globale Planung erzeugten tempor ren Zielpunkte werden hier auch als fest bezeichnet weil sie im Voraus bestimmt werden und a priori bekannt sind Das Unterwasserfahrzeug hat interne oder virtuelle Sensoren um seinen eigenen Zustand zu bestimmen Um das Unterwasserfahrzeug optimal steuern zu k nnen werden die folgenden Sensoren ben tigt das sind die Variablen die das Datenaufbereitungsmodul zumindest zur Verf gung stellen soll
78. anube region RAAD 01 Vienna Austria 2001 7 Voraussichtlicher Nutzen insbesondere Verwertbarkeit der Ergebnisse im Sinne des fortgeschriebenen Verwertungsplanes Die Markterhebungen verschiedener Studien und europ ischer Forschungsvorhaben zeigen dass die Entwicklung selbstangetriebener unbemannter autonom operierender Unterwasserfahrzeuge weltweit immer mehr an Bedeutung gewinnt Dies liegt darin begr ndet dass sie gegen ber der aktuellen ROV Technologie ein erheblich gr eres Potential hinsichtlich Kostenminimierung Effektivit t und Handhabung aufweisen Der vorteilhafte Einsatz von AUVs wird auch aus der Sicht von ROV Betreibern best tigt Teilprojekt 6 Pr diktives F hrungssystem FKZ 03SX104E 135 DeepC Aktiv autonomes Unterwasserfahrzeug f r gro e Tauchtiefen Die in dem Teilthema pr diktives F hrungssystem vorgeschlagenen neuen Methoden f r ein intelligentes Verhalten von AUVs bzw f r die Unterst tzung des gesamten Hard und Softwareentwurfs konnten erfolgreich gel st werden Bei ersten Flachwassertests in der Ostsee konnte die Funktionsf higkeit der neu entwickelten Methoden beim Einsatz in einem anderen Testfahrzeug nachgewiesen werden e Die am Projekt DeepC beteiligten Mitarbeiter Dipl Ing Mike Eichhorn Dipl Ing Thorsten Pf tzenreuter Dipl Ing Thomas Liebezeit Dipl Ing Divas Karimanzira nutzten die erzielten Ergebnisse f r ihre Graduierungsarbeiten zum Dr Ing Herr Karimanzira hat s
79. arbeitsaufwendig und zudem stark fehleranf llig e Zweitens f hrt die Simulation diverser Missionen mittels ein und desselben Modells dazu dass f r alle n tigen Ausgabedaten entsprechende Ausgabem glichkeiten im Modell vorgesehen werden m ssen Da jedoch nicht alle Ausgaben f r die Auswertung jeder Mission von Bedeutung sind ist eine Selektion der Daten notwendig die in direktem Zusammenhang mit den Missionen steht Die Konfiguration der Selektion aber auch die der Visualisierung ist dabei missionsabh ngig missionsbedingt aber konstant ber die verschiedenen Simulationsl ufe einer Mission Zur L sung der beschriebenen Probleme wird ein erweitertes an das Mission Level Design mobiler automatischer Systeme angepasstes Konzept f r die Durchf hrung der Simulation vorgestellt Dieses besitzt eine neue Phase der Missionshandhabung in der zentral die Missionserstellung und verwaltung erfolgt Das Modell wird auf diese Weise vor jeder Simulation automatisch mit einer Mission konfiguriert wodurch sich die Arbeit mit den Missionen erheblich beschleunigen und die Fehleranf lligkeit minimieren l sst Zudem entspricht eine zentrale Handhabung dem Mission Level Design Prinzip nach welchem die Missionen einen Teil der zentral festzuschreibenden Spezifikation darstellen Des weiteren fordert das Konzept f r die Auswertung eine erweiterte Funktionalit t damit diese den spezifischen Anforderungen des Umgangs mit Missionen gerecht wird
80. are Menge von Variablen oder Gegenst nden mit vertretbarem Zeitaufwand liefern MT90 Mur95 Dazu geh ren unter anderem Verfahren der Dynamischen Programmierung Branch and Bound Tabu Search oder auch Suchverfahren wie Genetische Algorithmen Das Optimierungsproblem f r die zu l sende Aufgabe besitzt das gleiche G tefunktional wie das Rucksack Problem Die Nebenbedingungen unterscheiden sich jedoch grunds tzlich W hrend das Rucksack Problem lineare eindimensionale Bedingungen besitzt stellt die in dieser Arbeit zu l sende Aufgabe ein nichtlineares mehrdimensionales Optimierungsproblem dar Das ergibt sich aus der Ermittlung des Kostenvektors eines Planelementes da die Nichtrealisierung x 0 in Analogie zum L schen eines Planelementes meist ein F llplanelement erfordert C x 1 Kosten des Planelementes C xXx l e er X 0 Kosten des F llplanelementes Wird weiterhin ber cksichtigt dass eine Planbereinigung entsprechend Abschnitt 6 1 4 2 5 im Anschluss an die Zusammenstellung des sich durch den Optimierungsvektor X ergebenden Missionsplanes durchgef hrt wird so k nnen die Kosten f r die Nichtrealisierung eines Man vers ohne Beachtung der vorhergehenden und nachfolgenden Planelemente nicht bestimmt werden Das liegt daran dass durch ein m gliches Zusammenfassen mehrerer F llplanelemente zu einem kombinierten Element die Kosten nicht mehr nur vom betrachteten Man ver abh ngen Aus diesem Grund sind die
81. chneiden werden zu Kanten des Graphen Abbildung 6 49 zeigt einen so generierten Graphen mit der im Projekt verwendeten elliptischen Hindernisform Ist das Operationsgebiet sehr gro wird mit einem Sektorisierten Sichtbarkeitsgraphen gearbeitet Jac04 Hier werden nur die Linien zwischen den Knoten von benachbarten Sektoren auf Schnitt mit den Hindernissen berpr ft und in den Graphen 66 Teilprojekt 6 Pr diktives F hrungssystem FKZ 03SX104E DeepC Aktiv autonomes Unterwasserfahrzeug f r gro e Tauchtiefen eingebunden Diese Vorgehensweise spart erheblichen Rechenaufwand senkt die Datenumfang des Graphen und f hrt zu keiner nennenswerten Verschlechterung der generierten Wege gegen ber einem vollst ndigen Sichtbarkeitsgraphen TE Fe nn u u eg EHEN RT NHL REED Ar WOE RN RLI SA KD V S PN TE Abbildung 6 49 Sichtbarkeitsgraph 6 2 5 1 1 2 Quadiree Octreegraph Bei diesem Verfahren wird das Operationsgebiet in quadratische 2D Raum bzw kubische 3D Raum Sektoren unterteilt In Abh ngigkeit von darin vorhandenen Hindernissen k nnen sie den Zustand frei belegt oder teilweise belegt besitzen Teilweise belegte Sektoren werden rekursiv weiter geteilt bis eine maximale Teilungstiefe bzw eine minimale Sektorgr e erreicht wurde Als frei oder belegt klassifizierte Sektoren werden nicht weiter geteilt So findet eine systematische Zerlegung des Operationsgebietes analo
82. chs Wasser Vranr x Marschgeschwindigkeit dem Betrag und der Richtung des Str mungsvektors Vsr mung sowie der Richtung des Wegabschnittes X ayy Sie kann durch eine geometrische Schnittberechnung zwischen einer Linie und einem Kreis 2D bzw Kugel 3D SE03 auf der Basis von Abbildung 6 51 nach den folgenden Beziehungen ermittelt werden unit V Bahn _ef X Bahn_dir Linie x V pam e 6 7 2 Fahr _kf x V Str mung Kreis Kugel v 2 me uni T 2 T disc as V Str mung T V Fahr _if V Str mung V Str mung f r disc gt Q 6 8 unit T 7 Vpahn_ef u X Bahn _dir V sromung Vdisc Abbildung 6 51 Definition der Geschwindigkeitsvektoren Wird die Diskriminante negativ bedeutet dies dass das Fahrzeug nicht mehr auf dem Wegabschnitt gehalten werden kann siehe Abbildung 6 52 Ist die Geschwindigkeit Vgann ef negativ h lt sich das Fahrzeug noch auf dem Wegabschnitt f hrt aber r ckw rts siehe Abbildung 6 53 Beide F lle m ssen durch Setzen eines gro en Zahlenwertes f r das Kantengewicht Ber cksichtigung finden So werden solche Wegabschnitte bei der Suche ausgeschlossen und es kommt nicht dazu dass ein Fahrzeug in eine starke Gegenstr mung ger t und dadurch die Sollroute verl sst 68 Teilprojekt 6 Pr diktives F hrungssystem FKZ 03SX104E Bahn 7 ee 1 r Abbildung 6 52 Negative Diskriminate Abbildung 6 53 v e Ist negativ Bei Verwendung der oben besch
83. d erkannt markiert werden 6 4 3 3 3 Computer In der Auslastung der Prozessoren zeigt sich wie gut die Ressource Prozessorarbeit dimensioniert ist Abbildung 1 24 stellt die Ergebnisse der Simulation f r beide Prozessoren dar Computer 1 verzeichnet eine relativ konstante Grundlast w hrend Computer 2 eine sporadische Nutzung aufweist 6 4 3 3 4 Energie Neben der f r eine Mission ben tigten Energiemenge ist vor allem der Verlauf des Energieverbrauches von Interesse Abbildung 1 25 bietet eine entsprechende Darstellung f r die Brennstoffzelle Deren F llstand nimmt im Missionsverlauf kontinuierlich von 100 Prozent auf einen Wert von 99 4 Prozent ab Teilprojekt 6 Pr diktives F hrungssystem FKZ 03SX104E 133 Eile Plugin Animation Eile Plugin Animation fuelcell computer Saas apa ea aa mn a a FE nn see IE AE PETER ONE TITEL SEE EEE ET EELETE TERN SPEAR AE N EN OE ME ET E E EE ERS 2000 3000 4000 computer computer2 FUELGELL fuelcell gt FUELCELL ime Abbildung 6 120 Prozessorauslastung Abbildung 6 121 F llstand der Brennstoffzelle 6 4 3 3 5 Fazit Die aus der Beispielmission abgeleiteten Ergebnisse lassen sich wie folgt zusammenfassen 1 Der vorgegebene Missionsplan wurde korrekt abgefahren Abtauchen M ander Auftauchen 2 Alle platzierten Objekte wurden vom Sonar und der zugeh rigen Auswertung erkannt 3 Die Computer sind wenig ausgelastet und verf gen in dieser
84. darf Abbildung 6 17 Durch diese Bedingung wird stets der kleinste Innenwinkel der Dreiecke maximiert Teilprojekt 6 Pr diktives F hrungssystem FKZ 03SX104E 35 DeepC Aktiv autonomes Unterwasserfahrzeug f r gro e Tauchtiefen Punkt 2 4 LT Punkt X a b Abbildung 6 17 Delaunay Abbildung 6 18 Datenstruktur eines Dreiecks a und Navigation innerhalb Triangulation mit Umkreisen des dreiecksvermaschten Netzes b Die interne Datenstruktur des dreiecksvermaschten Netzes ist auf eine effiziente Arbeitsweise optimiert Dev93 Jedes Dreieck besitzt Verweise auf die drei Eckpunkte sowie die benachbarten Dreiecke Abbildung 6 18 a Damit ist eine schnelle Navigation innerhalb der Datenbasis m glich was besonders wichtig f r die Pr fung eines Missionsplanes ist So kann in k rzester Zeit ein den Punkt Po A umschlie endes Dreieck gefunden und daraufhin sehr effektiv eine Liste der Dreiecke bestimmt werden die die Strecke von Po nach P ber hren Abbildung 6 18 b 6 1 5 2 Pr fung des Missionsplanes Ziel der Missionsplanpr fung ist es eine Aussage ber die Fahrbarkeit einer geplanten Mission zu treffen Dazu ist eine Reihe von Operationen notwendig Abbildung 6 19 Der Plan wird zun chst in seine Planelemente aufgespalten Je nach Art eines Elementes k nnen unterschiedliche geometrische Figuren als Beschreibungsform gefunden werden die die Fahrkurve des mobilen Systems bei der Planrealisierung repr s
85. das Entwurfsmodell bertragen Dabei k nnen Anderungen am Design des Systems vorgenommen werden 5 Eine andere M glichkeit besteht in der Anpassung der Auslegung der Systemkomponenten ber eine Anderung ihrer Systemparameter in MLEditor 6 6 4 3 DeepC Gesamtsystemmodell und Beispielmission 6 4 3 1 Gesamtsystemmodell Ein weiterer wesentlicher Bestandteil dieser Arbeit neben der Kl rung der Frage wie die Simulation auf Missionsebene f r DeepC durchgef hrt werden kann bestand in der Erstellung eines Gesamtsystemmodells f r das autonome Unterwasserfahrzeug AUV DeepC Diese Umsetzung der DeepC Spezifikation soll im Folgendem allgemein vorgestellt werden Abbildung 6 102 zeigt eine graphische bersicht des mit MLDesigner erstellten Gesamtsystemmodells In der graphischen Darstellung werden die einzelnen Komponenten durch Bl cke symbolisiert Befindet sich ein Block innerhalb eines anderen handelt es sich bei ihm um ein Subsystem Damit gilt Teilprojekt 6 Pr diktives F hrungssystem FKZ 03SX104E 123 DeepC Aktiv autonomes Unterwasserfahrzeug f r gro e Tauchtiefen DeepC Gesamtsystemmodell Autonomes F hrungssystem Energie erzeugungs Dolog modul p Str mungs Computersystem model zessor Hinder Seeboden modell Abbildung 6 102 Gesamtsystemmodell bersicht e n Ebene Auf der obersten Ebene besteht das Gesamtsystemmodell aus dem AUV und seiner Umwelt e n 1 Ebene Auf der n
86. dem Optimierungsverfahren keine optimale L sung garantiert Durch die Anwendung der relativen Wertigkeiten wird jedoch stets ein gutes Ergebnis erreicht In den F llen mit einem geringen Energiedefizit kann durch das Optimierungsverfahren die L sung mit einer kleineren Anzahl von Schritten gefunden werden da bedingt durch die Sortierung aller m glichen Man verkonfigurationen die L sung des Problems bereits nach wenigen Berechnungen vorliegt Mit zunehmendem Defizit und damit auch mit zunehmendem Abstand der L sung von der Startkonfiguration innerhalb der sortierten Liste erh ht sich der Berechnungsaufwand bei gro en Man verzahlen sogar drastisch Die Ursache daf r liegt in der bereits angesprochenen Komplexit t des Problems Die Heuristik arbeitet im Gegensatz dazu mit einer der Anzahl an Optimierungsvariablen entsprechenden Schrittzahl Bei steigender Man verzahl oder gr er werdendem Energiedefizit liegt die Laufzeit dieser Methode erheblich unter der des Optimierungsverfahrens Die Qualit t der L sung also der Wert des entstehenden Missionsplanes ist dabei jedoch identisch oder geringf gig schlechter Das Optimierungsverfahren erzielte in den Testbeispielen durch die Auswahl anderer Man verkonfigurationen maximale Verbesserungen von ca 2 10 Prozent gegen ber der Heuristik Die Umschaltung zwischen den beiden Methoden erfolgt f r das AUV DeepC abh ngig von der zu optimierenden Man veranzahl Damit ist garantiert das
87. dene Kreis wird auch als Sicherheitszone bezeichnet Gul97 Befindet sich das Fahrzeug auf der dem Zielpunkt abgewandten Seite und f hrt in der N he der Symmetrieachse des Dipols wird es erst kurz vor Erreichen des Hinderniskreises zum Umfahren des Hindernisses gebracht siehe Abbildung 6 58 Dabei sind starke Lenkkommandos notwendig um das Fahrzeug auf der vorgegebenen Gradientenlinie zu halten Des Weiteren entspricht die Form der Gradientenlinien in diesem Bereich und an den seitlichen Vorbeif hrungen nicht einer wegoptimalen Fahrtroute Diese Effekte nehmen mit gr er werdenden Parametern von R und D zu Sie sollen durch die geometrische Konstruktion von Gradientenlinien zur wegoptimalen F hrung im neuen Verfahren beseitigt werden 6 2 5 2 2 Erzeugung von Gradientenlinien durch geometrische Konstruktion Einf hrend sei an dieser Stelle erw hnt dass die in diesem Abschnitt erzeugten Gradientenlinien keine physikalischen Vorbilder haben Sie sollen lediglich zu einer wegoptimalen Fahrtroute f hren Hierzu wird das Operationsgebiet in einzelne Sektoren aufgeteilt siehe Abbildung 6 59 Die Einteilung der Sektoren erfolgt in Abh ngigkeit der Fahrzeugposition Xpan Vom Hinderniszentrum Xina und vom Zielpunkt Zielpunkt Hindernis Abbildung 6 59 Einteilung des Operationsgebietes in Sektoren Wenn die Bedingung Xrahr XHina lt R erf llt ist befindet sich das Fahrzeug im Inneren des Sicherheitskreises Es ist der
88. der Abbildung 6 33 dargestellten Ma nahmen beim Einplanen eines Event Man vers Dabei wird das aktuelle Man ver unterbrochen das GPS Update eingef gt und anschlie end der verbleibende Teil des noch nicht vollst ndig realisierten Man vers fortgesetzt Wird eine zu gro e vertikale Entfernung des AUV von der geplanten Fahrstrecke erkannt muss ein Tiefenausgleich mit Hilfe eines vertikalen Transits durchgef hrt werden Die zugeh rige Anforderung wird durch den Autopiloten kurz vor Beendigung eines Man vers erzeugt wenn die geplante Endtiefe nicht erreicht werden kann Die Missionsumplanung generiert daraufhin je nach Notwendigkeit ein Auf oder Abtauchman ver im Anschluss an das aktuelle Planelement 6 1 6 4 6 Geografische Planpr fung und modifikation Die geografische Planpr fung wird im Anschluss an jede Umplanung durchgef hrt um eine Gef hrdung des AUV durch die Modifikation des Planes auszuschlie en Als Beispiel zur Darstellung der Arbeitsweise der Planpr fung und einer sich im Fall auftretender Kollisionen anschlie enden geografischen Planmodifikation wurde ein Missionsplan erstellt der in der Eckernf rder Bucht beginnt und in die offene See f hrt Abbildung 6 34 Bei einer angenommenen Entfernung des zweiten Man vers Q Route 2 und der sich aus der anschlie enden Planbereinigung ergebenden Zusammenfassung mit dem Man ver Transit 1 entsteht eine nicht fahrbare Route f r das AUV Bei der geografischen Planpr fung werden
89. dernisses anew wie in Abbildung 6 76 dargestellt von den Eing ngen der Hindernisposition Xr Yn Zn der Unterwasserfahrzeug Position Aauv x y z dem Teilungswinkel angx dem Hindernisradius ra und der Hindernish he hn berechnet Dies geschieht durch folgende Prozedur Es werden systematisch Punkte auf der Hindernisoberfl che mit Hilfe von angx 8 ausgew hlt und anschlie end f r jeden selektierten Oberfl chenpunkt der Winkel und der Abstand relativ zum Unterwasserfahrzeug c ay berechnet Teilprojekt 6 Pr diktives F hrungssystem FKZ 03SX104E 91 DeepC Aktiv autonomes Unterwasserfahrzeug f r gro e Tauchtiefen 0 Zu Za 0 5 an Zi Pi ang EN e w Er et ay X Y Z Abbildung 6 76 Abst nde und Richtungen der Oberfl chenpunkte el Im n chsten Verarbeitungsschritt wird der Sonarsichtbereich Abbildung 6 77 in die Zellen 1 24 aufgeteilt und f r jeden selektierten Oberfl chenpunkt des Hindernisses der Winkel und der Abstand relativ zum AUV az ay berechnet Alle Oberfl chenpunkte die in der Richtung des Sonarzelle i liegen werden zusammengefasst und der Sonarzelle wird der minimale Abstand von den selektierten Oberfl chenpunkten zugewiesen Wenn kein Objekt in dem Bereich entdeckt wurde wird ein spezieller Wert 220 indiziert freie Sicht ausgegeben Zusammengefasst umfasst der Algorithmus folgende Schritte a Teilen des Sonarbereiches in Zellen 1 2
90. die TU Ilmenau f r Matlab erstellten AUV Modell f r ausgew hlte Umweltszenarien zeigt die Abbildung 6 92 Abbildung 6 95 Die aus dem Regelsystem ermittelten Fahrtrajektorien zeigen das reaktive Ausweichen des AUV bei Hindernissen und bei der Zielansteuerung Die Positionierung der Hindernisse wurde so vorgenommen dass sie f r eine Vielzahl von in der Praxis auftretenden Situationen m glichst repr sentativ ist Teilprojekt 6 Pr diktives F hrungssystem FKZ 03SX104E 107 DeepC Aktiv autonomes Unterwasserfahrzeug f r gro e Tauchtiefen 200 00 400 100 y Richtung 300 100 Richtung 0 a 3D Ansicht Ziel 345 4 200 10 250 200 150 y Richtung Las So s00 Start 400 a00 U 200 100 x Richtung 50 b Ansicht von Oben Abbildung 6 92 Wandverfolgung mit Reiz Reaktion Regeln 108 Teilprojekt 6 Pr diktives F hrungssystem FKZ 03SX104E DeepC Aktiv autonomes Unterwasserfahrzeug f r gro e Tauchtiefen Ziel 46 4 200 5 100 400 300 a x Richtung 200 g a 3D Ansicht Ziel 346 4 200 10 Ziel 200 Eo 346 4 200 5 350 100 300 250 y Richtung n euL 100 Richtung 20 b Ansicht von Oben Abbildung 6 93 Ansteuerung von bzw zu verschiedenen Start und Zielpunkten Teilprojekt 6 Pr diktives F hrungssystem FKZ 03SX104E 109 DeepC Aktiv autonomes Unterwasserfahrzeug f r gro e Tauchtiefen Kiel 5 4
91. diesem zweiten Test werden die Begrenzungsboxen im Raum so ausgerichtet dass sie die kleinste Fl che bzw das kleinste Volumen besitzen und dabei das Man ver bzw das Objekt vollst ndig einschlie en Es werden die Tests e Schnitt Box Box e Schnitt Strecke Box durchgef hrt In Abbildung 6 45 sind die Begrenzungsboxen der einzelnen noch zu untersuchenden Man ver und Objekte dargestellt F r diesen Test wurde eine berscheidungssituation ermittelt So konnte durch die im Vorfeld durchgef hrten vereinfachten Schnittberechnungen mit den Begrenzungsboxen der Berechnungsaufwand von vierzig auf eine exakte Schnittberechnung gesenkt werden Abbildung 6 45 Beschreibung der Man ver und Objekte durch ausgerichtete Begrenzungsboxen 6 2 4 Zielpunktgenerierung Das Submodul Zielpunktgenerierung berechnet w hrend einer Sondersituation Ausweichen oder Identifikation unter Verwendung des aktuellen Missionsplanes und der detektierten Objekte einen Rendezvouspunkt mit der Sollroute des Missionsplanes Dieser Punkt wird dabei so geplant dass m glicht wenig Verluste an durchzuf hrenden Missionsaufgaben durch nicht befahrene Man verelemente entstehen Im Ausweichmodus entspricht dieser Punkt den anzufahrenden Zielpunkt siehe Abschnitt 6 2 5 Bei aktiven Identifikationsmodus wird nach Durchf hrung der Identifikationsaufgabe intern im Modul FIS in den Zustand Ausweichmodus gewechselt Das Fahrz
92. e Ansatz f r die Parametrisierung eignet sich lediglich f r flache Modellhierarchien mit wenigen Parametern Die Modellierung mobiler automatischer Systeme f hrt jedoch zu stark hierarchisch gegliederten Modellen Somit m ssen die Parameter ber mehrere Ebenen hinweg verlinkt werden Angesichts der gro en Zahl von Verlinkungen werden dadurch Anderungen am Modell erschwert da in diesem Fall alle entsprechenden Verlinkungen angepasst werden m ssen Au erdem birgt dies bei einer gr eren Parameteranzahl schnell die Gefahr der Un bersichtlichkeit Dies resultiert daraus dass sich der Verwendungsort eines Parameters nur feststellen l sst indem die Parameter der einzelnen Bl cke auf ihre verlinkten Parameter hin untersucht werden Die Eingabe von Missionen erlaubt MLDesigner nur durch direkte Vorgabe von Parameterwerten wobei keine Unterscheidung der Parametertypen vorgesehen ist Das bedeutet dass der Nutzer bei der Parametrisierung f r jede Mission selbst entscheiden muss welche Werte wann zu ndern sind Dabei m ssen die Werte f r jede Mission immer wieder von neuem eingeben werden da MLDesigner keine Speicherung von Parametersets vorsieht Es l sst sich zudem keine graphisch oder anderweitig unterst tzte Eingabe realisieren vielmehr ist die Eingabe eine rein textbasierte Wertvorgabe 6 4 2 2 3 Simulationsauswertung F r die missionsspezifische Auswertung der Simulationsergebnisse bietet MLDesigner standardm ig eine Basisausw
93. e Arbeit an einem Man ver unterbrochen das eingef gte Element realisiert und anschlie end das unterbrochene an der gleichen Stelle fortgesetzt an der es beendet wurde Um dies in einem sequentiellen Plan darstellen zu k nnen muss eine zweite Instanz des Planelementes nach dem Element E eingef gt werden Abbildung 6 9 Der im Moment des Abbruchs vorhandene aktuelle Erf llungsgrad eat von PE wird als Starterf llung ea f r die Kopie PE eingesetzt so dass dessen Startposition mit der Unterbrechungsposition der ersten Instanz des Man vers identisch ist Auch hier kann es notwendig sein dass F llman ver vor und nach dem eingef gten Planelement in den Missionsplan aufgenommen werden m ssen PEE EIER PE o ne REEE p PE Lg RE ER PE lt a ee Abbildung 6 9 Einf gen des Planelementes E in das Element i 6 1 4 2 3 L schen von Planelementen Beim L schen wird das betroffene Man ver aus dem Missionsplan entfernt H ufig ist daraufhin die Kontinuit tsbedingung verletzt da f r die meisten Planelemente x i 2 Xe i 2 gilt Um die Kontinuit t wiederherzustellen wird an die Position des gel schten Man vers ein F llplanelement eingef gt Abbildung 6 10 Bei einem mobilen System muss beispielsweise nach dem L schen eines Planelementes ein Transit von dessen Anfangs zur Endposition eingef gt werden Uber den Typ des Transitman vers entscheidet die zu
94. e Planbereinigung selbst l uft als iterativer Prozess ab und fasst die folgenden Kombinationen von Transitman vern zusammen Abbildung 6 29 a Zwei oder mehrere Transitman ver des Typs Gerade werden zu einem Man ver gleichen Typs kombiniert b Ein zwischen zwei horizontalen Transitman vern angeordnetes Auftauchman ver wird vor dem kombinierten Man ver des Typs Gerade ausgef hrt um das AUV aus Sicherheitsgr nden mit gr erem Abstand zum Meeresboden fahren zu lassen c Analog zur vorangehenden Verfahrensweise erfolgt ein Abtauchen erst nach der Durchf hrung des horizontalen Transits d und e Folgen vertikaler Transitman ver werden abh ngig von dem zu berwindenden resultierenden H henunterschied als einzelnes Abtauch oder Auftauchman ver ausgef hrt Vor Planbereinigung Nach Planbereinigung a Gerade Gerade Gerade b Gerade AUF 25 Gerade Aut Gerade tauchen tauchen c Gerade gt AD gt Gerade Gerade a tauchen tauchen d Auf Auf Ab Auf Ab tauchen tauchen tauchen e Ab Auf Ab Auf Ab tauchen tauchen tauchen Abbildung 6 29 Vorgehensweise bei der Planbereinigung Damit ist es m glich vertikale Transitman ver vollst ndig aus dem Plan zu entfernen So wi
95. e deshalb sind sequentielle Missionspl ne eine weit verbreitete Planungssprache f r autonome Systeme besonders im Bereich von autonomen Luftfahrzeugen UAVs Unmanned Aerial Vehicles oder autonomen Tauchrobotern AUVs Pri00 Leo96 BL99 PEE e PE PE Tee en gt PE Beginn U m Ende 1 2 3 n 1 n Abbildung 6 7 Aufbau eines sequentiellen Missionsplanes Teilprojekt 6 Pr diktives F hrungssystem FKZ 03SX104E 23 DeepC Aktiv autonomes Unterwasserfahrzeug f r gro e Tauchtiefen Eigenschaften von Planelementen Die einzelnen Planelemente des Missionsplanes werden wie bereits in der Definition des Begriffs Missionsplan erw hnt oft auch als Man ver bezeichnet Deshalb wird dieser Begriff im Folgenden auch als Synonym verwendet Jedes Planelement besitzt grundlegende Eigenschaften die in Analogie zu den Operatoren bei den Planerstellungsmethoden der k nstlichen Intelligenz benannt werden sollen Tabelle 6 3 Her89 Bevor ein Planelement durch das System aktiviert werden kann muss der aktuelle Systemzustand dem Anfangszustand des Planelementes entsprechen Je nach Art des autonomen mobilen Systems k nnen unterschiedliche Variablen des Gesamtzustandsraumes f r den Zustandsvektor x benutzt werden So wird ein fliegendes oder tauchendes System zumindest die dreidimensionale geografische Position als Beschreibung des Zustandes verwenden Mit Aktivie
96. e durch einen Aufstockungsantrag abgesichert werden mussten Dadurch ergaben sich auch zeitliche Verschiebungen gegen ber dem urspr nglich geplanten Ablauf des Vorhabens Der Abschluss des Teilprojektes verschob sich auf den 31 05 2004 Dieser Termin wurde wie vorgesehen eingehalten Inzwischen konnten die ersten Tests der im Teilprojekt Pr diktives F hrungssystem erarbeiteten L sungen erfolgreich bei Flachwasserversuchen in der Ostsee mit einer anderen Testplattform absolviert werden 8 Teilprojekt 6 Pr diktives F hrungssystem FKZ 03SX104E DeepC Aktiv autonomes Unterwasserfahrzeug f r gro e Tauchtiefen Die erreichten Ergebnisse wurden auf den turnusm ig durchgef hrten Gesamtprojektberatungen vorgestellt und auf zahlreichen Tagungen im In und Ausland sowie in Zeitschriftenbeitr gen ver ffentlicht Die Teilberichte und die eingehende Darstellung der erzielten Ergebnisse im Abschlussbericht enthalten eine detaillierte Beschreibung der entwickelten Verfahren und deren Einsatz im AUV DeepC 4 Wissenschaftlicher und technischer Stand an den angekn pft wurde Bei der Bearbeitung der einzelnen Aufgabenstellungen wurde von den Erfahrungen auf dem Gebiet der Modellbildung der Steuerung und der Entwicklung wissensbasierter Systeme des Fachgebietes Systemanalyse und des Mission Level Design des Fachgebietes System und Steuerungstheorie sowie dem damaligen Stand der Wissenschaft ausgegangen Die Grundlage bildeten vor
97. e erkannt werden Die Generierung des Graphen erfolgt entsprechend den Aussagen aus Abschnitt 6 1 5 3 In Tabelle 6 5 sind die wesentlichen Kenngr en der resultierenden geografischen Datenbasis des intelligenten Missionsmanagements aufgef hrt Tabelle 6 5 Daten des digitalen H henmodells Kenngr e Wert West Ost Ausdehung 09 00 00 E bis 11 00 00 E ca 130 km S d Nord Ausdehung 54 00 00 N bis 55 00 00 N ca 110 km Wassertiefe 0 33 m Anzahl der St tzstellen 1775 n Anzahl der fahrbaren Wegstrecken 230793 14 6 der maximal m glichen Strecken Yn n 1 1574425 Bei der Vorstellung des Man verkataloges wurde bereits erw hnt dass bei der Planbereinigung bedingt durch die freie Bewegung im dreidimensionalen Raum und die Unterscheidung von drei unterschiedlichen Transitman vern Erweiterungen der in Abschnitt 6 1 4 2 5 vorgestellten Vorgehensweise notwendig sind Im Einzelnen sind folgende Einschr nkungen bei der Bereinigung eines Missionsplanes zu ber cksichtigen Man ver des Typs Gerade d rfen einen maximalen Neigungswinkel nicht berschreiten Diese Begrenzung ergibt sich aus dem zul ssigen Nickwinkel des AUV 46 Teilprojekt 6 Pr diktives F hrungssystem FKZ 03SX104E DeepC Aktiv autonomes Unterwasserfahrzeug f r gro e Tauchtiefen Auf und Abtauchman ver gleichen nur H henunterschiede zwischen Anfangs und Endposition aus die Angaben zu L ngen und Breitengraden m ssen stets identisch sein Di
98. e in einen Rucksack mit dem zul ssigen Gesamtgewicht Cmax passen und dabei den maximalen Gesamtwert Wmax erzielen Steht nun jeder Gegenstand nur ein Mal zur Verf gung so ergibt sich das so genannte 0 1 Rucksack Problem in der folgenden Weise 30 Teilprojekt 6 Pr diktives F hrungssystem FKZ 03SX104E DeepC Aktiv autonomes Unterwasserfahrzeug f r gro e Tauchtiefen Maximiere W x gt WEN n unter den Nebenbedingungen gt GE Ca k l xl kalash a In der Praxis treten derartige Aufgaben h ufig auf so zum Beispiel bei der Finanzplanung oder Projektauswahl Dom95 Obwohl dies das einfachste beschr nkte diskrete Optimierungsproblem darstellt geh rt es zur Komplexit tsklasse NP GJ79 Im Gegensatz zur Klasse P der effizient l sbaren Probleme f r die Algorithmen in einer durch ein beliebiges Polynom begrenzten Rechenzeit ein Ergebnis liefern sind NP Probleme lediglich effizient berpr fbar Das Rucksackproblem ist dar ber hinaus ein Vertreter der NP vollst ndigen Probleme Lag96 Derartige Aufgaben geh ren zu den schwierigsten der Problemklasse NP und ben tigen exponentielle Zeit zur L sungsfindung Durch Anwendung von Heuristiken und Approximationsverfahren mit ann hernd optimalen Ergebnissen kann jedoch die Suche nach eine L sung f r viele dieser Probleme stark vereinfacht werden ACG 99 Gerade f r das Rucksack Problem existieren effiziente Methoden die eine L sung f r eine berschaub
99. e kann zur Abweisung einer Umplanungsanforderung f hren Die Menge aller Fakten die als Statusspeicher dienen repr sentiert dann den internen Zustand des Expertensystems der w hrend der Missionsdurchf hrung regelm ig gesichert werden muss Damit ist gew hrleistet dass bei einem Neustart des Missionsmanagements infolge eines Rechnerausfalls eine uneingeschr nkte Fortsetzung der Arbeit erfolgen kann 6 1 4 Missionsumplanung In diesem Kapitel erfolgt die Beschreibung der f r die Missionsumplanung ben tigten Methoden Nach einer Einf hrung in die prinzipielle Arbeitsweise der Umplanung werden die atomaren und komplexen Umplanungsbefehle ihre Auswirkungen auf den Missionsplan sowie die verwendeten Algorithmen vorgestellt Die geografischen Verfahren zur Planpr fung und Planmodifikation beschlie en die Darlegungen Soweit m glich wird bei den Ausf hrungen von den konkreten Gegebenheiten eines autonomen mobilen Systems abstrahiert Ein Gro teil der Strategien ist nicht auf die Klasse autonomer Systeme beschr nkt und besitzen einen breiteres Einsatzgebiet So wird im Folgenden beispielsweise ein allgemeiner Zustandsvektor f r die Beschreibung des Systemzustandes verwendet der bei einem mobilen System unter anderem aus der Positionsangabe gegen ber einem Referenzsystem besteht 6 1 4 1 Ablauf der Missionsumplanung Die Missionsumplanung beginnt mit der bergabe der zu realisierenden Umplanungsbefehle Abbildung 6 6 Die Befehle w
100. earkombination der Eckpunkte Po P und P2 dargestellt werden P u v w wP0 uP vP 6 1 Liegt P innerhalb des Dreiecks erhalten u v w eine physikalische Bedeutung Sie entsprechen dem Fl cheninhalt der Dreiecke PP P P PP gt und P P P Bei einer Zuweisung U V W 1 3 befindet sich aufgrund der Fl chengleichheit der Punkt P im Schwerpunkt des Dreiecks Aus diesem Grund werden baryzentrische Koordinaten auch als Schwerpunktkoordinaten bezeichnet Sie sind ein weit verbreitetes Beschreibungsmittel in der Finite Element Methode GRT93 und transformieren jedes Dreieck in ein Referenzdreieck wenn w 1 u v gesetzt wird Abbildung 7 Diese Festlegung wird bei den Schnittberechnungen ebenfalls genutzt Baryzentrische Koordinaten sind von dem den Punkten P zugrunde liegenden Koordinatensystem unabh ngig und besitzen deshalb g nstige Eigenschaften f r die Schnittberechnung So kann anhand der Werte f r u v sofort entschieden werden ob der Punkt P zur Dreiecksfl che P P P gt geh rt oder nicht u20 P u v geh rt zum Dreieck gt v20 6 2 u v lt l In MT97 wird ein Verfahren zur Schnittpunktberechnung zwischen Dreiecken und Geraden im dreidimensionalen Raum vorgestellt dass diese Bedingungen verwendet Darin wird eine Gerade durch die Punkte Go und G mit Hilfe eines Parameters t folgenderma en dargestellt G G t G G TEN 6 3 Schnittpunkte existieren genau dann wenn die L sung u v t des Gleichung
101. ebieten der Modellierung der Simulation der Steuerung Regelung des Entwurfs von Entscheidungshilfesystemen f r den Menschen der Methoden der Computational Intelligence des maschinelle Lernens und deren hard und softwaretechnischen Umsetzung in komplexen dynamischen Umgebungen in Technik Medizin und Umwelt Das theoretische und ingenieurtechnische Wissen wurde insbesondere bis jetzt in Projekten W hrend der jahrelangen Arbeit auf dem Gebiet der Fuzzy Theorie wurden im Fachbereich Softwarewerkzeuge f r die Lehre und Forschung entwickelt KMW93 DKO97 EKW97 in denen die aktuellen Projekt und Forschungsergebnisse einflossen EICH95 Durch diese Tools k nnen optimale Fuzzy Systeme nach nutzerdefinierten Anforderungen erstellt werden In diesem Zusammenhang entstand auch die Fuzzy Control Design Toolbox f r MATLAB KMW93 Zum maschinellen Lernen lagen bereits Erfahrungen vor die im Rahmen des durch das BMFT gef rderten Projektes WISCON 7 91 12 94 bei der Wissensakquisition zur Steuerung dynamischer Prozesse WEDP gemacht wurden und in deren Ergebnis ein Programmsystem ILMWISSAK entstanden ist Es erm glicht eine auf die aktuelle Situation bezogene Prognose zuk nftig auszuf hrender Handlungen wenn eine bestimmte Zielstellung vorgegeben ist Die Ermittlung der zuk nftigen Handlungsschritte erfolgt dabei durch Anwendung von Inferenzverfahren auf eine mit dem Programmsystem Fuzzy Opt OTT95b DKO97 gelernte
102. ein Hindernis mehrere Streckenabschnitte des M anders schneitet Abbildung 6 46 zeigt den Algorithmus zur Bestimmung des Zielpunktes m Man h Jobj Pr fung auf berschnei Jon Jon 1 dungen des i ten Man ver IMan Iman 1 mit dem j ten Objekt A A Abspeicherung der Schnittposition X Schnitt Ende der Objektliste ja nein Anfang der Man verliste ja y Zielpunkt Lot der Fahrzeugposition auf das aktuelle Man ver Abbildung 6 46 Bestimmung des Zielpunktes nein 64 Teilprojekt 6 Pr diktives F hrungssystem FKZ 03SX104E DeepC Aktiv autonomes Unterwasserfahrzeug f r gro e Tauchtiefen 6 2 5 Hindernisvermeidungssystem F r das Hindernisvermeidungssystem des Fahrzeuges wurde eine Zweiebenen Struktur favorisiert im Abbildung 6 37 dunkelgrau hinterlegt Die obere Ebene verwendet zus tzlich zu den aktuellen Informationen des Sonars die gesammelten Hindernisdaten der bisherigen Mission sowie die Daten einer digitalen Seekarte Mit diesen Informationen findet eine Wegeplanung auf der Basis geometrischer Graphen statt Die Verfahren hierzu erm glichen es einen optimalen Weg nach definierten Vorgaben in einer kalkulierbaren Zeit zu ermitteln welchem das Fahrzeug folgt Einen berblick ber die bei der Wegeplanung eingesetzten Verfahren gibt Abschnitt 6 2 5 1 Tre
103. eine Dissertation inzwischen erfolgreich verteidigt w hrend sich die drei anderen Mitarbeiter in der Endphase befinden und ihre Dissertationen in n chster Zeit fertig stellen werden e In das Projekt DeepC waren insgesamt 12 wissenschaftliche Hilfskr fte integriert deren Arbeiten ebenfalls ihrer wissenschaftlichen Qualifizierung dienten e Ausgew hlte Ergebnisse des Projektes werden sukzessive in Lehrveranstaltungen des Fachgebietes Systemanalyse einbezogen und verbessern somit die Qualit t der studentischen Ausbildung e Geeignete Technologien des DeepC Projektes werden in anderen Bereichen der Grundlagenforschung des Fachgebietes Systemanalyse zum Entwurf und der F hrung mobiler Systeme angewendet e Die im Zusammenhang mit dem Projekt DeepC entstandenen zahlreichen Ver ffentlichungen sind in Abschnitt 9 aufgelistet 8 W hrend der Durchf hrung des Vorhabens bekannt gewordene Fortschritte auf dem Gebiet des Vorhabens bei anderen Stellen Es sind keine Fortschritte bei anderen Stellen bekannt geworden 9 Erfolgte oder geplante Ver ffentlichungen Eichhorn M Control Tasks in the Development of Underwater Vehicle NRC IMD Seminars Institute for Marine Dynamics National Research Council Canada St John s Newfoundland Canada November 12 2002 Eichhorn Mike Methoden zur F hrung von unbemannten Unterwasserfahrzeugen 37 Regelungstechnisches Kolloquium Boppard 19 21 Februar 2003 Eichhorn M An Obstacle Avoid
104. einer Distanzmatrix in die Datenbasis aufgenommen Abbildung 6 22 Die Kosten unterhalb der Diagonalen entsprechen bei einem ungerichteten Graphen wie dem hier dargestellten denen im oberen Dreieck des Distanzmatrix C j Cj F r nicht erdgebundene Fahrzeuge die sich frei im dreidimensionalen Raum bewegen k nnen ist eine einmalige vollst ndige Bestimmung des Graphen nicht m glich Die Ursache daf r liegt in dem Sachverhalt dass die Fahrbarkeit zwischen zwei dreidimensionalen Punkten im Gel nde von deren Abstand zum Boden abh ngig ist Ein in 10 Kilometer H he fliegender Roboter ben tigt zum Beispiel au er bei Start und Landung keine Informationen ber die Struktur des Terrains da bekanntlich diese H he an keinem Ort der Erdoberfl che erreicht werden kann Soll er jedoch eine Strecke fliegen deren Start und Endposition im Abstand von 250 Meter zum Boden liegen sind vielf ltige Beschr nkungen innerhalb der verf gbaren Routen und damit auch im Graphen zu erwarten Daraus ergibt sich prinzipiell die Notwendigkeit den Graphen anhand der H henangaben im Missionsplan immer wieder neu zu erzeugen Die Ermittlung des Graphen erfordert jedoch durch Berechnung der Fahrbarkeit oder auch Sichtbarkeit zwischen den einzelnen Knoten des TIN einen gro en Rechenaufwand Deshalb kann h ufig nicht w hrend einer Mission eine komplette Neugenerierung des Graphen durchgef hrt werden Als Ausweg wird eine Strategie vorgeschlagen die den
105. ematisch aufwendigen Schnittberechnungen Ebe01 SEO3 Wei03 kann nach Gleichung 6 5 die Gesamtrechenzeit zur Ermittlung einer Kollisionssituation bei einer gro en Man ver und oder Objektanzahl sehr hoch sein Aus diesem Grund und durch die geringe Wahrscheinlichkeit von berschneidungen zwischen den Man vern und Objekten innerhalb des Operationsgebietes wurde ein hierarchisches Konzept zur Bestimmung einer Kollisionssituation entworfen Die Idee besteht in der Nachbildung der geometrischen Formen der Man ver und Objekte durch Begrenzungsboxen auf deren Basis einfache Schnitt berpr fungen durchgef hrt werden k nnen Erst wenn diese berpr fungen erfolgreich waren brauchen die exakten Schnittberechnungen durchgef hrt zu werden Eine Uberlappung der Begrenzungsboxen bildet somit eine notwendige Bedingung f r einen m glichen Schnitt zwischen Man ver und Objekt In einer ersten Stufe wird eine Begrenzungsbox in Form eines achsenparallelen Rechteckes bzw f r den 3D Fall eines achsenparallelen Quaders f r das Man ver und das Objekt definiert Mir93 SEO3 In Abbildung 6 43 sind diese Begrenzungsboxen f r die einzelnen Teilprojekt 6 Pr diktives F hrungssystem FKZ 03SX104E 61 DeepC Aktiv autonomes Unterwasserfahrzeug f r gro e Tauchtiefen Man ver und Objekte eines m glichen Missionsszenarios dargestellt Die Anzahl der hierbei durchzuf hrenden Tests betr gt bei den 10 Basisman vern und den 4 Objekten
106. enau de research publications documents 2003 asm2003 pdf gt Zerbe Volker Radtke Torsten Liebezeit Thomas Mission Level Design in Robotics In Proceedings of 10th International Workshop on Robotics in Alpe Adria Danube region RAAD 01 Vienna Austria 2001 Geplante Ver ffentlichungen Eichhorn Mike A Reactive Obstacle Avoidance System for an Autonomous Underwater Vehicle eingereichter Vortrag zum 16 IFAC World Congress Praga Czech Republic 4 8 July 2005 Pf tzenreuter T Intelligent Mission Replanning for Autonomous Mobile Systems eingereichter Vortrag zum 16 IFAC World Congress Praga Czech Republic 4 8 July 2005 Otto P Machine Learning of Expert Decision or System Behaviour eingereichter Vortrag zum 16 IFAC World Congress Praga Czech Republic 4 8 July 2005 Teilprojekt 6 Pr diktives F hrungssystem FKZ 03SX104E 137
107. ende Expertensysteme nutzen Regeln f r die Speicherung des deklaratiien Wissens Regeln sind nach BKI00 formalisierte Konditionals tze der Form Wenn A Dann B wobei A als Pr misse oder Antezedenz und B als Konklusion oder Konsequenz bezeichnet werden Da der Konklusionsteil oftmals auszuf hrende Aktionen beinhaltet werden derartige Regeln auch als Produktionsregeln und die regelbasierten Systeme als Produktionssysteme bezeichnet H ufig lassen sich deklaratives und prozedurales Wissen in Produktionssystemen in Kombination anwenden Dabei k nnen Prozeduren sowohl in der Pr misse als auch in der Konklusion aufgerufen werden Das erlaubt eine flexible Anpassung an die verschiedenen Formen des vorhandenen Wissens 6 1 3 1 3 Wissensverarbeitung Aufgabe der Wissensverarbeitung ist die Anwendung des vorhandenen Wissens um aus den enthaltenen Informationen Schlussfolgerungen zu ziehen Dieser Prozess wird auch als Inferenz bezeichnet die zugeh rige Komponente des wissensbasierten Systems als Inferenzsystem F r das Schlie en existieren unterschiedliche Verfahren um auch mit gro en Wissensbasen effektiv arbeiten zu k nnen Die Arbeitsweise der verschiedenen Inferenzstrategien l sst sich prinzipiell folgenderma en darstellen Abbildung 6 3 Bei Vorliegen neuer Daten muss zun chst diejenige Menge an Regeln Konfliktmenge ermittelt werden die aufgrund dieser Informationen abzuarbeiten ist Die so genannte Agenda dient als Speicher
108. enstrukturen f r Graphen und Suchalgorithmen und unterst tzt eine Vielzahl von C Compilern Als Wegsuchalgorithmus kam das Dijkstra Verfahren zum Einsatz Des Weiteren wurden f r die Tests die Compiler Borland C Builder Version 6 0 Bor04 Microsoft Visual C Version 6 0 und Microsoft Visual C NET Version 7 0 MSDO4 70 Teilprojekt 6 Pr diktives F hrungssystem FKZ 03SX104E DeepC Aktiv autonomes Unterwasserfahrzeug f r gro e Tauchtiefen eingesetzt Da im Projekt der Borland C Builder verwendet wird stammen die in Abbildung 6 56 und Abbildung 6 57 aufgef hrten Rechenzeiten aus den Programmen welche mit diesem Compiler bersetzt wurden 25 200 2D Tests 3D Tests ms ms 180 Rechenzeit EWegsuche Graphgenerierung EWegsuche BGraphgenerierung Rechenzeit amp S z E el I I J BE EEE Eu an O TOL OG ES O m 0 SG Sichtbarkeitsgraph SG QG SG QG SG QG SG QG SG Sichtbarkeitsgraph SG OG SG OG SG OG SG OG QG Quadtreegraph Test5 Test5 Test10 Test10 Test15 Test15 Test20 Test20 OG Octreegraph Test5 Test5 Test10 Test10 Test15 Test15 Test20 Test20 Anzahl der Knoten 146 356 176 606 212 806 258 941 Anzahl der Knoten 1834 3102 4314 539 4989 Abbildung 6 56 2D Tests Abbildung 6 57 3D Tests Der Vergleich von Abbildung 6 56 und Abbildung 6 57 zeigt ein de
109. entieren Um die Pr fung der Fahrkurven gegen die Datenbasis effizient zu gestalten werden nur Geraden genauer gesagt Strecken zur Schnittberechnung verwendet Daf r existiert eine Vielzahl leistungsf higer Verfahren Alle weiteren geometrischen Objekte k nnen zum Beispiel ber polygonale Approximation durch Geradenst cke angen hert werden F r eine effiziente Schnittberechnung zwischen Strecken und Dreiecken bietet sich die Transformation der Dreiecke in baryzentrische Koordinaten an die im nachfolgenden Abschnitt n her erl utert wird Zerlegung in Planelemente Missionsplan f r jedes Planelement Zerlegung in geometrische Grundelemente Strecken Kreise Kreisb gen Polygonale Approximation Strecken T i Schnittberechnung Datenbasis Schnittpunkte Indizes betroffener Planelemente Yy Abbildung 6 19 Ablauf der geografischen Pr fung eines Missionsplanes Schnittberechnungen 36 Teilprojekt 6 Pr diktives F hrungssystem FKZ 03SX104E DeepC Aktiv autonomes Unterwasserfahrzeug f r gro e Tauchtiefen Die Kollisionspr fung des Missionsplanes kann mit Hilfe der vorgestellten Verfahren zur Planzerlegung auf Schnittberechnungen zwischen Strecken und Dreiecken zur ckgef hrt werden Da sich Dreiecke mit blichen x y Koordinaten schwer beschreiben lassen werden so genannte baryzentrische Koordinaten u v w verwendet Mit ihrer Hilfe kann ein beliebiger Punkt in der Dreiecksebene als Lin
110. er Nicht Transit Man ver stellt dabei gleichzeitig den Umfang der zu optimierenden Aktivierungswerte und damit die Zahl der Optimierungsvariablen dar Tabelle 6 6 Ergebnisse und relativer Zeitbedarf der Missionsplanoptimierung Missionsplan Energie Optimierungsverfahren Heuristik defizit Wert Schritte Wert Schritte o in in n Einfach 10 0 78 5 2 78 5 2 9 Man ver 2 Nicht Transit 25 0 78 5 2 785 2 50 0 78 5 2 78 5 2 75 0 0 0 2 0 0 2 Zweifach 10 0 892 2 89 2 4 17 Man ver 4 Nicht Transit 25 0 89 2 2 89 2 4 50 0 785 4 785 4 75 0 39 2 11 39 2 4 F nffach 100 9 7 2 95 7 10 41 Man ver 10 Nicht Transit 250 91 4 7 91 4 10 Teilprojekt 6 Pr diktives F hrungssystem FKZ 03SX104E 49 DeepC Aktiv autonomes Unterwasserfahrzeug f r gro e Tauchtiefen 50 0 87 1 20 87 1 10 75 0 78 5 62 78 5 10 Zehnfach 10 0 95 7 11 95 7 20 81 Man ver 20 Nicht Transit 250 91 4 140 91 4 20 50 0 849 1637 849 20 750 785 12024 785 20 Der Missionsplan wird an der aktuellen Position abgebrochen deshalb besitzt der verbleibende Anteil des Planes den Wert 0 0 Im Vergleich der beiden Methoden wird deutlich dass bei der verf gbaren Anzahl zu optimierender Man ver die Heuristik stets eine gleichwertige oder geringf gig schlechtere L sung liefert als das Optimierungsverfahren Diese Aussage l sst sich jedoch nicht verallgemeinern da die Greedy Heuristik im Gegensatz zu
111. er geplante Ver ffentlichungen 136 Teilprojekt 6 Pr diktives F hrungssystem FKZ 03SX104E 3 DeepC Aktiv autonomes Unterwasserfahrzeug f r gro e Tauchtiefen 1 Aufgabenstellung 1 1 Einsatzf hrungssystem Das Einsatzf hrungssystem ist ein zentraler Bestandteil der Software des AUV W hrend der Einsatzvorbereitung erh lt es den Missionsplan der vom Teilmodul Einsatzausf hrung zu realisieren ist Eine st ndige Kontrolle der Ausf hrung und Ausf hrbarkeit soll Abweichungen von dem geplanten Einsatz fr hzeitig erkennen und eine Umplanung einleiten Ziel ist eine sichere Erf llung der Mission oder wenn die aktuelle Lage keine Alternative zul sst die R ckkehr zum Rendezvouspunkt f r den Notfall Folgende Aufgaben sind von der Einsatzf hrung im einzelnen zu erf llen sequentielle Abarbeitung des aktuellen Missionsplanes Einsatzausf hrung Kontrolle der Umsetzung der einzelnen Missionsabschnitte Einsatzkontrolle Umplanung der Mission unter den gegenw rtigen Bedingungen Einsatzumplanung Die Umplanung der Mission soll von der Einsatzkontrolle sowie dem Einsatzmanagementsystem veranlasst werden k nnen Letzteres beinhaltet eine Fahrzeugdiagnose und l st einen Umplanungsvorgang zum Beispiel bei beschr nkten Ressourcen Energie aus Die Umplanung muss gew hrleisten dass das AUV sicher die Mission erf llen oder im Notfall zu einer Rendezvous Position gelangen kann 1 2 F hrung des Fahrzeuges in Sondersituat
112. erden zun chst sequentiell ausgef hrt Je nach Art der Planmodifikationen ist es notwendig im Anschluss den Missionsplan mit Hilfe eines digitalen Gel ndemodells zu pr fen So muss zum Beispiel nach dem Einf gen eines neuen Man vers getestet werden ob das mobile System dieses Planelement befahren kann ohne die Beschr nkungen durch das Gel nde zu verletzen Die Planpr fung nutzt Routinen zur Schnittberechnung zwischen den einzelnen Planelementen und der geografischen Datenbasis Dazu wird der Missionsplan in Geradenst cke zerlegt und jede dieser Strecken auf Schnittpunkte mit dem Gel ndemodell untersucht Treten Schnittpunkte auf soll mit Hilfe der geografischen Planmodifikation f r die betroffenen Man ver jeweils eine g ltige Route gefunden werden Daf r ist die geografische Planmodifikation zust ndig Sie nutzt graphenbasierte Suchverfahren um m gliche fahrbare Strecken zu ermitteln 22 Teilprojekt 6 Pr diktives F hrungssystem FKZ 03SX104E DeepC Aktiv autonomes Unterwasserfahrzeug f r gro e Tauchtiefen Umplanungsbefehle Modifikation des Planpr fung l a x nein Missionsplanes notwendig ja Geografische Pr fung des Planpr fung i SA ja Ende Missionsplanes erfolgreich N nein N Geogr Datenbasis Geografische Modifikation des Missionsplanes Planmodifikation erfolgreich Missionsplan il nein Abbildung 6 6 Grundlegender Ablauf der Missionsumplanung 6 1 4 2 Allgemeine Meth
113. erfahren mit einer Prim rkonfiguration begonnen hat werden die erzeugten Fuzzy Sets mit den Regeln verkn pft und die letzten werden dann auf ihre Korrektheit berpr ft mittlerer Informationsgehalt Der ID3 Algoritnhmus umfasst folgende Schritte 1 Suche des Attributes a f r das sich entsprechend dem mittleren Informationsgehalt ein Minimum f r die Entropie ergibt N H C a P X H C X gt min 6 31 i 1 dabei ist H C X I P C X log P C X 6 32 j 1 H C a Entropie des f r die Entscheidungen Cj wenn Eingang aj vor liegt P C X bedingte Wahrscheinlichkeit f r das Attribut C der Ausgangsvariablen y unter der Bedingung dass eine Klasse X von Beispielen mit gleichen Attributen f r die Modelleing nge u4 Us bzw u k i Y K j existiert n Anzahl der Attribute der Ausgangsgr e N Anzahl quivalenter Klassen von Beispielen mit gleichen Eingangsattributen aj Modelleingangsgr e mit der geringsten Unbestimmtheit 2 Streichen der in 1 ermittelten Gr e und der Beispiele die in quivalenten Klassen mit H C X 0 enthalten sind 3 Einsetzen der in 1 gefundenen Gr e in den Entscheidungsbaum und Wiederholung der vorgegebenen Schritte beginnend mit 1 bis entweder alle Eing nge oder alle Beispiele erfasst sind 4 Ableitung der Regeln aus dem Entscheidungsbaum Auf Grund der Eigenschaften des ID3 Algorithmus wird ein minimal diskriminierender Entscheidungsbaum f
114. erflugzeuges durch einen Flugmanagementrechner Softwaremodule sam Navigationsdaten Missions Missions l plan umplanung u Missions Missionsplan abarbeitung Strategische Ebene EOE CESES E DEFEERAEEEN 4 Tee Fahrzeugf hrung Fahrzeug QO 2 Navigation in Sonder zustands 12 Navigationsdaten Situationen en berwachung SG IT Objektliste mit elliptischen Zylindern MH EE c Sonarrohdaten Sensor S OO Objekterkennung Autopilot iD Sollvorgaben Schnittstellen sa O lt c m gt Fr EN Hardware g Antriebe berwachungssensoren a T Navigationssystem Abbildung 6 36 Steuerungsstruktur des Fahrzeuges Das Softwaremodul Objekterkennung detektiert aus den Rohdaten des Sonarsystems Objekte in Form von elliptischen Zylindern Diese Form l sst sich leicht aus den Rohdaten des Sonars generieren und charakterisiert durch wenige geometrische Abma e Hauptachse Nebenachse und Rotationswinkel der Ellipse H he des Zylinders eine Vielzahl von praktischen Hindernisstrukturen Tangieren solche Objekte die Sollbahn des Fahrzeuges wird die automatische F hrung durch andere Algorithmen abgel st In Abh ngigkeit der Missionsaufgabe kann die Aufgabe dieser Algorithmen die F hrung des Fahrzeuges zum Ausweichen oder zum Identifizieren der Objekte sein Diese Algorithmen sind Hauptkomponenten des Softwaremoduls Fahrzeugf hrung in Sondersituationen FIS
115. es vergleichsweise geringen Wertebereiches in dieser Ansicht schwer zu unterscheiden 6 4 3 3 2 Umwelt und Sensorik Die Ansteuerung des Sonars durch SonarCtri l sst sich aus Abbildung 6 117 entnehmen Sie zeigt in Sonarkoordinaten die Ausrichtung des Sonars ber die Zeit In der Ansicht sind deutlich die einzelnen Linien erkennbar die sich durch das Schwenken des Sonars ergeben Die vertikale Verschiebung der Linien ber die Zeit verdeutlicht wie das Softwaremodul den Sichtbereich im Missionsverlauf genauer vor und w hrend der Kurven anpasst und so daf r sorgt dass das AUV die Kurven vor der Fahrt scannt 2DViewPLuginTLV2 0 Iolx ile Plugin Animation ile Plugin Animation m m found obstacles found obstacles EISONAR_IMAGE x gt SONAR_IMAGE y POSAUV x gt POSAUV y SONAR_IMAGE x gt SONAR_IMAGE y POSAUV x gt POSAUV y Abbildung 6 118 Erkannte Hindernisse Abbildung 6 119 Erkannte Hindernisse t 1061s Abbildung 6 118 zeigt zusammen mit der Trajektorie die von der Software erkannten Hindernisse o Der Vergleich mit Abbildung 6 119 zeigt dass alle vorhandenen Hindernisse erkannt wurden Durch die Einbeziehung dieser Daten in die animierte Darstellung der Trajektorie l sst sich zus tzlich der Zeitpunkt bestimmen an dem das Fahrzeug die Objekte registriert hat vgl Abbildung 6 119 Die Position des AUV wird dabei durch das Symbol V dargestellt w hrend die Hindernispositionen mit o unerkannt un
116. eug wird so wieder auf den aktuellen Missionsplan zur ckgef hrt Kreuzt bei dieser R ckf hrung ein Teilprojekt 6 Pr diktives F hrungssystem FKZ 03SX104E 63 DeepC Aktiv autonomes Unterwasserfahrzeug f r gro e Tauchtiefen noch nicht identifiziertes Objekt die Bahn des Fahrzeuges wird in den Zustand Identifikationsmodus geschaltet und es findet die Identifikation des Objektes statt Die Idee zur Bestimmung des Zielpunktes basiert darauf dass die aktuelle Liste von m Man vern vom Endpunkt aus Durchfahren wird Die erste bestimmte Kollisionssituation entspricht den anzufahrenden Zielpunkt Die hierf r notwendigen Berechnungen verwenden die gleichen Algorithmen wie das Submodul Kollisions berwachung siehe Abschnitt 6 2 3 2 Durch die Anzahl m an zu berpr fenden Man vern kann direkt Einfluss auf einen hohen Erf llungsgrad an Missionsaufgaben genommen werden Eine hohe Man veranzahl m bewirkt eine langen Missionsabschnitt Wird gleich zu Beginn am Ende des Missionsabschnittes der zu berpr fenden Man verliste eine Kollision ermittelt wird das Fahrzeug zu diesem Punkt gef hrt Die vorhanden Man verabschnitte bis zu diesem Zielpunkt werden nicht mehr abgefahren Ihre Missionsaufgaben wurden so nicht erf llt Diese berlegungen sind von besonderen Interesse beim Durchfahren eines M anders Hier bewirkt eine hohe Anzahl an zu berpr fenden Man vern gegebenenfalls das Nichtbefahren von Suchgebieten wenn
117. f r diese Menge an aktivierten Regeln Anschlie end erfolgt die sequentielle Ausf hrung der Regeln der Agenda die aufgrund ihres Konklusionsteils zu abgeleitetem Wissen und damit zur Aktivierung weiterer Regeln f hren kann Mit ihrer erfolgreichen Realisierung werden aktivierte Regeln aus der Agenda entfernt Erst wenn die Agenda komplett geleert ist wird der Inferenzalgorithmus beendet Start j Ermittlung der zu aktivierenden Regeln Platzierung auf der Agenda ja Agenda leer ae Auswahl iR Regel aus der genda Modifikation der Agenda Ausf hrung der Regel l Mit steigender Regelzahl oder auch wachsendem Faktenwissen ber die aktuelle Situation wird die Gesamtlaufzeit der Inferenz im Wesentlichen durch den Prozess der Regelauswahl Platzierung auf der Agenda sowie die Modifikation der Agenda beeinflusst Durch eine Vorverarbeitung des Regelwerkes kann dieser Vorgang jedoch erheblich beschleunigt werden So generiert der Rete Algoritnmus aus den Pr missen des Regelwerks eine Baumstruktur For82 Die einzelnen Bestandteile der Pr missen aller Regeln der Wissensbasis sind darin einmalig hinterlegt und werden nach dem Start des Inferenzverfahrens auf ihre Erf llung hin untersucht Das Ergebnis wird in den Knoten des Baumes als Zust nde gespeichert Andern sich nun Fakten so werden lediglich diejenigen Knoten neu berechnet die diese Fakten beinhalten Bedingt durch die Zustandsspeicherung zwischen den Arbeitszyklen ist der Rete Algorithm
118. g der Ver stelung eines Baumes statt Nach Erzeugung aller Sektoren wird der Graph aufgebaut Dazu bilden die Mittelpunkte aller hindernisfreien Sektoren die Knoten des Graphen Die Kanten sind die Verbindungen zwischen benachbarten hindernisfreien Sektoren siehe Abbildung 6 50 EN J 7 S INZ e p N PRLI 7 4 NENN YNN N D NY 7 LEEREN VN I a ONN POAT OTN N N N ZB CELW N A V PANIN PELET TIITTIN See Zune NIZAN NATN y 1 i a jt AIKANAAN dr LAAN N EN EL A KL VN EY ay T VNLYN NV le ANA NY I IVNITVNTIVINIIVR NAT III NAJ M H NE d LANAT N NPADTE p N X D A eg HL EP C ZN A N AESA Abbildung 6 50 Quadtreegraph D Teilprojekt 6 Pr diktives F hrungssystem FKZ 03SX104E 67 DeepC Aktiv autonomes Unterwasserfahrzeug f r gro e Tauchtiefen 6 2 5 1 2 Bestimmung des Kostenwertes Um die Str mungsinformation mit in die Bewertung der Kante einflie en zu lassen wird als Kriterium die ben tigte Zeit r zum Abfahren der Kante verwendet Diese Zeit bestimmt sich f r die i te Kante durch Bildung des Quotienten aus der Wegl nge Spam Und der Geschwindigkeit vz e Welche das Fahrzeug auf diesem Wegabschnitt gegen ber einem erdfesten Koordinatensystem f hrt Es gilt i Sn l bahn De 6 6 V Bahn _ef Diese Geschwindigkeit Vgann ep ist abh ngig von der Fahrzeuggeschwindigkeit dur
119. g einer Man veraufgabe zwei Teile Geometrische Aufgabe F hrung des Fahrzeuges auf der vorgegebenen Solltrajektorie Dynamische Aufgabe Steuerung des Fahrzeuges nach den Sollgeschwindigkeitsvorgaben Es werden die vier Basisman ver Strecke Kreisbogen Kreis Kreuzspirale definiert siehe Abbildung 6 39 58 Teilprojekt 6 Pr diktives F hrungssystem FKZ 03SX104E DeepC Aktiv autonomes Unterwasserfahrzeug f r gro e Tauchtiefen End position End x position Mittel position osition x p Start Mittel position position Start Start N position position Endposition Strecke Kreisbogen Kreis f Kreuzspirale Abbildung 6 39 Basisman ver Diese Basisman ver bilden somit die Grundbausteine eines Missionsplanes Aus den Komplex bzw Ubergangsman vern wird vom Modul Missionsplanabarbeitung das aktuelle Basisman ver herausgel st und an den Autopiloten bergeben siehe Abbildung 6 36 Dort werden die beiden o g Man veraufgaben unter Vorgabe der geometrischen und dynamischen Parameter durch entsprechende Regelungen gel st Abbildung 6 40 zeigt den Aufbau eines Missionsplanes mit Basisman vern aus dem in Abbildung 6 38 dargestellten Missionsplan I Sea N J y 7 DE ee nn gt N l 3 J Strecke Inn Tr Kreisbogen Abbildung 6 40 Basisman verplan Das Submodul Kollisions berwachung fordert von der Missionsplanabarbeitung einer
120. ge der Objekte infolge der begrenzten Reichweite der Aufkl rungs Sensorik z B Forward Looking Sonar sowie der entfernungsabh ngigen Detektionsg te zu verstehen In solchen F llen ist ein Ausweichverfahren gefordert welches eine hohe Robustheit gegen ber solchen Variationen besitzt Diese Forderung wird durch die Reaktive Ausweichsteuerung erf llt da sie die Steuerkommandos Sollkurs geschwindigkeit f r den Autopiloten nur auf der Basis der aktuellen Lage der Objekte zum Fahrzeug generiert Eine Wegeplanung welche eine gewisse Konstanz der Objektdaten zwischen Erstellung und Abarbeitung des Planes voraussetzt wird nicht durchgef hrt Die Idee des in diesem Abschnitt vorgestellten neuen Verfahrens besteht in der Verwendung von Bahnlinien welche von jeder beliebigen Position des Operationsgebietes einen Weg zum Zielpunkt aufzeigen Der Sollkurs des Fahrzeuges wird durch Bildung des Bahnanstiegs Gradienten G an der aktuellen Fahrzeugposition bestimmt So kann das Fahrzeug von seiner aktuellen Position aus die aktuelle Bahnlinie bzw ihren Gradienten verwenden um vorbei an den Hindernissen zum Zielpunkt gef hrt zu werden Da f r die reaktive Ebene nur Teilprojekt 6 Pr diktives F hrungssystem FKZ 03SX104E 71 DeepC Aktiv autonomes Unterwasserfahrzeug f r gro e Tauchtiefen die x y Ausdehnung der Hindernisobjekte ber cksichtigt wird soll in diesem Abschnitt auch nur der 2D Raum behandelt werden Es ist jedoch auch m
121. gelernten Regelbasis und eines Fuzzy Regelverarbeitungssystems selbst ndig durch Hindernisse in einer unbekannten Umgebung man vrieren Der Versuchsaufbau f r das Lernen und Testen des Reglers ist in Abbildung 6 74 dargestellt Das Modell kann in zwei Modi gef hrt werden einem f r die Datenerfassung Schalter F1 ist auf C und einem anderen zum Testen des entworfenen Reglers Schalter F1 auf T Wie in der Abbildung zu sehen besteht das Simulationsmodell aus vier Komponenten dem Datenaufbereitungsmodul dem Regler der auf dem Fuzzy Inference System FIS basiert dem Experten im Datenerfassungsmodus dem Unterwasserfahrzeug und seiner Umgebung Teilprojekt 6 Pr diktives F hrungssystem FKZ 03SX104E 89 DeepC Aktiv autonomes Unterwasserfahrzeug f r gro e Tauchtiefen Alle diese Komponenten die Datenerfassungs und Lernprozesse werden in den folgenden Abschnitten beginnend mit dem Datenaufbereitungsmodul detailliert beschrieben Besonders der Datenerfassungsprozess muss geschickt durchgef hrt werden da der Experte gezwungen ist bei der Ausf hrung von Ausweichman vern alle anderen Informationen wie Ansicht von oben Gesamtansicht usw zu ignorieren und nur die Sonarinformation zu benutzen Dies erfordert sehr viel Ubung und Geschick Test modus Imitationsregler FIS Fuzzyfizierung Defuzzyfizierung AUV Modell Umgebung Hindernis Ausgang Szenarien Eing
122. gen Defekt von Sensorl n man name Eintragen des Umplanungsgrundes in die Instanz monitoring der Klasse MONITORING send monitoring Setze Grund Sensorl Defekt Umplanungsbefehl L schen des Man vers mit dem Namen man name send monitoring Setze Befehle str cat DEL man name gt Die Regeln innerhalb der Wissensbasis k nnen mit Hilfe von Priorit ten anhand ihrer Wertigkeit f r die Planerf llung abgestuft werden Diese Priorit ten finden innerhalb des Inferenzverfahrens zur Einordnung in die Liste der aktivierten Regeln Verwendung Damit l sst sich die Reihenfolge der Regelbearbeitung bewusst steuern Teilprojekt 6 Pr diktives F hrungssystem FKZ 03SX104E 21 DeepC Aktiv autonomes Unterwasserfahrzeug f r gro e Tauchtiefen Im Konklusionsteil der Regeln k nnen neue Fakten generiert werden die der Aktivierung weiterer Regeln dienen Damit sind auch komplexere Zusammenh nge mit einer gr eren Menge einfacher Regeln darstellbar so dass die Wissensbasis zwar umfangreicher aber die einzelne Regel verst ndlicher wird Des Weiteren sind derartiger Fakten auch als Status oder Zustandsinformationen f r die Regeln anwendbar Das ist beispielsweise hilfreich wenn bestimmte Planmodifikationen nur mit einem gewissen zeitlichen oder r umlichen Abstand zueinander stattfinden sollen z B bei der St tzung der Position des AUV mit einem GPS Empf nger Die Auswertung dieser Fakten in der Regelpr miss
123. gieren In einer derartigen Situation fordert die Nutzlast ein lokal begrenztes Man ver an der aktuellen Position an Aus den zus tzlich gewonnen Daten kann bei der Planung des Kabelverlaufs eine Umgehung des betroffenen Gel ndeabschnittes eingearbeitet werden Abweichungen vom Missionsplan erfordern unter Umst nden ebenfalls Modifikationen des Planes Exemplarisch sind in Tabelle 6 4 die notwendigen Korrekturen f r einen zu gro en Navigationsfehler sowie eine vertikale Abweichung von der geplanten Fahrstrecke aufgef hrt Einge der in der Tabelle aufgef hrten Umplanungsaufgaben werden durch die Missions berwachung mit Hilfe der Umplanungsbefehle bereits vollst ndig aufbereitet an die Missionsumplanung bergeben Deren T tigkeit besteht dann im Ausf hren der einzelnen Umplanungsbefehle und in der Pr fung des entstehenden Missionsplanes In den anderen F llen sind durch die Umplanung zun chst die durchzuf hrenden Modifikationen zu ermitteln die anschlie end realisiert werden Einen Teil der zu einer Umplanung f hrenden Datens tze empf ngt das intelligente Missionsmanagement zyklisch Damit eine bereits in Bearbeitung befindliche Umplanung nicht nochmals ausgel st wird muss der aktuelle Zustand der betroffenen Regeln des 2B infolge ungenauer Navigation oder schlechter Regelg te bedingt durch Str mung Teilprojekt 6 Pr diktives F hrungssystem FKZ 03SX104E 43 DeepC Aktiv autonomes Unterwasserfahrzeug f r gro
124. grafische Planmodifikation 40 Teilprojekt 6 Pr diktives F hrungssystem FKZ 03SX104E DeepC Aktiv autonomes Unterwasserfahrzeug f r gro e Tauchtiefen 6 1 6 Anwendung f r DeepC 6 1 6 1 Softwarearchitektur DeepC besitzt eine Softwarearchitektur die weitestgehend einem menschlichen Handlungsmodell nach Rasmussen entspricht Ras83 Nachfolgend werden die drei Ebenen des Modells vorgestellt Dabei wird insbesondere die f r das intelligente Missionsmanagement wesentlichen Module und ihre Verkn pfungen eingegangen Abbildung 6 25 Mission Control Wissensbasierte ZEN Ebene Missionsmanagement Missions berwachung Umplanung j Missionsplan planung Hindernis PEDA Mission vermeidung Handling Hindernis 9 erkennung Navigation Sensor Interface Regelbasierte Health Ebene Monitoring F higkeitsbasierte Autopilot Ebene Bahn Sollwertregelung Aktor Interface Hardware Simulationsumgebung alternativ Abbildung 6 25 Softwarearchitektur des AUV DeepC Auszug Die f higkeitsbasierte Ebene beinhaltet die grundlegenden Module f r die Fahrzeugsteuerung Dazu z hlen neben dem Autopiloten auch die Module zur Aufbereitung und Fusion der von den verschiedenen Sensoren gelieferten Informationen Die Schnittstellen zur Hardware des Fahrzeuges werden ber Interface Module realisiert Anstelle der Hardware kann auch eine Simulationsumgebung integriert werden die im Vorfeld der prakti
125. graphische Modellierung mittels einer bersichtlichen Benutzeroberfl che Die Bl cke Standardbl cke oder selbst erstelle werden hierbei einfach in das Modell gezogen Danach sind ihre Aus und Eing nge zu verbinden und die Parameter zu setzen Dabei steht f r die Modellerstellung eine Vielzahl vorgefertigter Bl cke zur Verf gung die zudem aus mehreren Dom nen stammen und gemischt eingesetzt werden k nnen Damit ergibt sich die M glichkeit einer hybriden 118 Teilprojekt 6 Pr diktives F hrungssystem FKZ 03SX104E DeepC Aktiv autonomes Unterwasserfahrzeug f r gro e Tauchtiefen Simulation die es dem Anwender erlaubt f r jedes Teilmodell den jeweils optimalen Modellierungsansatz zu nutzen 6 4 2 2 2 Parametrisierung Im Hinblick auf die Frage inwieweit sich MLDesigner f r die Missionshandhabung eignet spielen die M glichkeiten zur Modellparametrisierung eine entscheidende Rolle Hierbei verfolgt MLDesigner den folgenden Ansatz Die Parameter der einzelnen Bl cke lassen sich entweder direkt mit einem Wert belegen oder auf obere Modellebenen verlinken Das Verlinken geschieht indem auf der n chsth heren Ebene ein Parameter vom selben Typ erzeugt wird und der Blockparameter an diesen Wert gekoppelt verlinkt wird Mittels dieses Verfahrens lassen sich die Parameter Schritt f r Schritt bis zur obersten Ebene verlinkt Dort stehen sie dann f r eine zentrale Belegung zur Verf gung Dieser von MLDesigner gew hlt
126. gsbeispiele vorhanden sind dann k nnen induktive Lernmethoden verwendet werden um Klassifikationsregeln zu erlernen Soll bereits vorhandenes theoretisches Wissen durch wenige neue Beispiele modifiziert bzw verbessert werden k nnen Explanation Based Learning EBL Methoden angewendet werden Viele interessante praktische Probleme die dem automatisierten Lernen zug nglich sein k nnten passen jedoch nicht immer in diese Kategorien Dazu geh rt z B die L sung sequentieller Entscheidungsaufgaben bei denen weder eine Datenbank von Beispielen noch gen gendes theoretisches Wissen vorliegt auf das sich traditionelle Maschinelle Lernmethoden st tzen k nnten Ein Ausweg zur automatischen Regelgewinnung besteht dann darin manuell Lerndaten mit Hilfe eines Simulations Modells zu erzeugen und induktive Lernmethoden anzuwenden GG90 88 Teilprojekt 6 Pr diktives F hrungssystem FKZ 03SX104E DeepC Aktiv autonomes Unterwasserfahrzeug f r gro e Tauchtiefen Die Vorgehensweise die hier beschrieben wird reflektiert eine bestimmte Methode f r das Lernen mit einem Simulationsmodell Die Notwendigkeit f r die Anwendung dieser Methode besteht darin dass Fehler bei Versuchen mit realen Systemen teuer werden k nnen gef hrlich sind oder wie im vorliegenden Fall das reale System noch nicht existiert Da das Lernen Experimente mit taktischen Pl nen erfordert die gelegentlich nicht akzeptable Resultate produzieren k nnen wenn sie
127. heitszonen vollst ndig einschlie t aber m glichst wenig befahrbares Gebiet beinhaltet Zur L sung dieses Problems 78 Teilprojekt 6 Pr diktives F hrungssystem FKZ 03SX104E DeepC Aktiv autonomes Unterwasserfahrzeug f r gro e Tauchtiefen wurde der Ansatz zur Berechnung kleinster Ellipsoide um Punktmengen verwendet GS93 Dazu wurde um jede Sicherheitszone ein Polygon definiert welches das Hindernis einschlie t Um die St tzstellen aller so gebildeten Polygone wird eine Ellipse unter Verwendung der GCAL Bibliothek CGALO4 berechnet Die Berechnung der Polygonst tzstellen erfolgte auf der Basis von normierten St tzstellen um einen Einheitskreis Diese werden durch Skalierung und Rotation der entsprechenden Ellipsenform angepasst siehe Gleichung 6 22 und 6 23 Die St tzstellen S werden f r den ersten Quadranten des Einheitskreises durch Schnittpunktberechnung nach Gleichung 6 28 unter Verwendung der in Gleichung 6 27 definierten Strahlen berechnet und f r die anderen Quadranten durch entsprechenden Vorzeichenwechsel angepasst siehe Abbildung 6 64 P I i de Bern 5 6 27 sin n a cos n a 6 28 Abbildung 6 64 Ermittlung der St tzstellen auf einen Einheitskreis Abbildung 6 65 zeigt die ermittelten St tzstellen der einzelnen Sicherheitszonen und die daraus berechnete Ellipse In der Vergr erung ist deutlich zu erkennen dass die Polygonkanten die Sicherheitszone tangieren abe
128. hen ist die zur Verf gung stehende Routenzahl gegen ber der theoretisch m glichen eingeschr nkt da nur die in allen H hen befahrbaren Verbindungen zwischen den Knoten ermittelt werden So wird nicht unbedingt der optimale Weg durch das Gel nde gefunden sondern die mit der vorhandenen vorverarbeiteten Datenbasis k rzeste Route Demgegen ber steht als gro er Vorteil dass diese Verfahrensweise auf den oft begrenzten Rechenkapazit ten eines mobilen Roboters eingesetzt werden kann Teilprojekt 6 Pr diktives F hrungssystem FKZ 03SX104E 39 DeepC Aktiv autonomes Unterwasserfahrzeug f r gro e Tauchtiefen Abbildung 6 21 Graph mit positiven Abbildung 6 22 Distanzmatrix zum Graph aus Kantenbewertungen Abbildung 6 21 Graphenbasierte Routensuche Mit Hilfe von Suchmethoden kann die k rzeste Route in einem Graphen G sehr effektiv ermittelt werden Als Standardverfahren f r ein derartiges Problem hat sich im Fall eines vollst ndig bekannten Graphen der nach seinem Erfinder E W Dijkstra benannte Dijkstra Algorithmus etabliert Dij59 Er findet in polynomialer Zeit iterativ eine Route falls diese in dem Graphen existiert Ausgehend von einem Startknoten s werden beim Dijkstra Algorithmus alle benachbarten Knoten Knoten die von s aus erreichbar sind also eine Kantenbewertung ungleich besitzen besucht und die jeweiligen Kosten bestimmt Abbildung 6 23 Referenzknoten ker f r die zweite Iteration wird immer derjenige
129. hrung notwendigen Parametern erfasst und zusammengestellt worden sind Die Eingabeparameter des Lernmoduls beinhalten die e bjektdaten Position Geschwindigkeit und die Bewegungsrichtung von Hindernissen Zustandsdaten des Fahrzeuges Position Lage Geschwindigkeiten Umweltinformationen Sollbahninformation und alle Daten die zur Ausf hrung von Fahrman vern intern generiert werden Man verkommandos Da das Man ververhalten des Fahrzeuges auch nach Energieverbrauch und Zeitverhalten optimiert werden soll geh rt die noch zur Verf gung stehende Energie ebenfalls zu den Eingabeparametern des Lernmoduls Zus tzlich sind f r eine optimale Man verdurchf hrung als weitere notwendige Eingabeparameter die Zust nde der Motoren und Sensoren in Betracht zu ziehen Diese Informationen ben tigt das Lernmodul um Man verstrategien auch bei Teilausfall der Motoren und Sensoren entsprechend lernen und ausf hren zu k nnen Die Ausgabeparameter des Lernmoduls beinhalten e den berechneten Kurs und e die Geschwindigkeit des Unterwasserfahrzeuges Alle f r das Lernmodul ben tigten Informationen werden durch das Man vermodul bereitgestellt Das Regelwerk des Lernmoduls liefert die Sollwerte die vom Autopiloten ben tigt werden steuert aber nicht direkt die einzelnen Komponenten des Fahrzeuges wie Motoren Ruder usw 6 3 3 2 Auswahl von geeigneten Lernverfahren Es wurden unterschiedliche Methoden des Maschinellen Lernens die zu
130. http www inf fu berlin de inst ubs r b 98 05 abstract html GIRARD A R A Convenient State Machine Formalism for High Level Control of AUVs Master of Science in Engineering Thesis Florida Atlantic University 1998 http www oe fau edu agirard thesis html GULDNER J Intelligentes hierarchisches Regelungskonzept f r autonome mobile Robotersysteme D sseldorf Germany VDI Verlag 1995 GULDNER J Lokale Kollisionsvermeidung f r mobile Roboter mittels k nstlicher harmonischer Dipol Potentiale at Automatisierungstechnik Volume 45 Issue 01 pp 24 35 1997 GRACANIN D VALAVANIS K P TSOURVELOUDIS N C MATIJASEVIC M Virtual Environment Based Navigation and Control of Underwater Vehicles IEEE Robotics amp Automation Magazine June 1999 HAMZEI G H SHAH D J MULVANEY On line learning of fuzzy decision trees for global path planning Engineering Applications of Artificial Intelligence Vol 12 Num 1 Febr 1999 pp 93 109 Pergamon KANADE T REED M L WEISS L E New Technologies and Applications in Robotics Communications of the ACM Band 37 Nr 3 MARCO D B HEALEY A J MCGHEE R B Autonomous Underwater Vehicles Hybrid Control of Mission and Motion Autonomous Robots vol 3 Kluwer Academic Publishers 1996 NEHMZOV U Mobile Robots A Practical Introduction Springer Verlag London Limited 2000 OLIVEIRA P PASCOAL A SILVESTRE C SILVA V Design Development and Test
131. i MLDesigner unterst tzt verschiedene prim re und sekund re Modellierungsdom nen Unter ihnen sind DE CTDE DDF und SDF sowie als Subdom nen FSM und HOF Die CTDE Dom ne erm glicht beispielsweise analoge und gemischt analogdiskrete Entw rfe Die einzelnen Dom nen lassen sich dabei gemischt verwenden hybride Simulation Teilprojekt 6 Pr diktives F hrungssystem FKZ 03SX104E 117 DeepC Aktiv autonomes Unterwasserfahrzeug f r gro e Tauchtiefen e Kompatibilit t und Erweiterbarkeit Um vorhandene Modelle weiterverwenden zu k nnen wird der Import aus BONeS und COSSAP unterst tzt MLDesigner ist mittels C und einer eigenen Beschreibungssprache beliebig erweiterbar e Externe Simulation Simulationen lassen sich auch au erhalb des Programms durchf hren Dazu wird das Modell bersetzt und mit den Programmbibliotheken verlinkt Diese externe Abarbeitung beschleunigt die Simulation wobei die Modellparameter ber Parameterdateien weiterhin nderbar bleiben Weitere Informationen finden sich auf der Homepage des Herstellers MLDOS3 x Dasianc m elo Mila DOAI Dasian Yal alate faTi ll r I MoOd Ow ile sh D id oaon Model Submode 4 4 mu WLan Name Domain 2 Favorites S EVLD Examp EMO Esperen ana T id My Libraries amp gcvs io 1 i g v T 3 ping an sw KTN peene le computer B Ee ET ETE ereere g system i A te M C_AUV sonar ping TRE 3 4_ping_answ E pos_auv Logical Na A
132. ich f r jedes der Fenster dessen Position und die Gr e einzeln durch Parameter des Ausgabeblocks einstellen Bei einer gro en Anzahl von Ausgabewerten sind jedoch viele Fenster offen die sich teilweise berlagern was eine gezielte Interpretation einzelner Verl ufe erschwert e Simulationsn he Drittens erzwingt MLDesigner mit seiner simulationsnahen sich direkt an die Simulation anschlie enden Darstellung der Plots deren sofortige Auswertung Zwar k nnen Daten in Dateien geschrieben werden aber das Programm ist nicht in der Lage sie f r eine sp tere Auswertung direkt wieder anzuzeigen F r eine gro e Anzahl von Missionen ist dies problematisch Damit unterst tzt MLDesigner zwar eine Speicherung der gewonnenen Ergebnisse bietet aber keine die M glichkeit mit den Ergebnisse au er direkt nach der Simulation zu arbeiten Beispielsweise f llt ein direkter Vergleich zweier Simulationsl ufe einer Mission schwer Dies aber stellt eine wichtige Hilfe bei der Bewertung der am Design und damit auch am Gesamtsystemmodell vorgenommenen Ver nderungen dar Die Analyse der F higkeiten von MLDesigner bez glich der Anforderungen die das Mission Level Design mobiler automatischer Systeme stellt legt somit einige Probleme offen Diese betreffen die Unterst tzung von Missionen in der Parametrisierung und in der Auswertung nicht jedoch die Modellierung und Simulation 6 4 2 3 Framework zur Durchf hrung der Simulation Um die Simulation d
133. icht hinsichtlich seiner Rechenleistung der im Fahrzeug eingesetzten Recheneinheit eines Single Board Computers des Typs VP7 mit einem Pentium Ill Prozessor 450 MHz der Firma SBS Technologies Sps04 F r die Tests wurde ein Hindernisparcours mit den Abma en von 170 m L nge 84 m Breite und 50 m H he definiert Innerhalb dieses Operationsgebietes wurden Hindernisse nach dem in Abbildung 6 55 angegebenen Schema platziert x X start Abbildung 6 55 Hindernisparcours Die Konturen in Abbildung 6 55 entsprechen den um einen Sicherheitsbereich vergr erten Hindernissen Eine Praxisrelevanz von Testi5 und Test20 ist durch das begrenzte Auffassverm gen eines Sonars nicht m glich Diese beiden Tests sollen die Leistungsf higkeit der Algorithmen berpr fen Tabelle 6 7 Testf lle im Hindernisparcours Test Anzahl der Hindernisse Hindernisnummern Tess 5 1 5 Teo O 10 1 10 Tesis 15 1 15 Test20 20 1 20 Die Testreihen wurden f r den 2D und 3D Raum durchgef hrt Bei den 2D Tests wurden die Hindernisse auf die x y Ebene projektiert Die bei den Tests erstellten Graphen beinhalten die in Abschnitt 6 2 5 1 2 vorgestellte Kostenfunktion Dies f hrt zur Generierung eines gerichteten Graphen da jede Kante in Abh ngigkeit der Fahrtrichtung einen eigenen Kostenwert beinhaltet F r die Pfadsuche wurde die Boost Graph Library SLLO2 Bo004 eingesetzt Sie beinhaltet eine Bibliothek mit fertigen Dat
134. ichtlineares Problem Die Ausweichstrategien sollten bez glich dieser o g Eigenschaften robust ausgelegt werden Als besondere Probleme sind in diesem Zusammenhang die Verallgemeinerung auf sehr viele Hindernisse die zum Teil nicht gleichzeitig im Auffassbereich des Hinderniserfassungssensors liegen und das Ausweichen in drei Dimensionen zu erw hnen Durch die begrenzten Energieressourcen des Fahrzeuges ist eine Auslegung der Ausweichstrategien bez glich energie und oder zeitoptimaler Vorgaben vorzusehen M gliche Sensorausf lle oder defekte bzw besch digte Antriebseinheiten sollten in den Ausweichstrategien ebenfalls Ber cksichtigung finden 4 Teilprojekt 6 Pr diktives F hrungssystem FKZ 03SX104E DeepC Aktiv autonomes Unterwasserfahrzeug f r gro e Tauchtiefen Eine weitere Sondersituation besteht in der Identifikation von unbekannten Objekten w hrend einer Mission Eine Identifikation kann eine visuelle oder kartographische Erfassung des Objektes und oder eine Bestimmung seiner physikalischen chemischen Eigenschaften beinhalten Die Steuerung des Fahrzeuges soll hierbei durch Algorithmen zur Positionierung und F hrung des Fahrzeuges bernommen werden 1 3 Maschinelles Lernen Entwicklung und Test von maschinellen Lernverfahren f r AUV s Auf dem Gebiet der K nstlichen Intelligenz sind zur Zeit eine Vielzahl von maschinellen Lernverfahren bekannt Sie unterscheiden sich z B durch ihre Zielstellung in indukt
135. ie eine Verlegung des Event Man vers bezogen auf die Einf geposition erlauben Abbildung 6 33 a Beim Einf gen werden dann die absolute Position sowie die Ausrichtung des Man vers berechnet Abbildung 6 33 b Ist das Event Man ver gegen ber der eigentlichen Einf geposition verschoben so hat zun chst ein Transit an die Startposition zu erfolgen Abbildung 6 33 c Analog dazu muss nach dem Ende des eingef gten Planelementes ein Transit zur ck an die Einf geposition durchgef hrt werden Ist das unterbrochene Man ver selbst ein Transit so kann anstelle des Re Transits zur Einf geposition sofort die Endposition des unterbrochenen Man vers angefahren werden Abbildung 6 33 d Einf geposition Einf geposition Einf geposition Transit zur Endposition des unterbrochenen Man vers Transit nach Ende Transit zum Start Transit zum Start c d Abbildung 6 33 Berechnung der absoluten Koordinaten bei Event Man vern a und b m gliche Anpassungen des Plans f r Event Man ver c und d Teilprojekt 6 Pr diktives F hrungssystem FKZ 03SX104E 51 DeepC Aktiv autonomes Unterwasserfahrzeug f r gro e Tauchtiefen 6 1 6 4 5 Detektierte Abweichungen vom Missionsplan Im Fall eines zu gro en Navigationsfehlers wird durch die Missions berwachung das Einf gen eines GPS Updates in den Missionsplan angefordert Die auszuf hrenden Schritte bei der Missionsumplanung entsprechen den in
136. ierenden Man ver festlegt Das Protokoll wird auch von der Simulation unterst tzt wobei der Missionsplan vom Parameter MissionControl MissionPlan aufgenommen wird O _ __________ _ __________ MissionConirol l Missionflan 80 standard M use standard value mission plan current mission plan Preview a jo 10 i1 112 1414 1191417 1811420121 122 100 1 1 0j Oj 1 0 99 1 0 99 99 99 99 23 gt ere current manoeuvre Man vername ExternerXTE StartPos x StartPos y Ste missionplan OK Cancel ka p K Cancel Abbildung 6 110 MLEditor Missionsplan Plugin Um die Eingabe von Missionspl nen zu vereinfachen existiert f r diese ein spezielles MLEditor Plugin siehe Abbildung 6 110 Es gliedert sich in drei Bereiche Links oben wird der Missionsplan in seiner Simulationsstruktur angezeigt Matrix mit codierten Informationen Unterhalb der Matrix befindet sich ein Bereich in dem je ein Man ver bearbeitet werden kann An dieser Stelle wird das offizielle Protokoll anzeigt das hei t die Informationen werden in verbaler Form beschrieben Die rechte Seite bietet eine Vorschau ber den Fahrtverlauf des Missionsplans Projektionen auf die x y und die x z Ebene Durch das Plugin vereinfacht sich die Handhabung wesentlich Die einzelnen Man ver k nnen Teilprojekt 6 Pr diktives F hrungssystem FKZ 03SX104E 129 DeepC Aktiv autonomes Unterwasserfahrzeug f
137. iert werden berwache die Zustandsgr en des Fahrzeuges sowie die Informationen ber die Umgebung und ermittle ob eine Anpassung des globalen Missionsplanes des autonomen mobilen Systems notwendig ist Bestimme die erforderlichen Korrekturen am Missionsplan 6 1 3 2 2 Aufbau der Missions berwachung Im Abschnitt 6 1 3 1 1 wurde bereits erw hnt dass f r den Einsatz eines Expertensystems in einem autonomen System lediglich die Kernkomponenten Wissensbasis Arbeitsspeicher und Inferenzsystem ben tigt werden Dementsprechend ergibt sich der prinzipielle Aufbau der Missions berwachung aus Abbildung 6 4 Die verf gbaren Informationen ber das mobile System seine Umwelt sowie die Aufgaben der Mission werden durch die Faktermittlung in den Arbeitsspeicher des Produktionssystems bertragen Dieser Vorgang muss regelm ig bei Vorliegen neuer Erkenntnisse wiederholt werden i Faktermittlung l Wissensbasis Arbeitsspeicher Regelhaftes Wissen Fallspezifisches Wissen Fakten Inferenzmaschine Abbildung 6 4 Aufbau der Missions berwachung Zustandsdaten System Umwelt Missionsplan Klassifizierte Situation Grund der Umplanung Korrekturen des Missionsplanes Umplanungsbefehle Teilprojekt 6 Pr diktives F hrungssystem FKZ 03SX104E 19 DeepC Aktiv autonomes Unterwasserfahrzeug f r gro e Tauchtiefen Die Arbeit des Inferenzsystems kann zyklisch oder ereignisgesteuert bei Vorliegen von wichtige
138. inden der Optimall sung Zun chst muss der Vektor der Optimierungsvariablen x ermittelt werden Er setzt sich aus der Aktivierung akt derjenigen Planelemente zusammen die keine F llman ver darstellen x akt akt akt akt mit akt 0 1 k i m wobei das aktuelle Planelement und m der Index des letzten zu ber cksichtigenden Man vers ist Zur Optimall sung f hrt ein Enumerationsverfahren das eine vollst ndige Aufz hlung aller m glichen Kombinationen der Einzelwerte von akt generiert Jeder Aktivierungsvektor repr sentiert dabei eine m gliche Man verkonfiguration die auf ihren Wert und ihre Kosten untersucht werden muss F r eine effiziente Arbeitsweise erfolgt dies in einem zweistufigen Prozess W hrend die Ermittlung des Wertes einer Konfiguration einfach durch Bildung des Skalarproduktes W w akt geschieht muss f r die Kostenberechnung die Man verkonfiguration durch L schen der nicht zu realisiereenden Planelemente und anschlie ende Planbereinigung erzeugt werden Abbildung 6 14 32 Teilprojekt 6 Pr diktives F hrungssystem FKZ 03SX104E DeepC Aktiv autonomes Unterwasserfahrzeug f r gro e Tauchtiefen Anzupassender Missionsplan PE PE gt e PEs MP eee gt PE i i 1 Aktivierungsvektor der zu bestimmenden Man verkonfiguration akt 1 0 1 1 Zwischenschritt L schen nicht zu realisierender Planelemente Pla
139. inf hrende Abschnitt zum Mission Level Design gezeigt habt sind die Missionen neben dem Gesamtsystemmodell ein elementarer Bestandteil des Konzeptes Im Folgenden soll deshalb ihre Beschreibung anhand eines exemplarischen Nutzungsszenarios erl utert werden Die Beschreibung erfolgt mittels der Missionsparameter des Gesamtsystemmodells 128 Teilprojekt 6 Pr diktives F hrungssystem FKZ 03SX104E DeepC Aktiv autonomes Unterwasserfahrzeug f r gro e Tauchtiefen yA yA 600 350 x X an Auftauchen a x x OT Abtauchen Fa 50 x gt gt 6 600 1200 x 400 900 x Abbildung 6 108 Man ver der Beispielmission Abbildung 6 109 Hindernisse der Beispielmission Diese Beispielmission besteht aus einer dreistufige Fahrt Zun chst taucht das Fahrzeug in eine Tiefe von 100 m ab absolviert dort einen M ander und taucht anschlie end wieder auf siehe Abbildung 6 108 In der N he der geplanten Fahrstrecke befinden sich in der Tiefe des M anders f nf Hindernisse Abbildung 6 109 zeigt ihre Lage aus der Draufsicht Das Ziel der Mission besteht darin alle diese Hindernisse zu erkennen Der Ausgangszustand des Fahrzeugs ist dadurch charakterisiert dass es seine Fahrt vollaufgetankt und funktionst chtig am Startpunkt der Mission aufnimmt Diese Mission wird mit den Missionsparametern nachgebildet Den ersten Teil die Fahrtroute beschreibt der Missionsplan Bei ihm handelt es sich um ein Protokoll das die zu absolv
140. ing of a Mission Control System for the MARIUS AUV in Proceedings of the IARP Workshop on Subsea Robotics 1996 REISS K REISS M SPANDL H Hrsg Maschinelles Lernen Springer Verlag Berlin Heidelberg 1992 SPANGELO 1 EGELAND O Trajectory Planning and Collision Avoidance for Underwater Vehicles Using Optimal Control IEEE Journal of Ocenic Engineering Vol 19 No 4 October 1994 SIEK J G LEE L Q A LUMSDAINE A The Boost Graph Library User Guide and Reference Manual New York USA Addison Wesley 2002 SUGIHARA K SMITH J A Genetic Algorithm for 3 D Path Planning of a Mobile Robot Tech Rep No 96 09 01 University of Hawaii Manoa 1996 SUGIHARA K GA based On line Path Planning for SAUVIM In proceegins of the 11 international conference on industrial amp engineering applications of artificial Teilprojekt 6 Pr diktives F hrungssystem FKZ 03SX104E 11 DeepC Aktiv autonomes Unterwasserfahrzeug f r gro e Tauchtiefen intelligence amp expert Systems IEA 98 AlE Vol Il Castellon Spain 1998 TUR95 TURNER R M Intelligent Control of Autonomous Underwater Vehicles The Orca Project in proceedings of the 1995 IEEE Conference on Systems Man and Cybernetics Vancouver BC Canada VG96 VASUDEVAN C GANESAN K Case Based Path Planning for Autonomous Underwater Vehicles Autonomous Robots Vol 3 Kluwer Academic Publishers 1996 WHI99 WATANABE K HASHEM M M A IZUM
141. ion steuert das Ausweichen beziehungsweise das Identifizieren von Objekten Auf der untersten der ausf hrenden Ebene finden sich Softwaremodule die direkt mit der Sensorik beziehungsweise Aktorik interagieren Die Hinderniserkennung Object Detection OBD wertet als Basis der Kollisionsvermeidung die Sonarbilder aus Der Autopilot ADM erzeugt die Steuersignale f r den Antrieb das Sensor Interface bernimmt die Kommunikation mit der Sensorik w hrend Trimm System f r die Trimmung des Fahrzeugs sorgt 6 4 3 1 4 Energie Der Energiekreislauf und die daran beteiligten Komponenten werden in Abbildung 6 107 hervorgehoben Gespeist wird der Energiekreislauf von den Brennstoffzellen Diese sind ber Pufferbatterien mit den zahlreichen Abnehmern verkn pft wobei diese Verkn pfung einem Energienetz entspricht Als Verbraucher treten unter anderem der Antrieb DCM die Prozessoren sowie die gesamte Sensorik Sonar Dolog INS auf Einzelne Komponenten sind zuschaltbar oder ihr Energieverbrauch wird lastabh ngig modelliert Dies trifft beispielsweise f r die Lampen zuschaltbar sowie f r den Antrieb zu welcher in Abh ngigkeit von der Geschwindigkeit mehr oder weniger Energie verbraucht lastabh ngig DeepC Gesamtsystemmodell Autonomes F hrungssystem Energie erzeugungs modul Str mungs Brennstoff model zelle Hinder Seeboden modell Abbildung 6 107 Teilsicht Energie 6 4 3 2 Beispielmission Wie der e
142. ion tko und die Kollisionsposition Xx abgespeichert Tritt eine weitere Kollisionssituation dieses Man vers mit einem Objekt aus der Objektliste auf werden die Kollisionsparameter bernommen wenn die Zeit zur Kollision k rzer als die bis jetzt abgespeicherte Zeit ist Wenn bei der berpr fung eines Man ver mit der gesamten Objektliste eine Kollision auftrat bracht die berpr fung der restlichen Man verelemente nicht mehr durchgef hrt zu werden Die gefundenen Kollisionsparameter werden ausgegeben 60 Teilprojekt 6 Pr diktives F hrungssystem FKZ 03SX104E DeepC Aktiv autonomes Unterwasserfahrzeug f r gro e Tauchtiefen al Man y Jobj Pr fung auf berschnei Jon Jon 1 dungen des i ten Man ver IMan mant 1 mit dem j ten Objekt A Abspeicherung der Kollisionsparameter tko X o nein Ende der Objektliste ja nein nein Ende der Man verliste ja Abbildung 6 42 Bestimmung der ersten Kollisionssituation Die berpr fung auf berschneidung der Objekte mit den Man vern erfolgt durch Schnittberechnungen der geometrischen Formen von Objekt und Man ver Diese sind f r den 3 dimensionalen Fall e Schnitt Elliptischer Zylinder Strecke e Schnitt Elliptischer Zylinder Kreisbogen e Schnitt Elliptischer Zylinder Kreuzspirale Durch diese math
143. ionen Das Fahrzeug arbeitet im Normalfall einen vorgegebenen Missionsplan ab Dieser Plan enth lt Positionswerte und geometrische Daten zur Beschreibung von Basisman vern welche das Fahrzeug in einer vorgegebenen Reihenfolge abzufahren hat Tangieren Objekte die Sollbahn des Fahrzeuges muss in dieser Sondersituation die automatische F hrung durch andere Algorithmen abgel st In Abh ngigkeit der Missionsaufgabe kann die Aufgabe dieser Algorithmen die F hrung des Fahrzeuges zum Ausweichen oder zum Identifizieren der Objekte sein Das selbst ndige Vermeiden von Kollisionssituationen ist eine grundlegende Eigenschaft eines AUVs Im einfachsten Fall bedeutet dies das Umfahren eines ruhenden Objektes Das AUV muss aber auch in der Lage sein mehreren zum Teil bewegten Objekten sicher auszuweichen Ein Ausweichen wird notwendig wenn sich ein Objekt z B ein Wrack oder gr ere treibende Teile im Einsatzgebiet befinden Aufgabe des einzuleitenden Man vers ist es Kollisionen zu vermeiden und auf dem k rzesten oder sichersten Weg zur Sollbahn zur ckzugelangen Aufgrund des dynamischen Verhaltens des AUVs und ggf der auszuweichenden Objekte der Umwelteinfl sse Seestr mung der begrenzten Reichweiten der Aufkl rungs Sensorik hier z B Forward Looking Sonar sowie der entfernungsabh ngigen Detektionsg te und Aufl sung der Sensoren im Medium Wasser handelt es sich bei der gestellten Problematik in der Regel um ein sehr komplexes n
144. ions berwachung zu bew ltigender Umplanungssituationen dargestellt Den Schwerpunkt bilden dabei Reaktionen auf Defekte der Fahrzeugsensorik Ziel ist es m glichst wenig Einbu en an den geplanten Missionszielen bei gleichzeitiger minimaler 42 Teilprojekt 6 Pr diktives F hrungssystem FKZ 03SX104E DeepC Aktiv autonomes Unterwasserfahrzeug f r gro e Tauchtiefen Gef hrdung des AUV hinnehmen zu m ssen So wird zum Beispiel bei einem Defekt des inertialen Navigationssystems die Missionsausf hrung erst nach dem Ansteigen des gesch tzten Navigationsfehlers ber das definierte zul ssige Ma abgebrochen Die Positionssch tzung erfolgt in einer derartigen Situation mit Hilfe einer einfacheren Sensorik zur Lage und Beschleunigungsmessung die eine Weiterfahrt des Fahrzeuges erm glicht Die berwachung der vorhandenen Ressourcen beschr nkt sich f r DeepC auf die Betrachtung der elektrischen Energie da die zeitlichen Aspekte einer Mission bereits durch das Modul Mission Control beobachtet werden werden Ein st ndig durchgef hrter Vergleich der vorhandenen Energiereserven mit den vom Missionsplan ben tigten Energiemengen soll fr hzeitig Defizite aufdecken die mittels der Planoptimierung zu beheben sind Daneben ist auch die aktuelle Leistungsaufnahme des Fahrzeuges zu kontrollieren da ein langfristiger zu hoher Strombedarf das Energieerzeugungssystem unzul ssig belasten w rde Diese berwachung erfolgt durch das Health
145. it diesen Teil der Spezifikation des Systems 2 Die Mobilit t der Systeme erfordert ein Umgebungsmodell das die Bewegung des Systems ber cksichtigt Je nach Einsatzzweck ist es dem System zus tzlich m glich seine Umgebung aktiv zu ver ndern Dieser Gesichtspunkt muss auch in die 114 Teilprojekt 6 Pr diktives F hrungssystem FKZ 03SX104E DeepC Aktiv autonomes Unterwasserfahrzeug f r gro e Tauchtiefen Modellierung bernommen werden Dies kann verdeutlicht werden indem die R ckwirkung des Systemmodells auf das Umgebungsmodell in die Darstellung integriert wird Das bedeutet aber auch dass das Umgebungsmodell quasi eine virtuelle Umwelt bereitstellen muss Daneben stehen mobile automatische Systeme in einer Interaktion mit ihrer Umwelt Hier ist das Umgebungsmodell nicht mehr durch z B Stimulibeschreibungen Sch00 S 22 modellierbar Um diese Anforderung an das Umgebungsmodell zu unterstreichen wird es im Folgenden als Umwelt bezeichnet Operationale Anforderungen Formalisierung T Validierung Spezifikation inklusive Missionen Gesantsystemmodell 4 f Systemebene Systemmodell Funktion und Architektur Abbildung 6 97 Missionsbezogener modellgest tzter Entwurf f r automatische Systeme Abbildung 6 97 fasst die im Rahmen dieser Arbeit vorgenommenen nderungen am von Schorcht formulierten Ansatz des Mission Level Designs zusammen Im oberen Bereich sind die operationalen Anforderungen angeo
146. iteren dass sich sowohl die Aufbereitung als auch die Darstellung getrennt von der Simulation erweitern lassen Es ist also m glich neue Aufbereitungsalgorithmen und Plots auch zu einem sp teren Zeitpunkt in die Auswertung einflie en zu lassen ohne nderungen am Modell vornehmen oder neu simulieren zu m ssen Indem die Datenaufbereitung nach der Beendigung der Simulation durchgef hrt wird wird sie aus dem Modell entfernt womit das Modell besser die Struktur des Systems abbildet Aus beiden Prinzipien ergibt sich eine Auftrennung der einzelnen Phasen zu verschiedenen Programmen Dadurch k nnen die ben tigten Ver nderungen im Bereich der Parametrisierung und der missionsspezifischen Auswertung erfolgen ohne dass in das Programm MLDesigner eingegriffen wird Die Ver nderungen werden mit Hilfe zweier neuer Programme realisiert die im Zusammenspiel mit MLDesigner das Framework f r das Mission Level Design mobiler automatischer Systeme bilden In inm bernehmen spezialisierte Programme die einzelnen Phasen deren Zuordnung wie folgt lautet e MLDesigner wird f r die Modellierung und die Simulation genutzt e F r die Handhabung der Missionen also die Parametrisierung des Modells wurde MLEditor neu entwickelt e MLVisor ebenfalls neu entwickelt ist speziell f r die missionsspezifische Auswertung zust ndig Teilprojekt 6 Pr diktives F hrungssystem FKZ 03SX104E 121 DeepC Aktiv autonomes Unterwasserfahrzeug f r gro
147. itoring erkannt und bewertet Da die Sicherheit des Fahrzeuges im Vordergrund aller Aktivit ten des F hrungssystems steht wird in der Regel ein Missionsabbruch kommandiert Die Unterscheidung in einen unbedingten Abbruch und eine Auftauchempfehlung erm glicht eine angemessene Reaktion in Abh ngigkeit vom Grad der Gef hrdung f r das Fahrzeug 6 1 6 4 4 Anforderungen durch weitere Module Eine f r die erfolgreiche Missionsdurchf hrung wesentliche Umplanungsaktion besteht in dem Einf gen von im Abschnitt 6 1 6 2 vorgestellten Event Man vern Diese Man ver werden bei der Missionsplanung erzeugt und bis auf die geografischen Positionen parametriert Das intelligente Missionsmanagement passt die fehlenden Angaben an die zum Anforderungszeitpunkt existierenden Bedingungen an und f gt das Planelement an der aktuellen Position in den Missionsplan ein Abbildung 6 32 Transit Abtau an a Q i Transit Auftau Transit Circling h gt 1 chen 2 6 chen 7 8 9 a Transit 4 gt Abtau NETTE Event M nder Transit Transit Circling chen 2 ER Man ver 4 8 9 Abbildung 6 32 Einf gen eines Event Man vers in den Missionsplan Start und Endposition k nnen w hrend der Planung mit relativen Verschiebungsvektoren belegt sein d
148. its muss MLEditor in der Lage sein die Modelle mit neuen Parametern f r die Simulation zu schreiben 2 Auf der Basis der gelesenen Parameter wird somit von MLEditor die Parametrisierung des Modells unterst tzt Durch dieses Vorgehen des Frameworks entstehen zwei Typen von Modellen e Entwurfsmodell A Das Entwurfsmodell ist dasjenige MLDesigner Modell an dem der Entwurf vorgenommen wird wobei es jedoch noch nicht parametrisiert ist e Konfigurierte Simulationsmodelle B Diese Simulationsmodelle werden von MLEditor automatisch aus dem Entwurfsmodell tempor r erzeugt Sie dienen der Simulation denn sie stellen eine Version des 122 Teilprojekt 6 Pr diktives F hrungssystem FKZ 03SX104E DeepC Aktiv autonomes Unterwasserfahrzeug f r gro e Tauchtiefen Entwurfsmodells dar die f r eine Mission parametrisiert wurde Ihre Anzahl entspricht dabei der jeweiligen Anzahl von Missionen 6 4 2 3 2 Parameterspeicherung Die Parameter werden nun f r verschiedene Modelle zentral in einer Datenbank verwaltet 3 Diese Parameterdatenbank PDB bietet folgenden Vorteil Die Parametrisierung f r eine Mission erfordert vom Nutzer nur die Angabe der Mission und nicht mehr das Einstellen der Werte da die Parameterwerte gespeichert sind Eine Mission spiegelt sich somit in einer Konfiguration des parametrisierten Modells wider Folglich muss MLEditor f r jede Mission eine parametrisierte Version des Entwurfsmodells erzeugen welches dan
149. itskreis einen kontinuierlichen bergang zu den Gradientenlinien der Sektoren 1 und 2 zu erreichen wurde ein Radius A eingef hrt In dem dadurch entstehenden Kreisring zwischen R und A findet eine gewichtete berlagerung unter Verwendung des Wichtungsfaktors zwischen den Gradienten au erhalb und innerhalb des Kreises nach der Beziehung Kir 2 N R a R jia R 6 14 G a Gggg HI Fa Au erhalb des Innerhalb des Kreises Kreises statt Abbildung 6 60 zeigt ein so erzeugtes Gradientenfeld Gradientenlinien Zielpu N Gradientenlinie L i Abbildung 6 60 Gradientenlinien bei geometrischer Konstruktion 74 Teilprojekt 6 Pr diktives F hrungssystem FKZ 03SX104E DeepC Aktiv autonomes Unterwasserfahrzeug f r gro e Tauchtiefen 6 2 5 2 3 Einbeziehung der Geschwindigkeitsinformationen Unter realen Umweltbedingungen kann es vorkommen dass ein Hindernis sich bewegt beschrieben durch Vama Oder eine starke Seestr mung Vstr mung Vorhanden ist In solchen F llen ist es sinnvoll diese Geschwindigkeitsinformationen bei der Generierung der Gradientenlinien mit einflie en zu lassen So soll es m glich sein ein Ausweichman ver schon fr her zu beginnen wenn sich ein Hindernis auf das Fahrzeug zu bewegt oder eine starke R ckenstr mung vorhanden ist In beiden F llen wird ein m gliches Kollidieren durch unzureichendes Reagieren vermieden Eine M glichkeit dies zu erreichen ist die Vergr eru
150. ive deduktive oder abduktive Lernmethoden Hinsichtlich ihrer Ergebnisse k nnen Black Box Verfahren und Verfahren zum Lernen struktureller Beschreibungen unterschieden werden Hinsichtlich der Lernstrategie unterscheidet man Lernen durch Beispiele Lernen durch Analogieschluss Lernen durch Instruktion und schlie lich hinsichtlich der benutzten Methoden statistische informationstheoretische genetische neuronale u a Verfahren Die Ergebnisse k nnen in Form von Entscheidungsb umen Regeln semantischen Netzen usw dargestellt werden Zielsetzung ist es deshalb zu untersuchen welche der heute bekannten maschinellen Lernverfahren f r das Einsatz und Man vermanagement am besten geeignet sind und sie den spezifischen Anforderungen von AUV s anzupassen und zu testen Anwendung und Test von maschinellen Lernverfahren f r das Man vermanagement Die autonome Ausf hrung von Man vern durch ein AUV ist ein sehr komplexer Prozess Dazu geh ren die selbst ndige Lokalisierung als ein Element der Navigation genauso wie die F higkeit bestimmte Man ver wie Fahren in einer bestimmten H he ber Grund Fahren auf einer konstanten H he Entlangfahren an Hindernissen mit einem bestimmten Abstand oder Umfahren eines Hindernisses usw Das zur autonomen Navigation h ufig verwendete mapping der realen Welt mit einer internen Repr sentation soll hier nicht weiter betrachtet werden Hier sollen schwerpunktm ig Methoden des maschinellen Ler
151. kannter Situationen mit vordefinierten Aktivit ten des AUV reagiert werden Ein Beispiel daf r ist die Durchf hrung einer Kabelinspektion bei der bei einem Verlust des zu inspizierenden Kabels durch die entsprechende Sensorik ein Suchman ver an der letzten bekannten Position mit g ltigem Signal ausgef hrt wird Der zu nutzende Man vertyp und die Ausdehnung des Suchgebietes werden durch den Operator in Form eines Event Man vers vor dem Missionsstart festgelegt Positionierung und Ausrichtung erfolgen dann anhand der vorhandenen Navigationsdaten durch das intelligente Missionsmanagement Diese komplexen Man ver werden von dem Modul Mission Handling in eine Folge von Basisman vern zerlegt Der Autopilot realisiert die einzelnen Basisman ver berwacht das Erreichen ihres Endpunktes und fordert daraufhin das nachfolgende Element an 6 1 6 3 Bestandteile und Arbeitsweise des Einsatzf hrungssystems 6 1 6 3 1 Missions berwachung Die Missions berwachung wertet Informationen unterschiedlicher Herkunft aus um eine Entscheidung zum Umplanen der Mission zu treffen Als wesentlichste Informationsquellen dienen dabei der Navigationsdatensatz und die Diagnoseergebnisse des Health Monitoring Diese Daten werden an das integrierte Expertensystem der Missions berwachung bergeben und w hrend des nachfolgenden Prozesses der logischen Inferenz zur Aktivierung der betroffenen Regeln genutzt In der Tabelle 3 ist eine bersicht einiger durch die Miss
152. kel nderung Abstand zum Ziel Winkel zum Ziel Momentane Geschwindigkeit R 2 Aktive Sonarzellen 1 24 Ausweichen R_3 Abbildung 6 86 Fuzzy Inferenzsystem FIS mit R Regelwerk F r das Modul zur Zielansteuerung werden nur zwei Eingangsvariablen angefordert Zielposition und Abstand zum Ziel F r das Modul zur Hindernisvermeidung werden nur die Sonarzellen Abstandswerte als Eing nge angefordert und f r das Modul das f r die Berechnung der Geschwindigkeit verantwortlich ist werden der Abstand zum Hindernis der Abstand zum Ziel und die vorhergehende Geschwindigkeit als Eing nge angefordert Als Beispiel werden die automatisch generierten Zugeh rigkeitsfunktionen und die Regeln f r das Zielansteuerungsmodul sowie die Geschwindigkeitsberechnung gezeigt Die Optimierung nach dem 1 Iterationsschritt zeigte noch nicht das bestm gliche Modell Erst im 4 Schritt ist ein Optimum bez glich des Gesamtmodells Regeln Fuzzy Sets erreicht Dabei kann sich sowohl die Anzahl der Regeln als auch ihre Semantik ndern Im Abbildung 6 87 a und b sind die optimierten Zugeh rigkeitsfunktionen f r ausgew hlte Eingangs und Ausgangsgr en des Zielansteuerungsmoduls dargestellt Singletons wie in Abbildung 6 87 a k nnen f r die Ausg nge verwendet werden ohne die G te des Modells wesentlich zu beeinflussen F r das Zielansteuerungsmodul lauten die ersten 3 Regeln z B 1 IF Input_0 NG THEN Output NG
153. kernf rder Bucht Teilprojekt 6 Pr diktives F hrungssystem FKZ 03SX104E 45 DeepC Aktiv autonomes Unterwasserfahrzeug f r gro e Tauchtiefen F r das vorgesehene Einsatzgebiet von DeepC sind die Daten f r Bereiche geringer Informationsdichte aus einem digitalen H henmodell STKO1 entnommen und mit der Seekarte aus Abbildung 6 kombiniert worden Die abschlie ende Triangulation beinhaltet gleichzeitig eine Datenreduktion um die Anzahl der quidistant angeordneten St tzstellen des verwendeten H henmodells an die jeweiligen Bodenverh ltnisse anzupassen Dabei werden ber den Gradient des Meeresbodenprofils diejenigen Messpunkte entfernt die keinen ma geblichen Beitrag zur Abbildung des Gel ndes leisten SMK95 Als Resultat liegt der ben tigte Bereich der Ostsee als trianguliertes H henmodell vor Abbildung 6 27 Na zug 7 E SEM INR 765 wu Ki IFA N N An N I IN IN X l NYA N EN N IR y ya fl LAY IS P au A L p 7 a 2 Ea H he N 9 Ki 5 j NV 9 8 2 z een N 542 10 2 aa amp 54 1 Geogr Breite 54 3 A an f 5A HIN Geogr L nge 11 Abbildung 6 28 H henmodell f r die geografischen Umplanungsverfahren Die geografische Planmodifikation ben tigt zus tzlich die Sichtbarkeits oder auch Distanzmatrix der H henpunkte Sie enth lt Kostenbewertungen f r die Strecken zwischen jeweils zwei H henpunkten die bei einer Planpr fung als g ltige Weg
154. ktives F hrungssystem FKZ 03SX104E 93 DeepC Aktiv autonomes Unterwasserfahrzeug f r gro e Tauchtiefen 100 50 100 100 400 y Richtung x Richtung 100 0 a Hindernisposition H1 H2 relativ zum AUV 10 93 10 92 02 5 A 92 69 91 61 80 D gt 92 56 91 47 5 93 10 92 02 10 180 120 60 0 60 120 180 Horizontal b Sonarsicht Abbildung 6 79 Hindernis direkt Vorn 94 Teilprojekt 6 Pr diktives F hrungssystem FKZ 03SX104E DeepC Aktiv autonomes Unterwasserfahrzeug f r gro e Tauchtiefen 100 50 100 100 400 y Richtung x Richtung 100 0 a Hindernisposition relativ zum AUV 10 132 16 5 gt 131 88 0 u gt 131 78 5 132 16 10 180 120 60 0 60 120 180 Horizontal b Sonarsicht Abbildung 6 80 Hindernis Vorn Links 6 3 5 2 Fuzzy Regelbasierter Regler Um das Verhalten eines Experten nachzubilden ist ein Imitationsregler erforderlich Der Imitationsregler der hier eingesetzt wird basiert auf einem Fuzzy Inferenzsystem d h er f hrt die Funktionen Fuzzyfizierung Inferenz und Defuzzyfizierung durch Der Regler besteht aus den in der Abbildung 6 81 dargestellten Eingangs und Ausgangsgr en Er bekommt Daten vom Datenaufbereitungsmodul Teilprojekt 6 Pr diktives F hrungssy
155. leistung die priorit tsgesteuert auf die parallelen Anfragen der Softwaremodule verteilt wird Ist die Arbeit erledigt werden die Softwaremodule benachrichtigt Die zweite Teilsicht betrifft die Zusammenarbeit der Softwaremodule untereinander Das AUV Deept besitzt eine hierarchische Softwarestruktur wie sie Abbildung 6 106 zeigt Alle farblich hinterlegten Bl cke sind im Gesamtsystemmodell ber cksichtigt Mission Control Mission Pig Handling Abbildung 6 106 Vollst ndige DeepC Softwarestruktur An der Spitze steht die taktische Ebene Sie wird vom Mission Controller MCO Mission Plan Handling MHA und dem Mission Replaning gebildet Der Mission Controller stellt die h chste Entscheidungsinstanz dar und kann insofern als der Kapit n des Fahrzeugs bezeichnet werden Das Mission Plan Handling verwaltet die einzelnen Elemente des Missionsplanes welcher den Ablauf jeder Mission steuert Teilprojekt 6 Pr diktives F hrungssystem FKZ 03SX104E 127 DeepC Aktiv autonomes Unterwasserfahrzeug f r gro e Tauchtiefen w hrend das Mission Replaning f r eine ereignisgesteuerte Umplanung des Missionsplanes verantwortlich ist Die strategische Ebene wird von Softwaremodulen gebildet die spezielle strategische Aufgaben bernehmen Navigation NAV bernimmt alle im Zusammenhang mit der Navigation n tigen Aufgaben Das Health Monitoring berwacht das Funktionieren wichtiger Systembestandteile und EvasionAndldentificat
156. m Lernen von Man verstrategien des Fahrzeuges geeignet sind ausgew hlt und analysiert Im Ergebnis der Untersuchungen haben sich zwei wesentliche M glichkeiten herauskristallisiert Die erste beschreibt das zu lernende Man ververhalten in Form von Regeln wobei als Lernverfahren der ID3 bzw C4 5 Algorithmus von Quinlan verwendet wird Qui92 der auf der Grundlage Teilprojekt 6 Pr diktives F hrungssystem FKZ 03SX104E 87 DeepC Aktiv autonomes Unterwasserfahrzeug f r gro e Tauchtiefen von informationstheoretischen Zusammenh ngen in den verf gbaren Daten einen minimal diskriminierenden Entscheidungsbaum und daraus Regeln erstellt Die Regeln werden zur Verbesserung der Abbildungsgenauigkeit in einem Fuzzy System verarbeitet wobei st ckweise lineare Zugeh rigkeitsfunktionen gebildet und diese nach Erstellung der Regeln optimiert werden OWO2 Das zweite geht von der Verwendung von K nstlichen Neuronalen Netzen aus und versucht den Zusammenhang zwischen der aktuellen Situation des AUV und den daraus resultierenden Steuerhandlungen durch ein Multilayer Perceptron MLP abzubilden K002 Nach dem Training des neuronalen Netzwerkes wird mit bekannten Verfahren wie Brainne eine Regelextraktion vorgenommen Als Grundlage des Lernvorganges supervised learning sollen f r beide Methoden zun chst Steuerhandlungen dienen die durch einen Experten bei der Steuerung des AUV in der virtuellen Welt erzeugt wurden 6 3 3 3 Auswahl
157. m vorteilhafter Die Anpassung des vorgestellten Verfahrens an eine elliptische Form w re allerdings sehr rechenaufwendig und bei Einbeziehung der Geschwindigkeitsinformation Abschnitt 6 2 5 2 3 f r nichtkreisf rmige Hindernisse gar nicht realisierbar Deshalb wird eine Transformation durchgef hrt welche eine gedrehte Ellipse mit der Position Xgyipse In einen im Koordinatenursprung liegenden Kreis berf hrt Die Berechnung der Gradientenlinien erfolgt dann f r kreisf rmige Hindernisse wie in Abschnitt 6 2 5 2 2 beschrieben und anschlie ender R cktransformation Die Transformation f r einen beliebigen Punkt x in diesem Bildbereich setzt sich so aus mehreren Teilschritten zusammen siehe Abbildung 6 62 1 Translation des Punktes um die Position Xpyipse Verschiebung der Ellipse in den Koordiantenursprung des Bildbereiches X trans X X Ellipse 6 19 2 Rotation des Punktes um den Rotationswinkel der Ellipse Opripse Rotation der Ellipse zur Erreichung einer achsenparallelen Lage der Ellipse im Bildbereich Cos Op sin Op x Ellipse Ellipse Kun 6 20 trans_rot s m O tnipse cos O tiipse 3 Skalierung des Punktes mit den inversen Werten der halben Haupt und Nebenachse aruipse UNA Brnipse der Ellipse Erreichung einer Kreisform f r die Ellipse mit R 1 D Ua V _ X trans rot 6 21 1 Be 0 Eee b Ellipse 76 Teilprojekt 6 Pr diktives F hrungssystem FKZ 03SX104E DeepC Aktiv autonomes
158. manoeuvre started line 2754 41 nextbasic manoeuvre started circle 2857 01 next basic manoeuvre started line 3420 41 next complex manoeuvre started 3420 41 next basic manoeuvre started line 3712 01 next basic manoeuvre started line 3761 81 next basic manoeuvre started line 4052 81 missionplan finished Zu EEE EEEEGEIEniE e0 20 Abbildung 6 114 K nstlicher Horizont Abbildung 6 115 Meldungen Durch ihre Projektion auf die Achsen geben die bisherigen Darstellungen die tats chliche Bewegung im Raum jedoch nur eingeschr nkt wieder Aus diesem Grund steht f r die Auswertung zus tzlich eine dreidimensionale Darstellung zur Verf gung Abbildung 6 113 Sie erm glicht die Betrachtung der Trajektorie durch Drehung im Raum sowie im animierten zeitlichen Ablauf Gleichzeitig lassen sich zus tzliche Objekte wie der Seeboden oder die Wasseroberfl che in den dargestellten Raum integrieren Eine M glichkeit eine Vorstellung von der Bewegung des Fahrzeugs aus dessen Sicht zu erlangen bietet die Darstellung seiner Nick und Roll Lage mittels eines k nstlichen Horizonts Abbildung 6 114 zeigt dieses aus der Luftfahrt bekannte Instrument Ein anderer Aspekt der sich anhand der bisher vorgestellten Ansichten schwer untersuchen l sst sind die Zeitpunkte an denen die einzelnen Man ver des Missionsplanes eingeleitet werden Das Softwaremodul MissionControl logt die entsprechenden internen Meldungen mit und stellt diese f r
159. mit den atomaren Befehlen Einf gen L schen und Modifizieren sind beliebige Modifikationen an Missionspl nen m glich Sie stellen die kleinsten unteilbaren Einheiten f r die Ver nderung eines Planes dar Die komplexen Befehle Abbruch und Optimierung setzen sich im Grunde genommen aus den atomaren zusammen Sie dienen einerseits der Verlagerung umfangreicher Berechnungen in die Missionsumplanung Dies ist zum Beispiel bei der Optimierung der Fall Andererseits wird die bergabe von Umplanungsbefehlen durch andere Komponenten der Systemsoftware vereinfacht Diese Komponenten k nnen ber die gleiche Schnittstelle wie die Missions berwachung Befehle erteilen um eine umgehende Reaktion auf bestimmte Ereignisse auszul sen Denkbar ist zum Beispiel das sofortige Ausl sen eines Missionsabbruchs infolge der Lagebeurteilung durch die Fahrzeugeigendiagnose Health Monitoring ohne extra eine Missions berwachung durchzuf hren Das Missionsmanagement besitzt Zugriff auf alle Zustandsdaten des autonomen mobilen Systems und der Umwelt die f r die Aufgabenerf llung notwendig sind Dazu geh ren 14 Teilprojekt 6 Pr diktives F hrungssystem FKZ 03SX104E DeepC Aktiv autonomes Unterwasserfahrzeug f r gro e Tauchtiefen neben den Navigations und Sensordaten auch diejenigen abgeleiteten Informationen die von anderen Systemkomponenten erzeugt werden Beispielsweise k nnen Diagnosemeldungen wie ein geringer Ladezustand von Batterien zu
160. mobiles System als auch an weitere Missionsprofile f r ein vorhandenes System m glich Die Produktionsregeln nutzen die bei der Faktermittlung generierten Objektinstanzen um die Notwendigkeit zur Umplanung zu bestimmen In den Pr missen der einzelnen Regeln sind dazu die Bedingungen zu formulieren die zur Aktivierung der jeweiligen Regeln ben tigt werden Die Tabelle 6 2 zeigt beispielsweise eine Regel zum Entfernen aller Man ver aus dem Missionsplan die einen bestimmten Sensor Sensor 1 ben tigen Diese Regel verdeutlicht einen wesentlichen Vorteil der regelbasierten Wissensdarstellung gegen ber der prozeduralen Repr sentation Sind im Missionsplan mehrere Man ver vorhanden die die Bedingungen der Pr misse erf llen wird die Regel f r jedes dieser Man ver aktiviert und realisiert Schleifenl ufe wie in prozeduralen Programmiersprachen sind dazu nicht notwendig Tabelle 6 2 Regel zum Entfernen von Man vern bei Sensordefekten defrule HARDWARE Sensorl DEFEKT Priorit t der Regel festlegen declare salience 30 Pr fung ob in der Instanz ams Sensor1 als defekt gesetzt ist object name ams Sensor1 defekt Suchen von Man vern die die Sensorik Sensor1 verwenden und nocht nicht erledigt wurden In die Variable man name wird der Name des Man vers eingetragen object is a MANOEUVRE Erledigt nein Hardware Sensori name man name Bildschirmausgabe format t L sche Man ver 3s we
161. n 6 Erzielte Ergebnisse Formel Kapitel 6 Abschnitt 1 6 1 Einsatzf hrungssystem 6 1 1 Aufgaben des Einsatzf hrungssystems Das Einsatzf hrungssystem ist in der obersten Ebene der hierarchisch strukturierten Softwarearchitektur von DeepC angeordnet Hauptaufgabe der Einsatzf hrung ist die berwachung und Umplanung einer Mission wenn die Rahmenbedingungen dies erfordern Das System wurde derartig konzipiert dass eine Anpassung an andere mobile Systeme m glich ist Deshalb soll in den nachfolgenden Abschnitten 6 1 2 bis 6 1 5 ein berblick zu den allgemeing ltigen Methoden gegeben werden die f r das System entworfen wurden Daran schlie en sich Aussagen zur konkreten Implementierung auf dem AUV DeepC an 6 1 2 Konzeption und Aufbau des Einsatzf hrungssystems Ausgangspunkt f r den Entwurf des Missionsmanagementsystems sind die zu l senden Aufgaben die sich aus den bereits im Projektantrag vorgestellten Teilproblemen ergeben berwachung der Missionsdurchf hrung und Erkennung von Situationen die eine Umplanung erfordern Ermittlung der notwendigen Handlungen f r die Anpassung des Missionsplanes Durchf hrung der Modifikation des Missionsplanes Zun chst soll eine Analyse der oben genannten Aufgaben durchgef hrt werden Aus der Analyse ergibt sich schlie lich die Struktur des Systems entsprechend Abbildung 6 1 Die berwachung der Missionsdurchf hrung und vor allem die Erkennung von Umplanungssituationen erforde
162. n Problems and Their Approximability Properties Springer Verlag Berlin Heidelberg 1999 BOMZE I M GROSSMANN W Optimierung Theorie und Algorithmen BI Wissenschaftsverlag Mannheim Wien Z rich 1993 BEIERLE C KERN ISBERNER G Methoden wissensbasierter Systeme Vieweg Verlagsgesellschaft mbH Braunschweig Wiesbaden 2000 BARROUIL C LEMAIRE J Advanced Real Time Mission Management for an AUV In NATO Symposium on Advanced Mission Management and System Integration Technologies for Improved Tactical Operations Florence Italy sep 1999 B HME D WERNSTEDT J Entwurfskonzeote f r Beratungssysteme zur L sung kybernetischer Aufgaben In messen steuern regeln msr 30 1987 12 S 535 539 DEVILLERS O Improved Incremental Randomized Delaunay Triangulation In Proceedings of the Fourteenth Annual Symposium on Computational Geometry 1998 S 106 115 DIJKSTRA E W A Note on Two Problems in Connexion with Graphs In Numerische Mathematik Mathematisch Centrum Amsterdam 1 1959 S 269 271 DOMSCHKE W Einf hrung in Operations Research Springer Verlag Berlin Heidelberg New York 1995 DOORENBOS R Production Matching for Large Learning Systems Carnegie Mellon University Pittsburgh USA Dissertation 1995 DUNG L T Entwurf und Realisierung von echtzeitf higen Inferenztechniken f r wissensbasierte Systeme Technische Universit t IImenau Dissertation 1995 FORGY C L Rete A Fast
163. n vom Anfangsknoten Startpunkt zum Endknoten Zielpunkt mit den geringsten Gesamtkosten durch Suchalgorithmen Dijkstra Dij59 A Nil71 D Algorithmus Ste95 ermittelt Sie durchsuchen den Graphen um eine Kombination von Kanten zu ermitteln welche den Startknoten und den Endknoten mit der geringsten Summe an Kosten verbinden In den n chsten beiden Abschnitten werden die Arbeitsschritte zur Generierung eines Graphen Erzeugung der Kanten und Knoten unter Echtzeitanforderungen Abschnitt 6 2 5 1 1 Ein neuartiges Verfahren zur Bestimmung der Kosten unter Einbeziehung der Str mungsinformation Abschnitt 6 2 5 1 2 beschrieben 6 2 5 1 1 Darstellungsm glichkeiten der Umwelt in einem Graphen In diesem Abschnitt werden zwei Methoden zur Erzeugung eines geometrischen Graphen Sichtbarkeitsgraph Abschnitt 6 2 5 1 1 1 Quadtree Octreegraph Abschnitt 6 2 5 1 1 2 vorgestellt Die Auswahl dieser Methoden erfolgte auf Grundlage der vorgegebenen Hindernisform elliptischer Zylinder und der Forderung nach einer echtzeitf higen Abarbeitung der Algorithmen unter den gegebenen rechentechnischen Restriktionen des Fahrzeuges 6 2 5 1 1 1 Sichtbarkeitsgraph Beim Sichtbarkeitsgraphen bilden die Ecken der Hindernisse die Knoten des Graphen DJ00 Hindernisse ohne Ecken Kreis Ellipse werden durch eine Polygonform nachgebildet welche das Hindernis vollst ndig einschlie t Alle m glichen Linien zwischen den Knoten die keine Hindernisse s
164. n Informationen zum Beispiel dem Ausfall der Sensorik zur Hindernisvermeidung gestartet werden Die Produktionsregeln sind derart aufgebaut dass nach Ausf hrung des Konklusionsteils Informationen zu den Gr nden einer Planmodifikation sowie den durchzuf hrenden Korrekturen am Plan vorliegen 6 1 3 2 3 Faktermittlung und Arbeitsspeicher Die Faktermittlung generiert aus den zur Verf gung stehenden Informationen Fakten die im Arbeitsspeicher abgelegt werden Zur Wissensrepr sentation eignen sich besonders objektorientierte Techniken da sie das Wissen sowie die zur Anwendung notwendigen Verarbeitungsroutinen kapseln Die f r die Missions berwachung wesentlichen Elemente des mobilen Systems wurden zu Objekten zusammengefasst und als Klassen modelliert Abbildung 6 5 Die Attribute der einzelnen Klassen sind dabei von der jeweiligen Plattform des mobilen Systems sowie der Struktur des Missionsplanes abh ngig Bei der Faktermittlung werden nun Instanzen dieser Klassen erzeugt und mit den verf gbaren Informationen gef llt F r einen effektiven Mustervergleich der die Ermittlung der aktivierten Regeln innerhalb der Inferenzstrategie vornimmt werden nur diejenigen Informationen in den Arbeitsspeicher eingetragen die sich gegen ber dem Vorzustand ge ndert haben Das reduziert den Rechenzeitaufwand der entsprechend den Aussagen in Abschnitt 6 1 3 1 3 wesentlich von der Anzahl der ge nderten Fakten innerhalb eines Arbeitszyklus des Inferenzsy
165. n Level Design urspr nglich f r den Entwurf von Mobilkommunikationssystemen vorgestellt wurde muss zuerst gekl rt werden welche Anpassungen sich f r den Entwurf mobiler automatischer Systeme wie dem DeepC Fahrzeug ergeben Bei einem mobilen automatischen System handelt es sich um ein technisches und oder biologisches System dass sich f r einen gewissen Zeitraum selbst ndig bewegen und Aufgaben erf llen kann Es besitzt Sensoren zur Erfassung der eigenen Zust nde und oder der Umwelt Informationssysteme verbinden diese mit Entscheidungssystemen und Aktoren Die Aktoren des mobilen Systems garantieren die Bewegung im Raum und bernehmen weitere Aufgaben Das Entscheidungssystem muss das System auf Basis dieser Sensordaten im Raum selbst ndig bewegen und es zur L sung seiner Aufgaben bef higen Im Zusammenhang mit mobilen automatischen Systemen ergeben sich an dieser Stelle f r das Mission Level Design spezifische Anpassungen l Die urspr ngliche Mission Level Design Idee eines generellen Mappings verschiedener Architekturen auf ein Funktionsmodell steht im Widerspruch zur Idee einer testweisen Umsetzung der Spezifikation Eine klar voneinander abgegrenzte Modellierung von Architektur und Funktionalit t f llt zudem schwer wenn die Architektur Funktion bernimmt Aus diesem Grund vereint der in dieser Arbeit verfolgte Ansatz das Funktions und das Architekturmodell im Systemmodell Es enth lt beide Aspekte und repr sentiert dam
166. n TCP IP Protokoll Zu diesem Zweck wurde eine s Function geschrieben welche eine Socketverbindung aufbaut und die Daten von SIMULINK in ein Datentelegramm umwandelt und zur Virtuellen Realit t sendet Die empfangenen Daten werden in einem Programm ausgelesen und an KISMET ber Shared Memory bermittelt Bei den Testfahrten zeigte es sich dass bei einer reinen visuellen Erfassung der Umgebung ein sicheres Ausweichen und Umfahren der Hindernisse nicht m glich ist begrenztes 106 Teilprojekt 6 Pr diktives F hrungssystem FKZ 03SX104E DeepC Aktiv autonomes Unterwasserfahrzeug f r gro e Tauchtiefen Sichtfeld Aus diesem Grund wurde ein zus tzliches Anzeigeinstrument in Form eines Sonarabbildes f r die aufgefassten Hindernisse in Fahrzeugn he entwickelt Diese Anzeige ist als ActiveX Steuerelement programmiert wodurch eine leichte Einbindung in SIMULINK m glich ist Abbildung 6 91 zeigt die Bl cke der Testumgebung in der SIMULINK Bibliothek u Library vrdclib File Edit view Format Help D S Hajte c mEt Model Browser 3g E L H Anzeigeinstrumente 5 34 AuY Modell H PH Dyn Fahrzeugmodell a Eingabegeraste Eingabegeraete EH Schnittstellenbl cke PH Zeitsynichranisatian y i Zeitwnchronisation g Schnittstellenbl cke i AUW Miodell ki Anzeigeinsttumente Abbildung 6 91 SIMULINK Bibliothek 6 3 6 Ergebnisse der simulativen Untersuchungen Die Ergebnisse mit dem durch
167. n bei Auftreten defekter Subsysteme im AUV Diese Vorschl ge und die Ergebnisse der Diagnose flie en in das intelligente Missionsmanagement ein Die wissensbasierte Ebene beinhaltet das intelligente Missionsmanagement das in Abschnitt 2 n her vorgestellt wird Als zentrale Entscheidungsinstanz des gesamten Systems ist das Modul Mission Control f r die Koordinierung der Arbeit der verschiedenen Programme verantwortlich So muss zum Beispiel vor der Durchf hrung von Modifikationen des Missionsplanes eine entsprechende Genehmigung von Mission Control vorliegen Dar ber hinaus berwacht dieses Modul alle ablaufenden Prozesse um fr hzeitig ein Fehlverhalten einzelner Einheiten des AUV zu erkennen 6 1 6 2 Man verkatalog Der Man verkatalog beinhaltet die Menge verf gbarer komplexer Man ver f r DeepC Er wurde von den Projektpartnern im Laufe des Projektes festgelegt und von ATLAS Elektronik in entsprechender Software implementiert Der Katalog umfasst die folgenden Man ver die f r das Missionsmanagement eine zentrale Rolle spielen TRACK MEANDER Q ROUTE GPS UPDATE SURFACE AUFTAUCHEN DESCENT ABTAUCHEN SV_PROFILE Sound Velocity Profile CIRCLING Verschiedene Man ver des Man verkatalogs k nnen als so genannte Event Man ver bei der Missionsplanung in ihrer Geometrie beschrieben und im sp teren Einsatz bei dem Missionsmanagement angefordert werden Damit kann bei Auftreten bestimmter vor dem Missionsstart be
168. n bestimmten Bereich begrenzt dom nenspezifisches Wissen Schon fr hzeitig wurde erkannt das dieses Wissen verloren gehen kann Der Verlust des Experten durch Abwanderung oder Ruhestand ist zum Beispiel bis in die heutige Zeit ein gro es Problem f r die Industrie Auch die Nutzung der Erfahrung des Experten an verschiedenen Orten gleichzeitig ist zwar durch moderne Kommunikationsmittel erleichtert worden ein Ausgleich f r die T tigkeit vor Ort ist dies jedoch nicht Deshalb besteht seit den 70er Jahren der Wunsch das Wissen und den Sachverstand von Experten in dauerhafter und universell nutzbarer Form zu hinterlegen Daraus entwickelten sich die ersten Expertensysteme wie DENDRAL oder MYCIN GR93 Heutzutage sind regelbasierte Expertensysteme bedingt durch ihre Vorteile wie Modularit t gute Lesbarkeit sowie einfache Wartbarkeit die weitesten verbreitete Form wissensbasierter Systeme Moh00 6 1 3 1 1 Aufbau Prinzipiell bestehen regelbasierte Expertensysteme aus mehreren Komponenten Abbildung 6 2 Die f r die eigentliche Aufgabenerf llung erforderlichen Kernelemente sind Moh00 Wissensbasis Sie enth lt die Regeln und ist im Allgemeinen statisch Es findet also keine Ver nderung der Regeln statt Arbeitsspeicher Er enth lt ver nderliches Wissen ber einen Prozess oder ein System H ufig wird dieses Wissen fallspezifisch in Form von Fakten hinterlegt Wissensverarbeitungskomponente Sie enth lt den Algorithmus z
169. n folgenderma en definieren x i D x Vi 12 n 1 Dieser auch als Kontinuit tsbedingung bezeichnete Zusammenhang ist die Basis der im Folgenden vorzustellenden Verfahren Er besagt dass stets der Endzustand eines Planelementes dem Anfangszustand des n chsten Planelementes entsprechen muss F llplanelemente Zum besseren Verst ndnis der nachfolgenden Aussagen soll ein weiterer neuer Begriff das F llplanelement eingef hrt werden Als F llplanelemente oder auch F llman ver sollen diejenigen Planelemente bezeichnet werden die lediglich zum Anpassen von Zustandsunterschieden aufeinander folgender Man ver im Plan vorhanden sind Sie werden zum Beispiel beim L schen von Planelementen eingesetzt Nach Durchf hrung aller Modifikationen an einem Missionsplan werden aufeinander folgende F llman ver in der so genannten Planbereinigung automatisch zusammengefasst Der Typ und damit die Aktionen eines F llman vers h ngt von der Wahl des Zustandsvektors f r die Beschreibung der Planelemente und damit auch von den konkreten Gegebenheiten der Roboterplattform ab F r ein mobiles System mit der Fahrzeugsposition als Zustandsvektor besteht zum Beispiel ein F llplanelement in einem Transit von einer Start zu einer Endposition f r ein AUV stellen dar ber hinaus auch Auf und Abtauchman ver F llplanelemente dar 6 1 4 2 2 Einf gen von Planelementen Der atomare Umplanungsbefehl Einf gen erlaubt das Hinzuf gen von Planelementen zu
170. n in eine Folge allgemeing ltiger Befehle Andererseits ergibt sich durch diese Festlegung als gro er Vorteil dass die Menge an Befehlen f r die unterschiedlichen Typen mobiler Systeme und dar ber hinaus f r auch alle sequentiellen Pl ne geeignet ist Deshalb wurde dieser Ansatz in dem Projekt verwendet Tabelle 6 1 Teilprojekt 6 Pr diktives F hrungssystem FKZ 03SX104E 13 DeepC Aktiv autonomes Unterwasserfahrzeug f r gro e Tauchtiefen Externe Umplanungsbefehle Missionsumplanung Umplanungsbefehle EIER Su a Missions berwachung A Missionsplan Missionsrealisierung Steuerkommandos Zustandsdaten AMS Umwelt Man verf hrung O u C gt y dp ZC Q V 2 gt Fahrzeugf hrung Hardware Abbildung 6 1 Aufbau und Integration der Einsatzf hrung Tabelle 6 1 Verf gbare allgemeing ltige Umplanungsbefehle Befehl Beschreibung Atomare Befehle Einf gen F gt ein Element in den Missionsplan ein Elemente k nnen sowohl zwischen andere Elemente als auch in ein Element eingef gt werden L schen L scht ein Element aus dem Missionsplan Modifizieren Modifiziert Parameter eines Elementes des Missionsplanes Komplexe Befehle Missionsabbruch Bricht die Mission ab und f gt die eventuell daf r notwendigen Anweisungen in den Missionsplan ein Optimierung Optimiert einen Missionsplan bez glich der verf gbaren Ressourcen des autonomen mobilen Systems Insbesondere
171. n mit MLDesigner zu simulieren ist Die Missionssimulation erfolgt mithin durch die Teilschritte Modellierung MLDesigner Missionserstellung MLEditor und Simulation MLDesigner 6 4 2 3 3 Speicherung der Simulationsergebnisse Durch die Trennung von Modell und Aufbereitung bzw Darstellung wird es n tig die Simulationsergebnisse zu speichern Daf r wird im hier vorgestelltem Konzept eine Simulationsdatenbank SDB genutzt 4 MLDesigner schreibt die Daten w hrend der Simulation in die SDB MLVisor nutzt sie f r die Darstellung Ein Vorteil der SDB liegt in der gleichzeitigen Archivierung der Ergebnisse So lassen sich die Ergebnisse fr herer Simulationen abrufen und direkt mit neueren Ergebnissen vergleichen Au erdem kann die Auswertung der Missionen ohne Unterbrechung durch Simulationen und in beliebiger Reihenfolge durchgef hrt werden Da zus tzlich auf die Informationen aus der Parameterdatenbank zur ckgegriffen werden kann ist es zudem m glich einen halbautomatischen Test auf die Einhaltung der System oder der Entwurfsparameter durchzuf hren Aus der Losl sung von direkten Benutzereingaben resultiert die M glichkeit einer Zeitraffung der Simulation Das hei t die Simulation kann schneller als die Echtzeit ablaufen Dies stellt bei einer gro en Anzahl von Missionen und einer langen Missionsdauer einen Vorteil dar 6 4 2 3 4 Nutzung der Ergebnisse Die aus der Auswertung gewonnenen Erkenntnisse werden anschlie end in
172. naus f r ein im dreidimensionalen Raum bewegendes mobiles System ergeben Zur Bereinigung des Planes sind mehrere Arbeitsschritte notwendig Bestimmung der Positionen aller F llman ver im Missionsplan Ermittlung aufeinander folgender F llplanelemente Startindex und Anzahl der Elemente jeder Folge L schen der auf den jeweiligen Startindex folgenden F llplanelemente Als Ergebnis entsteht ein Missionsplan der keine aufeinander folgenden F llman ver mehr enth lt Abbildung 6 12 Die Planbereinigung wird stets nach dem L schen oder Einf gen eines Planelementes und w hrend der Optimierung angewendet da w hrend dieser Umplanungsma nahmen Folgen von F llplanelementen auftreten k nnen De en che fe _ PE gt PE i i 1 i 2 i 3 i 4 i 5 PERF PE gt PE m gt PE PE PE i i 1 i 2 i 3 i 5 Abbildung 6 12 Bereinigung eines Missionsplanes F llplanelemente sind grau hinterlegt Am konkreten Beispiel eines mobilen Systems wird der Nutzen dieses Verfahrens am einfachsten deutlich Die in der Abbildung 6 12 grau hinterlegten F llplanelemente stellen auf einer derartigen Plattform jeweils ein Transitman ver dar das Anfangs und Endzustand miteinander verbindet Zwei aufeinander folgende Elemente wie PE und PE i 4 stellen dabei nicht zwangsl ufig den k rzesten Weg dar um zum S
173. nbereinigung P RK Ba gt PE P nen gt PE Resultierende Man verkonfiguration PE Be Arrare gt PE PE el PE mn n l i 1 Abbildung 6 14 Erzeugen einer Man verkonfiguration die grau hinterlegten Planelemente stellen F llplanelemente dar Im ersten Schritt der Optimierung werden die Aktivierungsvektoren entsprechend dem zugeh rigen Wert der Man verkonfiguration absteigend sortiert Abbildung 2 Beginnend mit der h chstwertigsten Konfiguration werden nun im zweiten Schritt der Reihe nach die Nebenbedingungen berechnet und gepr ft Die erste Konfiguration die alle Bedingungen erf llt ist die gesuchte optimale L sung Sie besitzt den h chsten Wert unter den vorhandenen Beschr nkungen gX lt 0 Schritt 1 Schritt 2 Sortieren der Aktivierungsvektoren Sequentielle Pr fung der Nebenbedingungen Abbildung 6 15 Zweistufiges Konzept der Optimierung Heuristik zur schnellen Probleml sung Ree95 definiert eine Heuristik als Technik die mit vertretbarem Rechenaufwand gute approximative L sungen sucht Sie ist jedoch nicht imstande die Optimalit t und Zul ssigkeit des gefundenen Ergebnisses zu garantieren F r das Rucksack Problem existiert eine Vielzahl von Heuristiken die bekannteste und einfachste ist der so genannte Greedy Algorithmus Er besitzt einen geringen linear mit der Problemgr e
174. nderweitige h herpriorisierte Umplanungsanforderungen reagieren zu k nnen Die abgebrochene Optimierung wird im Anschluss an die durchgef hrte Planmodifikation neu gestartet wenn das Ressourcendefizit noch vorhanden ist Aufgrund der Komplexit t des Problems wurde neben dem eigentlichen Optimierungsverfahren eine Heuristik entworfen die insbesondere bei gro en Man verzahlen eine erhebliche Beschleunigung des Optimierungsprozesses erzielt F r einen Vergleich beider Methoden sind umfangreichere Pl ne durch zwei f nf und zehnfache Aneinanderreihung der Man ver 1 bis 8 des Testplanes aus Abbildung 6 30 erzeugt worden Alle Pl ne werden mit dem abschlie enden Kontaktman ver Circling 9 beendet Die Wiederholung der Man versequenz stellt hohe Anforderungen an die Methoden der Planbereinigung da das Entfernen von den in gr eren Tiefen ausgef hrten Man vern M ander 3 und Q Route 5 auch zur Kombination typischer Sequenzen von Abtauch Transit und Auftauchman vern zu einem einzelnen horizontalen Transit f hren kann Den Ma stab f r die Bewertung stellen der unter einem bestimmten Energiedefizit erreichte relative Wert der Mission W x bezogen auf den Wert des urspr nglichen Planes a Wc W x x l k 1K n sowie die Laufzeit der Optimierung gemessen ber die Anzahl der Schritte bis zum Auffinden der L sung dar Die Ergebnisse beider Optimierungsmethoden sind in Tabelle 6 6 gegen bergestellt Die vermerkte Anzahl d
175. nens aufbereitet und weiterentwickelt werden die dem AUV die F higkeit verleihen eine Kollisionssituation erfolgreich zu vermeiden Im Ergebnis soll das AUV entweder auf den durch die Einsatzplanung vorgegebenen Kurs zur ckgef hrt werden oder wenn der urspr nglich vorgesehene Einsatzplan nicht mehr realisierbar ist eine Einsatzumplanung vorgenommen werden 1 4 MLD Mission Level Design Die Sicherstellung des Gesamt Projektergebnisses durch technisch koordinierende Begleitung der Partner unter Systemaspekten ist Kern dieses Arbeitsfeldes Eine zielkonforme Durchf hrung eines komplexen Vorhabens mit vielen Projektpartnern ist eine Aufgabe die st ndige Abstimmung erfordert Unter Systemgesichtspunkten muss gepr ft und bewertet werden ob jeweils erarbeitete L sungen zueinander kompatibel sind ob Optimierungskriterien im Gesamtzusammenhang sinnf llig sind Bedingt durch die weitgehend getrennte Entwicklung von Hard und Software sowie die meist erst zum Integrationstest ber cksichtigten Anforderungen seitens der Architektur und der Erf llung von Echtzeitbedingungen werden Entwurfsfehler erst sp ter erkannt Teilprojekt 6 Pr diktives F hrungssystem FKZ 03SX104E 5 DeepC Aktiv autonomes Unterwasserfahrzeug f r gro e Tauchtiefen 2 Voraussetzungen unter denen das Vorhaben durchgef hrt wurde Das Fachgebiet Systemanalyse SYS verf gt seit Jahren ber umfangreiche theoretische und praktische Erfahrungen auf den G
176. ng 6 26 Ablauf der Missionsumplanung Die geografische Planpr fung erfordert entsprechend den Aussagen aus Abschnitt 6 1 5 eine digitale Karte des Einsatzgebietes des autonomen mobilen Systems Diese Karte muss aus den verf gbaren Informationen generiert und in der von dem intelligenten Missionsmanagement ben tigten Struktur abgelegt werden Das im Forschungsprojekt vorgesehene erste Einsatzgebiet befindet sich in der Ostsee Als Datenquelle f r dieses Gebiet stehen digitale H henmodelle h ufig mit quidistant angeordneten St tzstellen und digitale Navigationskarten f r die Schifffahrt Electronic Navigational Chart ENC zur Verf gung Letztere beinhalten genaue Daten f r die Navigation von U berwasserschiffen und besitzen ein standardisiertes Austauschformat Int00 In das zugrunde liegende objektorientierte Datenmodell sind alle f r die Schifffahrt relevanten Informationen integriert Die Datenbasis ist in Form von Zellen organisiert die die gesamte Erdoberfl che in unterschiedlichen Genauigkeitsstufen abdecken Jede Zelle enth lt dabei die sie beschreibenden Objekte mit ihrer Geometrie und den zugeh rigen Attributen Abbildung 6 27 zeigt einen Ausschnitt aus einer Seekarte der aus Gr nden der bersichtlichkeit lediglich die grundlegenden topografischen Elemente beinhaltet N i 010x00 00 E 010 20 00 E a he Eckernf rde 18 km 54 20 00 N 11 km Abbildung 6 27 Digitale Seekarte der Ec
177. ng der Sicherheitszone in Richtung einer resultierenden Geschwindigkeit Ve welche durch die folgende Beziehung beschrieben wird 6 15 Vres z V Hina V Str mung i Die Sicherheitszone wird damit von ihrer Kreisform mit dem Radius R in eine Ellipse berf hrt siehe Abbildung 6 61 Abbildung 6 61 Verformung der Sicherheitszone Die geometrischen Ma e der so entstandenen Ellipse werden durch die nachfolgenden Gleichungen bestimmt a R l v Ellipse Ellipse R 1 i Va 6 16 I v ata Ve tan x Ea Der Koeffizient v beschreibt das Verh ltnis zwischen dem Betrag der resultierenden Geschwindigkeit v und der vorgegebenen Marschgeschwindigkeit Viae des Fahrzeuges und wird berechnet aus b 6 17 Teilprojekt 6 Pr diktives F hrungssystem FKZ 03SX104E 75 DeepC Aktiv autonomes Unterwasserfahrzeug f r gro e Tauchtiefen Das Zentrum der Ellipse wird durch den Zusammenhang COS Oper Vp Ellip 6 18 Sin Orie R Vers X Hind_vel XHind t Ellipse beschrieben Die Berechnung der Gradientenlinien f r die entstandene elliptische Form des Sicherheitsgebietes erfolgt auf der Basis der Ausf hrungen im Abschnitt 6 2 5 2 4 6 2 5 2 4 Anwendung bei elliptischen Sicherheitszonen Bei den vorhergehenden Ausf hrungen wurde vorausgesetzt dass ein Hindernis durch einen Kreis beschrieben wird Da durch die Kreisform viele Objekte ung nstig beschrieben werden ist eine elliptische For
178. ntiert Die Simulation mit dem AUV Modell das durch die TU Ilmenau f r Matlab erstellt wurde zeigt zufriedenstellende Ergebnisse f r ausgew hlte Umweltszenarien Die aus dem Regelsystem ermittelten Fahrtrajektorien zeigen das reaktive Ausweichen des AUV bei Hindernissen Die Positionierung der Hindernisse wurde so vorgenommen dass sie f r eine Vielzahl von in der Praxis auftretenden Situationen m glichst repr sentativ ist Das Fuzzysystem f r das AUV ist fertig gestellt Alle Funktionen sind in Form von BCB6 C Funktionen implementiert 6 3 9 Literatur DGB02 Dials amp Gauges Blockset User s Guide MathWorks 2002 DKO97 Dung L T M Koch and P Otto 1997 FuzzyOpt ein Werkzeug zum Entwurf optimaler Fuzzy Systeme at Automatisierungstechnik 45 1997 11 555 556 R Oldenbourg Verlag DiX04 http www microsoft com windows directx default aspx GG90 Gordon D F and Grefenstette J J 1990 Explanations of empirically derived reactive plans Proceedings of the seventh International Conference on Machine Learning Austin TX Morgan Kaufmann Kis04 http www kismet iai fzk de KO02 Karimanzira D and Otto P 2002 A Self tuning predictive controller based on instantaneous linearization using neural networks IASTED International Conference Artificial and Computational Intelligence ACI 2002 Japan September 25 27 KO04 Karimanzira D and Otto P 2004 A Manoeuvre Management System Based
179. ntlichsten Methoden n her eingegangen werden Die ausgew hlten Situationen offenbaren jedoch die enorme Flexibilit t des Konzeptes des intelligenten Missionsmanagements Die Optimierung des Missionsplanes stellt einen Schwerpunkt der entworfenen Verfahren dar Durch die Implementierung zweier unterschiedlicher Methoden ist ein Einsatz direkt auf dem AUV erm glicht worden Der Vergleich von globaler Optimierung und Greedy Heuristik zeigt die Leistungsf higkeit des N herungsverfahrens wenn die Rahmenbedingungen sinnvoll gew hlt werden Die geografischen Planungsverfahren garantieren schlie lich die Fahrbarkeit der neu erstellten oder angepassten Man ver Dazu ist neben der Pr fung eines Missionsplanes auch die Bestimmung eines navigierbaren Weges notwendig Anhand eines im sp teren ersten Einsatzgebiet des AUV DeepC gelegenen Missionsplanes konnte die prinzipielle Vorgehensweise der entworfenen Algorithmen und der Aufbau der Datenbasis dargestellt werden Teilprojekt 6 Pr diktives F hrungssystem FKZ 03SX104E 53 DeepC Aktiv autonomes Unterwasserfahrzeug f r gro e Tauchtiefen 6 1 8 Literatur ACG 99 AUSIELLO G CRESCENZI P GAMBOSI G KANN V MARCHETTI SPACCAMELA BG93 BKI00 BL99 BW87 Dev98 Dij59 Dom95 D0095 Dun95 For82 For94 GJ79 GR98 GRT93 Hau00 Her89 HGM02 HJM93 A PROTASI M Complexity and Approximation Combinatorial Optimizatio
180. oboters zu gew hrleisten sollte der Missionsplan vor dem Start der Mission und nach einer Umplanung auf Einhaltung der Beschr nkungen durch seine Umgebung berpr ft werden Die zu ber cksichtigenden Restriktionen k nnen vielf ltig sein So muss ein in Geb uden operierendes System eine Karte der Flure R ume und Hindernisse besitzen um sinnvolle Bewegungen durchf hren zu k nnen Kni91 Ein im Freien arbeitender Roboter ben tigt hingegen ein Gel ndemodell und falls er auf befestigte Wege angewiesen ist die Informationen ber verf gbare Fahrstrecken Die hier vorzustellenden Verfahren zur geografischen Planpr fung und modifikation sind auf Systeme ausgerichtet die sich in der nat rlichen Umwelt liegend bewegen Dabei kann es sich sowohl um Flug als auch Tauchroboter handeln Sie sind dadurch gekennzeichnet dass auf Verletzung der Umgebungsbeschr nkungen mit dreidimensionalen Man vern reagiert werden kann Dies spielt insbesondere bei der Planmodifikation eine gro e Rolle Voraussetzung f r die Anwendung der folgenden Algorithmen ist das Vorhandensein der geografischen Position des autonomen mobilen Systems im Zustandsvektor was im Allgemeinen durch den Begriff mobil impliziert wird Damit die Position eines sich im Freien bewegenden Roboters festgelegt ist muss ein eindeutiges Koordinatensystem verwendet werden F r die Lagebeschreibung auf der Erdoberfl che bieten sich das geografische und das geozentrische Koordinaten
181. oden zur Planmodifikation 6 1 4 2 1 Voraussetzungen Aufbau des Missionsplanes Vor der Diskussion der eigentlichen Modifikationsverfahren sollen einige f r das Verst ndnis wesentliche Grundlagen vermittelt werden Ausgangspunkt der folgenden Betrachtungen ist die folgende Definition des Begriffes Missionsplan wie sie f r DeepC Anwendung findet Definition Ein Missionsplan besteht aus einer Folge von Planelementen Jedes Planelement stellt dabei ein komplexes Handlungsschema f r ein autonomes mobiles System dar und wird auch als Man ver bezeichnet Ein Missionsplan ist somit entsprechend Abbildung 6 7 als lineare Sequenz von Planelementen darstellbar Mit n wird dabei die Anzahl der in einem Plan vorhandenen Elemente bezeichnet Die Festlegung dass die zu betrachtenden Pl ne eine sequentielle Anordnung der Man ver besitzen m ssen schr nkt in keiner Weise die M glichkeiten zur Planmodifikation ein da mit Hilfe der im Kapitel 6 1 2 definierten Umplanungsbefehle beliebige Ver nderungen an einem solchen Plan m glich sind Ein wesentlicher Vorteil des sequentiellen Planes im Gegensatz zu nebenl ufigen oder parallelen Pl nen liegt in der Vereinfachung der Planerstellung durch einen menschlichen Operator Sie weicht zum Beispiel nicht von der Planung des Kapit ns eines Flugzeuges oder Schiffes ab Die durchzuf hrenden Aktionen oder abzufahrenden geografischen Positionen werden nacheinander geplant und realisiert Wahrscheinlich gerad
182. oder Minen ist eins von vielen wichtigen F higkeiten des Verhaltens eines autonomen Unterwasserfahrzeuges Eine Methode zur Erzielung einer robusten Unterwasserfahrzeugf hrung besteht in einer pr diktiven Bahnplanung GG90 Die Echtzeitf higkeit solcher Systeme gen gt jedoch h ufig nicht den hohen Anforderungen die bei der Steuerung eines autonomen Unterwasserfahrzeuges ben tigt werden Reagierende Systeme in denen Reiz Reaktion Regeln das Verhalten des Unterwasserfahrzeuges bestimmen k nnen diese Echtzeitf higkeit besser realisieren und in einer Vielzahl von Situationen einfach und schnell umgesetzt werden Ein interessantes und schwieriges Problem besteht in der Entwicklung von Methoden die es gestatten effektive Regeln f r solche reagierenden Systeme zu ermitteln Im Projekt DeepC wurde dazu das Programmsystem FuzzyMod eingesetzt DKO097 OWO2 ein Maschinelles Lernsystem das auf dem ID3 Algorithmus basiert und Klassifikationsiernprobleme l sen kann Es wird verwendet um leistungsstarke reagierende Strategien zur Navigation und Kollisionsvermeidung zu erlernen Diese Aufgabenstellung erfordert ein AUV durch ein nach dem Zufallsprinzip erzeugtes dichtes Hindernisfeld zu steuern um ohne Kollision von einem vorgegebenen Startpunkt zu einem Zielpunkt zu gelangen Das AUV hat eine begrenzte Anzahl von Sensoren einschlie lich Sonar und soll seine Geschwindigkeit und seine Fahrtrichtung in jedem Entscheidungsschritt den Gegebenhei
183. on aus um das optimale Fuzzy Modell zu ermitteln Der beschriebene Algorithmus zur Fuzzy Modellbildung wurde in einem Programmsystem FuzzyMod realisiert Zus tzlich wurden die Module zur Fuzzyfizierung Inferenz und Defuzzyfizierung so miteinander verkn pft dass eine online Verarbeitung der offline erzeugten Regeln und Zugeh rigkeitsfunktionen erm glicht wird Diese Funktionen bilden den Fuzzy Regler der online eingesetzt wird Ein Fuzzy Regelwerk wurde mit dem Tool FuzzyMod aus den in der virtuellen Welt generierten Daten erstellt Das Regelwerk besteht aus drei Komponenten einem Teil zur Steuerung des AUV zum Ziel einem zweiten zum Ausweichen von Hindernissen auf dem Weg zum Ziel und einem dritten zur Steuerung der Geschwindigkeit Durch diese Aufteilung verbessert sich das Lernverhalten der Module 102 Teilprojekt 6 Pr diktives F hrungssystem FKZ 03SX104E DeepC Aktiv autonomes Unterwasserfahrzeug f r gro e Tauchtiefen 6 3 5 5 Fuzzy Inferenzsystem FIS f r den Regler Das erstellte Fuzzy Inferenzsystem FIS dient zur Abarbeitung der Regeln und zur Steuerung des Unterwasserfahrzeuges in unbekannter Umgebung Abbildung 6 86 Wie in der Abbildung veranschaulicht wird verarbeitet das FIS System drei Regelbasen Zielansteurung R_1 Hindernisvermeidung R_2 und Geschwindigkeitsberechnung R_3 zur Berechnung der erforderlichen Steuerkommandos Zielansteuerung R_1 ey Geschwindigkeit Pen Momentane Win
184. ote on Two Problems in Connexion with Graphs Numerische Mathematik 1 pp 269 271 1959 DJ00 DUDEK G UND JENKIN M Computational principles of mobile robotics New York USA Cambridge University Press 2000 Ebe01 Eberly D H 3D Game Engine Design A practical Approach to Real Time Computer Graphics San Diego USA Academic Press 2001 Fos02 FOSSEN T I Marine Control Systems Guidance Navigation and Control of Ships Rigs and Underwater Vehicles Tapir Trykkeri Trondheim Norwegen 2002 GS93 G RTNER B UND SCH NHERR S Smallest Enclosing Ellipses An Exact and Generic Implementation in C Report B 98 05 Freie Universit t Berlin Institut f r Informatik http www inf fu berlin de inst ubs r b 98 05 abstract htm 1998 Gul95 GULDNER J Intelligentes hierarchisches Regelungskonzept f r autonome mobile Robotersysteme D sseldorf Germany VDI Verlag 1995 Gul97 GULDNER J Lokale Kollisionsvermeidung f r mobile Roboter mittels k nstlicher harmonischer Dipol Potentiale at Automatisierungstechnik Volume 45 Issue 01 pp 24 35 1997 Jac04 JACOBI M Untersuchung von Bahnplanungsalgorithmen f r das Autonome Unterwasserfahrzeug DeepC Studienjahresarbeit am Institut f r 84 Teilprojekt 6 Pr diktives F hrungssystem FKZ 03SX104E Kle97 Mir98 MSDO4 Nil71 Pap91 Sch04 SE03 SLLO2 Sps04 Ste95 Wei03 WHI99 DeepC Aktiv autonomes Unterwasserfahrzeug
185. r Wegeplanungsebene des Hindernisvermeidungssystems wurde die Boost Graph Library SLLO2 BOO04 eingesetzt Sie beinhaltet eine Bibliothek mit fertigen Datenstrukturen f r Graphen und Suchalgorithmen und unterst tzt eine Vielzahl von C Compilern Die Bem hungen zum Einsatz von maschinellen Lernverfahren bei der Steuerung von mobilen Robotern und auch AUVs konzentrierten sich in den letzten Jahren schwerpunktm ig auf den Einsatz K nstlicher Neuronaler Netze NEHOO Sie werden sowohl zur automatischen Erkennung der Umgebung Robot Vision KRW als auch zur autonomen Navigation und Steuerung TUR95 eingesetzt Aber auch andere Verfahren des maschinellen Lernens kommen zum Einsatz wie z B das erkl rungsbasierte Lernen induktive empirische berwachte nicht berwachte Lernverfahren RRS92 hybride Lernverfahren HSM99 u a Diese basieren h ufig auch auf der Verwendung von Fuzzy Systemen und Genetischen Algorithmen GA KZTR98 Die meisten Arbeiten konzentrieren sich dabei auf landgest tzte mobile Roboter Ver ffentlichungen zum Einsatz von maschinellen Lernverfahren in AUVs insbesondere zum Einsatz und Man vermanagement sind bisher kaum zu finden Die M glichkeit der Entwicklung und Erprobung neuer Verfahren auf der Grundlage von Testfahrten in der virtuellen Welt wird bisher offensichtlich kaum genutzt Bislang werden komplexe Systeme auf Systemebene entworfen Dabei werden Hard und Softwarekomponenten weitgehend ge
186. r Berechnung von Kollisionssituationen und zur Bestimmung des anzufahrenden Wegpunktes verwendet Abbildung 6 41 zeigt die definierten Bereiche um ein Objekt Bei den Darlegungen in den weiteren Abschnitten wird davon ausgegangen dass die Objektgeometrie um den jeweiligen Bereich vergr ert wurde anzufahrender Manager RS Zielpunkt bereich Sicherheits bereich Sicherheitsabstand Bahn des Ausweichman vers Man verabstand berechneter Kollisionspunkt Objekt Man verelement Abbildung 6 41 Definition der Sicherheitsbereiche 6 2 3 2 Ermittlung einer Kollisionssituation Die Aufgabe des Moduls Kollisions berwachung besteht in der Bestimmung der n chsten Kollisionssituation des Fahrzeuges mit einem Objekt auf der Basis der Fahrtroute und der detektierten Objekte Die in diesem Zusammenhang interessierenden Parameter sind die Kollisionsposition und die Zeitdauer bis zur Kollision Bei der Kollisions berpr fung werden die Muan ver Basisman ver mit den Nopjekte detektierten Objekten auf berschneidungen abtestet Die Anzahl durchzuf hrenden Test numr s betr gt so num m Man ver N Objekte 6 5 Test Die Uberpr fung auf Kollision erfolgt in einem zweischleifigen Prozess Jedes einzelne Man ver wird nach der Reihenfolge seiner Abarbeitung im Missionsplan gegen die gesamte Liste der Objekte abgepr ft Gibt es eine Kollision zwischen dem Man ver und einem Objekt wird die Zeit bis zur Kollis
187. r nicht schneiden Teilprojekt 6 Pr diktives F hrungssystem FKZ 03SX104E 79 DeepC Aktiv autonomes Unterwasserfahrzeug f r gro e Tauchtiefen Abbildung 6 65 Kleinste eingeschlossene Ellipse Die Gradientenberechnung im Innern der Ellipse erfolgt in Analogie zum Abschnitt 6 2 5 2 5 Befindet sich die Fahrzeugposition im Inneren einer Sicherheitszone wird als n chste Position Xobst m Zum Fahrzeug die Fahrzeugposition Xen definiert Abbildung 6 66 zeigt das so gebildete Gradientenfeld Gradientlines Abbildung 6 66 Gradientenlinien bei zusammengefassten Sicherheitszonen 6 2 5 2 7 Test des Verfahrens Abschlie end soll das neu entwickelte Verfahren der geometrischen Konstruktion mit dem Verfahren der harmonischen Dipolpotentiale verglichen werden Dazu wurde ein Hindernisparcours der in Abbildung 6 68 dargestellt ist definiert Das Fahrzeug soll mit einer Marschgeschwindigkeit von 2m s durch diesen Parcours fahren Es zeigte sich dass bei Verwendung des geometrischen Verfahrens die Sollkursrate r wesentlich geringere Maximalwerte als das Verfahren der harmonischen Dipolpotentiale besitzt siehe Abbildung 6 67 Dies ist f r den praktischen Einsatz ein wichtiges Kriterium da das eingesetzte Fahrzeug schnellen Sollkurs nderungen nicht folgen kann was zum Abweichen von der Gradientenlinie und damit zu einer m glichen Kollision f hrt Des Weiteren bewirkt jede 80 Teilprojekt 6 Pr diktives F hrungssystem
188. r physikalischen chemischen Eigenschaften beinhalten Die F hrung des Fahrzeuges wird dazu an das Submodul dentifikationssystem bergeben Hier werden nach Vorgaben ber die aktuelle Objektgeometrie und den Anforderungen des Fahrzeuges w hrend der Identifikation Objektabstand Ausrichtung zum Objekt ggf Fahrgeschwindigkeit um das Objekt die Sollwerte f r den unterlagerten Autopiloten gebildet siehe Abbildung 6 69 In Abh ngigkeit der Objektgr sse werden die zwei Arbeitsmodies Ausrichten auf ein Objekt und Umfahren eines Objektes unterschieden Sie werden in den nachfolgenden Abschnitten kurz vorgestellt Teilprojekt 6 Pr diktives F hrungssystem FKZ 03SX104E 81 DeepC Aktiv autonomes Unterwasserfahrzeug f r gro e Tauchtiefen Nach Abschluss eine Identifikation wird ein anzufahrender Zielpunkt auf der aktuellen Missionsroute durch das Submodul Zielpunktgenerierung siehe Abbildung 6 37 ermittelt Dieser Zielpunkt wird dann durch das aktivierte Hindernisvermeidungssystem angefahren Vorgaben f r die Identifikation Objektliste Umfahren eines Objektes Identifikations system Tracking Kurs en Mode Mode T e IE Bahnregelung Sollwert Sollwert kurs kurs ee keit Bu Ausrichten auf ein Objekt Sollwertge schwindigkeit Sollwert kurs Abbildung 6 69 Struktur des Identifikationssystems 6 2 6 1 1 Ausrichten auf ein Objekt Um eine Identifikation durchf hren
189. rd bei der Planbereinigung gepr ft ob ein H henunterschied mit Hilfe eines bereits im Missionsplan vorhandenen horizontalen Transits unter Beachtung des maximalen Neigungswinkels berwunden werden kann In diesem Fall wird das vorhandene Auf oder Abtauchman ver mit diesem Transit kombiniert der dann auch den Ausgleich der vertikalen Positionsunterschiede zwischen Start und Endpunkt vornimmt 6 1 6 4 Beispiele und Ergebnisse Die in der Fehler Verweisquelle konnte nicht gefunden werden aufgef hrten Umplanungssituationen wurden beispielhaft mit dem Missionsplan aus Abbildung 6 30 untersucht Dieser Plan befindet sich nicht in dem f r die geografischen Planungsverfahren vorgesehenen Einsatzgebiet da durch die in der Ostsee vorherrschende geringe Wassertiefe Einschr nkungen bei den unterschiedlichen Umplanungen auftreten w rden Das genutzte Missionsgebiet besitzt demgegen ber eine ausreichende Wassertiefe um auch mit Auftauch und Abtauchman vern operieren zu k nnen F r die Darstellung der Ergebnisse der geografischen Verfahren ist ein zweiter Missionsplan f r das Gebiet der Eckernf rder Bucht generiert worden der am Ende dieses Abschnitts vorgestellt wird Teilprojekt 6 Pr diktives F hrungssystem FKZ 03SX104E 47 DeepC Aktiv autonomes Unterwasserfahrzeug f r gro e Tauchtiefen Weg Circling 9 Ende Abtauchen 2 M ander 3 Transit 8 Abtauchen 2 Auftauchen 7 Auftauchen 7 Transit 1
190. rdnet Sie werden durch die Missionen auf der Missionsebene spezifiziert und durch die Simulation validiert Die Missionen selbst wirken auf die Systemebene die vom Gesamtsystemmodell gebildet wird Das Architektur und das Funktionsmodell sind nun im Systemmodell vereinigt welches zusammen mit der Umwelt fr her Umgebungsmodell das Gesamtsystemmodell konstituiert Die m gliche R ckwirkung des Systems auf die Umwelt wird durch einen Pfeil zwischen Systemmodell und Umwelt repr sentiert 6 4 1 3 Konzept f r die Durchf hrung der Simulation Nachdem die Anpassungen f r mobile automatische Systeme diskutiert wurden wird nachfolgend untersucht inwieweit die Einf hrung von Missionen den Simulationsablauf beeinflusst Dieser gliedert sich allgemein in drei Phasen die Modellierung die Modellnutzung und die Interpretation Auswertung F r die Simulation im Rahmen des Mission Level Designs ergeben sich in diesem Zusammenhang zwei Probleme Teilprojekt 6 Pr diktives F hrungssystem FKZ 03SX104E 115 DeepC Aktiv autonomes Unterwasserfahrzeug f r gro e Tauchtiefen e Erstens besteht ein wesentlicher Unterschied im Vergleich zu einer herk mmlichen Simulation darin dass ein variierendes Gesamtsystemmodell mit unterschiedlichen festgeschriebenen Missionen parametrisiert werden muss F r eine gro e Anzahl von Missionen ist es nicht praktikabel das Modell vor jeder Simulation manuell zu parametrisieren Dieses Vorgehen w re zu
191. rhalten der Wegeplanung an Punkt A zu erkennen Die Wegeplanung nutzt alle Objektinformationen zur Generierung einer Route wogegen die Reaktive Ausweichsteuerung nur die im Nahbereich vorhandenen Objekte zur Generierung der Sollkommandos verwendet WB A Startpunkt N A e Reaktive Ausweichsteuerung Abbildung 6 47 Fahrtrouten bei Verwendung der einzelnen Ebenen Teilprojekt 6 Pr diktives F hrungssystem FKZ 03SX104E 65 DeepC Aktiv autonomes Unterwasserfahrzeug f r gro e Tauchtiefen 6 2 5 1 Wegeplanung Bei der Wegeplanung werden die gesamten Informationen ber das aktuelle Operationsgebiet zur Generierung eines Routenplanes verwendet Das sind neben den aktuellen Informationen des Sonars die gesammelten Hindernisdaten der bisherigen Mission sowie die Daten einer digitalen Seekarte Ein solcher Routenplan wird auf Basis von Graphen ermittelt Dabei werden Punkte Knoten im Operationsgebiet definiert welche durch das Fahrzeug befahrbar sind Die befahrbaren Verbindungen zwischen diesen Punkten werden als Kanten in den Graphen eingetragen Jede Kante besitzt eine Bewertung Kosten Gewicht welche die L nge der Verbindung die entstehenden Kosten beim Abfahren der Verbindung oder die daf r ben tigte Zeit sein kann siehe Abbildung 6 48 __ Kanten Te 0 o Ya zo Zielpunkt Me a Abbildung 6 48 Geometrischer Graph Nach Generierung eines solchen Graphen wird ein Weg Routenpla
192. riebenen Kostenfunktion ist es auch m glich bei komplexen Str mungsprofilen einen zeitoptimalen Weg zu ermitteln Dies soll an dem nachfolgenden Beispiel erl utert werden Die Aufgabe besteht in der Ermittlung eines zeitoptimalen Weges bei der Durchquerung eines Flusslaufes welcher das nachfolgende Str mungsprofil besitzt 0 0 x Voerr mung y en _ 0 Ystr mung zu p x b X VSrr mung 6 9 mit b 300m V anne 1 8 S Abbildung 6 54 zeigt die ermittelten Wegverl ufe bei Verwendung der Graphenmethode sowie die korrekte zeitoptimale L sung durch Optimale Steuerung BH69 Pap91 Beide Wegverl ufe besitzen hnliche Profile welche durch jeden Schwimmer der einen Fluss mit starker Str mung durchschwommen hat best tigt werden Zuerst schwimmt man gegen die Str mung um sich dann in der Mitte des Flusses treiben zu lassen und in Richtung des andern Ufers zu schwimmen Der Graph wurde bei dieser Aufgabe durch ein Gitternetz aus Knoten aufgebaut Eine feinere Diskretisierung dieses Netzes w rde zu einer weiteren Ann herung an die exakte L sung f hren Wegplanung mit Seestr mung Optimale Steuerung O Graphenmethode Str mungsprofil 0 50 100 150 200 250 300 Abbildung 6 54 Wegplanung mit Str mung DeepC Aktiv autonomes Unterwasserfahrzeug f r gro e Tauchtiefen 6 2 5 1 3 Praktische Umsetzung und Tests Die durchgef hrten Tests erfolgten auf einem Pentium Ill 450 MHz Desktop Dieser Rechner entspr
193. rn intelligente Verfahren um mit Hilfe allgemeinen Wissens derartige Situationen zu detektieren oder auch aus der hnlichkeit zu bekannten Situationen auf die Notwendigkeit zur Umplanung zu schlie en Auch die Feststellung welche Ver nderungen am Missionsplan durchzuf hren sind ist abh ngig von der aktuellen Situation und ben tigt entsprechendes Wissen Deshalb werden diese beiden Aufgaben gemeinsam von einem Modul der Missions berwachung ausgef hrt Sie stellt damit die eigentliche intelligente Komponente des Systems dar Ergebnis der berwachung sind ein oder mehrere Umplanungsbefehle Diese dienen dem Modul Missionsumplanung als Eingangsgr en Das Modul f hrt die Befehle nacheinander aus und gibt den modifizierten Plan zur ck Die verf gbaren Umplanungsbefehle bestimmen in gro em Ma e den Charakter des Systems So vereinfacht eine Festlegung nach den konkreten Erfordernissen einer Roboterplattfiorm insbesondere den Aufbau der Missionsumplanung da die speziellen Bed rfnisse der Plattform direkt ber cksichtigt werden k nnen Nachteilig wirkt sich dabei aus dass das intelligente Missionsmanagement beim Einsatz auf einem anderen mobilen System m glicherweise neu aufgebaut werden muss Werden die Befehle hingegen weitestgehend universell definiert ist unter Umst nden ein h herer Aufwand bei der Anpassung des Planes erforderlich Die Ursache daf r liegt in der Notwendigkeit zur bersetzung der auszuf hrenden Planmodifikatio
194. rung des Planelementes werden dann die damit verbundenen Aktionen ausgef hrt Beeinflusst wird deren Arbeitsweise durch den Parametervektor p Dieser beinhaltet charakteristische Gr en f r die unterschiedlichen Man vertypen zum Beispiel Geschwindigkeiten Sicherheitsabst nde usw Eine besondere Rolle innerhalb der Parameter spielen die so genannten Erf llungsgrade e Davon k nnen bis zu drei implementiert sein Anfangserf llung e Wert bei dem die Ausf hrung des Planelementes beginnt Enderf llung eeg Wert bei dem die Realisierung des Planelementes endet aktuelle Erf llung eax bereits vollendeter Anteil des Man vers Wertebereich e lt E akt lt BE Die Erf llungsgrade sind auf die realisierte Zustands nderung Ax bezogen Mit Hilfe von Start und Enderf llung ist somit eine Korrektur von Anfangs und Endzustand des Planelementes m glich die eine gro e Rolle sowohl bei dem Einf gen Befehl als auch bei der Optimierung eines Missionsplanes spielt AX X X x X X e AX X X e AX Unter dem Begriff Ressourcen werden die bei einem autonomen mobilen System meist begrenzten Vorr te der Man ver zum Beispiel an Energie oder Zeit zusammengefasst Der Wert eines Planelementes spiegelt den Nutzen wider den der Systembetreiber bei erfolgreichem Absolvieren des Man vers erh lt Neben den Ressourcen spielt der Wert eine gro e Rolle bei der Optimierung eines Missionsplanes Der Endzustand charakterisiert
195. rzeichnis befinden Abbildung 6 96 Alle von FuzzyMod erzeugten Dateien haben die gleichen Namen mit einer individuellen Erweiterung f r ihre Funktionen F r die drei Module Zielansteuerung Hindernisvermeidung und Geschwindigkeitsberechnung befinden sich die Dateien in den Verzeichnissen 9029000101 Turn2g000I01 bzw vel2g000I101 gozgooo 01 E goz goool i pm n Abbildung 6 96 Verzeichnisstruktur der automatisch erzeugten Dateien 6 3 8 Zusammenfassung der Ergebnisse Zur programmtechnischen Umsetzung des Lernmoduls des Fahrzeuges wurden alle f r das Lernen und die Man verdurchf hrung notwendigen Parametern erfasst und zusammengestellt Die Eingabeparameter des Lernmoduls beinhalten die Objektdaten den Zustand des Fahrzeuges Umweltinformationen Sollbahninformationen und alle Daten die zur Ausf hrung von Fahrman vern intern generiert werden Man verkommandos Folgende Aufgaben wurden abgeschlossen a FuzzyMod Ein an der TU Ilmenau entwickeltes Tool zur Gewinnung von Regeln aus Lerndaten Damit wurden die f r unterschiedliche Man versituationen durch einen Operateur in der virtuellen Welt vorgenommenen Steuerhandlungen in Form von WENN DANN Regeln generalisiert so dass sie zuk nftig genutzt werden k nnen um dem Man vermanagement in hnlichen Situationen in der realen Welt eine autonome F hrung des Fahrzeuges zu erm glichen b Datenaufbereitungsmodul DA
196. s 6 1 3 Wissensbasierte berwachung der Mission 6 1 3 1 Aufbau und Arbeitsweise regelbasierter Systeme 6 1 3 2 Konzeption des Missions berwachungssystems 6 1 4 Missionsumplanung 6 1 4 1 Ablauf der Missionsumplanung 6 1 4 2 Allgemeine Methoden zur Planmodifikation 6 1 4 3 Spezielle Verfahren zur Planmodifikation 6 1 5 Chart Server Geografische Planpr fung und modifikation 6 1 5 1 Datenbasis 6 1 5 2 Pr fung des Missionsplanes 6 1 5 3 Modifikation des Missionsplanes 6 1 6 Anwendung f r DeepC 6 1 6 1 Softwarearchitektur 6 1 6 2 Man verkatalog 6 1 6 3 Bestandteile und Arbeitsweise des Einsatzf hrungssystems 6 1 6 4 Beispiele und Ergebnisse 6 1 7 Zusammenfassung 6 1 8 Literatur 6 2 F hrung des Fahrzeuges in Sondersituationen FIS 6 2 1 Einbindung des Moduls FIS in die F hrungshierarchie des Fahrzeuges 6 2 2 Aufbau und Funktionsweise des Moduls FIS 6 2 3 Kollisions berwachung 6 2 3 1 Einf hrende Erl uterungen 6 2 3 2 Ermittlung einer Kollisionssituation 6 2 4 Zielpunktgenerierung 6 2 5 Hindernisvermeidungssystem 6 2 5 1 Wegeplanung 6 2 5 2 Reaktive Ausweichsteuerung 6 2 6 Identifikationssystem 6 2 7 Zusammenfassung 6 2 8 Literatur 6 3 Maschinelles Lernen 2 Teilprojekt 6 Pr diktives F hrungssystem FKZ 03SX104E oo Oo O A an AA A N DeepC Aktiv autonomes Unterwasserfahrzeug f r gro e Tauchtiefen 6 3 1 Aufgaben des maschinellen Lernmodul 86 6 3 2 Einf hrung 86 6 3 3 Vorbereitungsarbeiten 86 6
197. s eine L sung in jeder Situation in m glichst kurzer Zeit berechnet werden kann Gleichzeitig erlaubt dieses Umschaltkriterium eine einfache Anpassung an die verf gbare Rechenleistung der in einem autonomen mobilen System eingesetzten Rechentechnik da sie ma geblich die Berechnungsdauer beeinflusst Liegt eine zu hohe Leistungsaufnahme des Gesamtsystems vor wird durch das Health Monitoring eine Reduktion der Fahrgeschwindigkeit angefordert Das Regelwerk des integrierten Expertensystems der Missions berwachung ermittelt aus der gew nschten Dauer der Reduktion die Anzahl der anzupassenden Man ver und erzeugt eine Reihe von atomaren Befehlen zum Modifizieren der Man vergeschwindigkeiten Die urspr nglich geplanten Geschwindigkeitswerte werden als Fakten im Expertensystems gesichert um sie nach Ablauf oder R cknahme der Reduktion wieder anwenden zu k nnen Laufende Reduktionen k nnen jederzeit hinsichtlich ihrer Dauer und zul ssiger Fahrgeschwindigkeit parametriert werden Damit steht ein flexibles Instrument zur Reaktion auf kurzfristige Energieengp sse zur Verf gung 6 1 6 4 3 Anforderungen durch das Health Monitoring Kritische Situationen die durch Ausf lle fahrzeugeigener Module oder die vorherrschenden Umgebungsbedingungen auftreten werden durch das Diagnosesystem des Moduls Health 50 Teilprojekt 6 Pr diktives F hrungssystem FKZ 03SX104E DeepC Aktiv autonomes Unterwasserfahrzeug f r gro e Tauchtiefen Mon
198. s f r jedes verbleibende Planelement entschieden wird ob es verwirklicht wird Diese Entscheidung wird mit Hilfe einer booleschen Variable mit dem Wertebereich 0 1 repr sentiert ber die Parameter der einzelnen Planelemente kann unter Umst nden ebenfalls der Ressourcenbedarf von Man vern reduziert werden F r ein mobiles System w rde sich daf r beispielsweise die Fahrgeschwindigkeit anbieten Sie beeinflusst ber die Leistungs Geschwindigkeits Kennlinie den Energieverbrauch sowie ber die direkte Verkn pfung mit der Fahrzeit den Zeitaufwand der Gesamtmission Parameter dieser Art besitzen meist einen kontinuierlichen Wertebereich Pin S P lt Pau Bei alleiniger Betrachtung der Aktivierung der Planelemente ergibt sich ein diskretes Optimierungsproblem Diese sind dadurch gekennzeichnet dass der zul ssige Bereich aus einer endlichen oder abz hlbar unendlichen Menge M besteht BG93 F r den hier dargestellten Fall ist M als Menge von bin ren Vektoren definiert M lt 0 1 Da sich die Anzahl der Elemente von M durch Kombinatorik ermitteln l sst wird h ufig auch von kombinatorischer Optimierung gesprochen F r einen Satz von n Aktivierungswerten ergibt sich 2 als M chtigkeit von M Werden die Parameter der einzelnen Planelemente als Variable f r die Optimierung n her untersucht so treten verschiedene Probleme auf Zun chst ist die M glichkeit der Einflussnahme auf den Missionsplan durch Kenngr en einzelner Man
199. s zun chst unbeschr nkte Optimierungsproblem ergibt sich damit zu max If Als Beschr nkungen f r diese Aufgabe treten die verf gbaren Ressourcen des mobilen Systems Cmax auf Die ben tigten Vorr te an Betriebsmitteln sind f r jedes Planelement im Vektor c hinterlegt f r den Gesamtaufwand C x der verbleibenden Planelemente der Mission gilt dann n x C J e k i Das Funktional der Beschr nkungen kann nun folgenderma en dargestellt werden n x g x C x c 2 Ein Ga Aus dieser Beziehung wird ersichtlich dass zum Erf llen der Beschr nkungen g x sO gelten muss Das vollst ndige beschr nkte Optimierungsproblem ergibt sich damit zu max f x g x lt 0 Die Wahl der Optimierungsvariablen beeinflusst wesentlich die Art und den Ablauf der Optimierung Deshalb m ssen vor der Auswahl des zu nutzenden Verfahrens diejenigen Gr en festgelegt werden ber die ein Missionsplan an die konkrete Situation angepasst werden kann Daf r bieten sich verschiedene Parameter an die direkten Einfluss auf die ben tigten Ressourcen des Missonsplanes eines autonomen mobilen Systems haben Teilprojekt 6 Pr diktives F hrungssystem FKZ 03SX104E 29 DeepC Aktiv autonomes Unterwasserfahrzeug f r gro e Tauchtiefen ber eine Auswahl der zu realisierenden Planelemente kann der Betriebsmittelverbrauch mit den verf gbaren Vorr ten abgeglichen werden Auswahl oder besser gesagt Aktivierung bedeutet hier das
200. schen Erprobung eine weitreichende Untersuchung der erstellten Softwaremodule erlaubt Die Navigation verkn pft die Informationen der unterschiedlichen Sensoren und generiert daraus den Navigationsdatensatz Dieser Datensatz ist eine wesentliche Grundlage f r die Arbeit der anderen Softwareeinheiten Die vom Sonar gelieferten Messwerte werden durch die Hinderniserkennung ausgewertet um Position Gr e und Geschwindigkeit von potenziellen Hindernissen zu ermitteln Daf r sind entsprechende Bildverarbeitungsmethoden entwickelt worden Das Mission Handling teilt auf der regelbasierten Ebene die komplexen Man ver in zugeh rige Basisman ver auf die an den Autopiloten bergeben werden Als Basisman ver werden die f r die komplexen Planelemente notwendigen geometrischen Grundkonstrukte z B Gerade Kreis Kreisbogen bezeichnet Dar ber hinaus beinhaltet das Mission Handling wichtige Verwaltungsfunktionen f r den Missionsplan Die Hindernisvermeidung bewertet die von der Hinderniserkennung erfassten Objekte im Umfeld des Fahrzeuges hinsichtlich m glicher Kollisionen Dabei werden auch die n chsten zu realisierenden Basisman ver einbezogen Das Health Monitoring f hrt eine Diagnose der Hardware des Fahrzeuges durch und erzeugt in verschiedenen Situationen Vorschl ge f r die Teilprojekt 6 Pr diktives F hrungssystem FKZ 03SX104E 41 DeepC Aktiv autonomes Unterwasserfahrzeug f r gro e Tauchtiefen durchzuf hrenden Handlunge
201. sehen werden soll Ein hnliches Verhalten wird unter Verwendung logischer Programmiersprachen oder endlicher Automaten erreicht GIR98 Hier werden berg nge zwischen einzelnen Missionsabschnitten durch Regeln oder Transitionen definiert Alle genannten Verfahren beinhalten eine Beschreibung des Missionsplanes und der zugeh rigen Alternativen Ans tze zur eigenst ndigen Missionskontrolle unter Ber cksichtigung der Fahrzeug und Umgebungsbedingungen sind nicht ersichtlich Wegplanungsverfahren f r Unterwasserfahrzeuge werden derzeit meist zur Planung kompletter Missionen im Vorfeld des Einsatzes angewandt Algorithmen des fallbasierten Schlie ens VG96 stellen die Trajektorie aus in der Vergangenheit gefahrenen Bahnkurven zusammen Ein gro es Problem ist hierbei dass ber das Operationsgebiet Fahrdaten vorliegen m ssen Fehlen gewisse Abschnitte so werden diese durch Geradenst cke berbr ckt Genetische Algorithmen zur Bahnplanung werden in WHI99 und SS96 f r die Off Line Berechnung eingesetzt erste Erfahrungen zum On Line Einsatz sind in SUG98 zu finden Die Hindernisvermeidung ist eine prim re Eigenschaft von autonomen Fahrzeugen So wird in der Fachliteratur und auf Kongressen eine Vielzahl von Verfahren vorgestellt die jedoch bislang in keinem Fahrzeug wirklich realisiert sind Die vorgestellten Verfahren unterscheiden sich nach ihrer Leistungsf higkeit und ihrem Einsatz Bei AUVs werden die h chsten Anforderungen
202. sf hrung des Planelementes i 28 Teilprojekt 6 Pr diktives F hrungssystem FKZ 03SX104E DeepC Aktiv autonomes Unterwasserfahrzeug f r gro e Tauchtiefen 6 1 4 3 2 Optimierung eines Planes Eine Optimierung des Missionsplanes wird durch die Missions berwachung angefordert wenn die vorhandenen Ressourcen des mobilen Systems nicht f r die Erf llung der verbleibenden Planelemente ausreichen Das Ziel der Optimierung ist den Plan derart zu modifizieren dass er sicher verwirklicht werden kann und dabei den gr ten realisierbaren Nutzen oder Wert W der Mission repr sentiert Diese Art der Optimierung versucht demnach einen bestehenden Plan an die neue Situation anzupassen Damit soll sichergestellt werden dass die im Vorfeld bei der Planung durch den Menschen vorgegebene Zielstellung der Mission weitestgehend erhalten bleibt Optimierungskriterien und variablen Ausgangspunkt f r die L sung einer Optimierungsaufgabe ist stets die Definition des Problems Wie bereits erw hnt ist das Ziel dieser Plananpassung den gr tm glichen Nutzen aus der Mission zu ziehen Der Wert W kann mit Hilfe der einzelnen Planelemente folgenderma en dargestellt werden n x FO WR wer A wobei x der Vektor der Optimierungsvariablen und i der Index des aktuellen Man vers sind Es ist zu beachten dass die Anzahl der Planelemente eines Missionsplanes von den Optimierungsvariablen abh ngen kann was durch n x repr sentiert wird Da
203. sierte Modellbildung Eines der schwierigsten Probleme ist die Ermittlung der Fuzzy Regeln die das Prozessverhalten beschreiben Auf Grund der Komplexit t der Prozesse k nnen die Regeln nicht durch einen Experten formuliert werden Deshalb ist es sinnvoll Methoden zur automatischen Wissensermittlung einzusetzen Dazugeh ren Oluster Verfahren mehrstufige Methoden und die Verwendung von Verfahren des maschinellen Lernens wie z B ID3 von Quinlan Qui92 Hier wird gezeigt wie der ID3 Algorithmus zum induktiven Lernen von Fuzzy Regeln f r statische und dynamische Systeme erweitert und eingesetzt werden kann Au erdem erfolgt eine Optimierung der Fuzzy Sets die wesentlich zu einer Verbesserung der Modellg te beitr gt Durch eine iterative Gestaltung dieses Prozesses wird f r eine vorgegebenen Anzahl von Attributen zur Beschreibung der linguistischen Variablen ein optimales Modell gefunden Die Fuzzy Modelle k nnen f r verschiedene Zwecke eingesetzt werden b Methode und Systembeschreibung Das statistische bzw dynamische Verhalten von Systemen kann durch folgende Gleichungen beschrieben werden y f u U U U 6 29 und y k f y k 1 y k m u k 1 u k n 6 30 wobei y der Ausgang des Systems ist u4 U2 U3 Un die Eing nge des statischen MISO Systems sind y k der abgetastete Ausgang und y k 1 y k m u k 1 u k n die abgetasteten verz gerten Aus und Eing nge des dynamischen Systems
204. sierung komplexer Algorithmen der linearen Algebra TAT 93 HEI99 HEINE K Beschreibung von Deformationsprozessen durch Volterra und Fuzzy Modelle sowie Neuronale Netze Dissertation Technische Universit t Braunschweig 1999 IHZ94 HIRSCHFELD R ZERBE V Untersuchungen und Implementierung von Algorithmen der linearen Algebra auf Systemen mit verteiltem Speicher ETF 94 Bielefeld IKZTR98 KAYNAK O ZADEH L A T RKSEN B RuDAs l J eds Computational Teilprojekt 6 Pr diktives F hrungssystem FKZ 03SX104E 7 DeepC Aktiv autonomes Unterwasserfahrzeug f r gro e Tauchtiefen Intelligence Fuzzy Neuro Integration with Applications Springer Verlag Berlin Heidelberg 1998 IKRS94 KOCH M RAUSCHENBACH TH SCHEIBEL T Endbericht zur Entwicklung der Modelle f r die Vorhersage des bodennahen Ozons Bericht f r die Th ringer Landesanstalt f r Umwelt Jena TU Ilmenau 1994 KMW93 KUHN T MARQUARDT R WERNSTEDT J IImenauer Fuzzy Tool Benutzerhandbuch TU Ilmenau SEI GmbH Ilmenau 1993 OTT95a OTTO P Identifikation nichtlinearer Systeme mit k nstlichen Neuronalen Netzen at Automatisierungstechnik 43 1995 2 pp 62 68 OTT95b OTTO P Fuzzy Modelling of Nonlinear Dynamic Systems by Inductive Learned Rules 3 European congress on intelligent techniques and soft computing Aachen August 1995 EUFIT 95 Proceedings Volume 2 pp 858 864 OM98 OTTO P MALBERG H Fuzzy
205. sion ist die Verf gbarkeit der daf r notwendigen Hard und Software des autonomen mobilen Systems Sind die notwendigen Module nicht funktionsf hig sollte auf eine unabh ngig von der Steuerung des Systems funktionsf hige Sicherheitseinrichtung zur ckgegriffen werden k nnen Ein AUV ben tigt daf r ein Notauftauchsystem um gen gend Auftrieb f r das Erreichen der Wasseroberfl che zu erzeugen U blich ist die Mitnahme von Ballast der in Notsituationen abgeworfen werden kann Der geplante Missionsabbruch f hrt demgegen ber bei Funktionsf higkeit der ben tigten Module folgende Schritte aus die einen sicheren Systemzustand garantieren Abbildung 6 13 Entfernen aller auf das aktuell ausgef hrte Planelement folgenden Elemente Einf gen der f r einen Missionsabbruch definierten Man ver PE eventuell Parametrieren dieser Man ver Je nach Startzustand des ersten Planelementes eines Missionsabbruchs PE kann es erforderlich sein ein F llplanelement davor einzuf gen um den Systemzustand zum Abbruchzeitpunkt daran anzupassen Zum Abschluss dieser Umplanung wird das erste neu eingef gte Man ver aktiviert und vom F hrungssystem des autonomen mobilen Systems anschlie end realisiert EEE gt EEE a N ed PE X P 5 gt Mk A i X A PE gt PE gt PE Abbildung 6 13 Abbruch einer Mission bei der Au
206. ssystems P u v1 u v Gf f den Zusammenhang 5 erf llt Da f r die Planpr fung keine Geraden sondern Strecken mit Start und Endpunkt verwendet werden muss dieser Algorithmus um die Bestimmung der Zugeh rigkeit zu der Strecke G G erg nzt werden Mit Hilfe des Parameters r ist die Entscheidung ber die Zugeh rigkeit zur Strecke einfach zu treffen G r geh rt zur Strecke gt 0 lt t lt 1 6 4 Mit diesem Ansatz steht eine sehr effiziente Methode zur Verf gung um eine Planpr fung in k rzester Zeit durchf hren zu k nnen Dabei wird f r jede Strecke die aus den Man vern des Missionsplanes gebildet werden kann eine Liste der berdeckten Dreiecke entsprechend Abbildung 3 ermittelt Schnittberechnungen zwischen den betroffenen Dreiecken und dem zugeh rigen Streckenabschnitt liefern dann die Aussage ob eine Verletzung der Beschr nkungen durch das digitale H henmodell vorliegt oder nicht Dieses Ergebnis wird anschlie end in der geografischen Planmodifikation f r die Auswahl der neu zu berechnenden Fahrstrecken genutzt Teilprojekt 6 Pr diktives F hrungssystem FKZ 03SX104E 37 DeepC Aktiv autonomes Unterwasserfahrzeug f r gro e Tauchtiefen Abbildung 6 20 Baryzentrische Koordinaten im Dreieck 6 1 5 3 Modifikation des Missionsplanes Wird bei der Pr fung des Missionsplanes festgestellt dass Verletzungen der Beschr nkungen durch das Terrain auftreten generiert die geografische Planmodifikation
207. stem FKZ 03SX104E 95 DeepC Aktiv autonomes Unterwasserfahrzeug f r gro e Tauchtiefen Momentane Winkel nderung Abstand zum Ziel BISSL Winkel zum Ziel Fuzzy basierter Imitationsregler Momentane Geschwindiket Tiefen nderung Kurs nderung Geschwindigkeit Aktive Sonarzellen 1 24 Abbildung 6 81 Fuzzy basierter Imitationsregler Zus tzlich zu den Funktionen wie Fuzzyfizierung Inferenz und Defuzzyfizierung erfordert ein Fuzzy basierter Regler eine Regelbasis Die Regelbasis wird automatische aus Lerndaten mit dem Tool FuzzyMod generiert wie es in den folgenden Abschnitten beschrieben wird Um FuzzyMod anwenden zu k nnen m ssen vorher Daten ber das System erfasst werden Der n chste Abschnitt behandelt das Verfahren zur Datenerfassung in der virtuellen Welt 6 3 5 3 Datenerfassung Zur Datenerfassung sind mehrere Experimente erforderlich um alle m glichen Ausweichsituationen simulieren zu k nnen In jedem Experiment werden die Werte der Sensoren abgelesen w hrend sich das Unterwasserfahrzeug in der Simulationsumgebung befindet Das Unterwasserfahrzeug wird w hrend jedes Experimentes gefahren Von den Sensoren abgelesene Daten werden w hrend eines Experimentes in einer Datenbank gespeichert Nachdem das Experiment abgeschlossen ist werden mit der dazu entwickelten Software die Daten in eine Form umgewandelt die f r das Training oder die Validierung des Imitationsreglers benutzt werden kann F r
208. stems abh ngig ist Die Klasse MONITORING nimmt innerhalb dieser Struktur eine besondere Stellung ein da sie die Ergebnisse der Missions berwachung beinhaltet Nach Abschluss eines Zyklus der Missions berwachung kann ber eine Auswertung der Attribute dieser Klasse erkannt werden ob und welche Modifikationen am Missionsplan durchzuf hren sind MONITORING MANOEUVRE Systemzustand Umplanungsbefehle Energieverbrauch Typ Position Umplanungsgrund Dauer Startposition Positionsgenauigkeit Aktuelles Man ver Endposition Energievorrat Man verliste Energieverbrauch Aktuelle Zeit Dauer Sensor1 Setze Grund Erledigt Sensor2 M ee manoeuvre 1 MANOEUVRE manoeuvre 2 MANOEUVRE l monitoring ams AMS MONITORING mission MISSION manoeuvre n MANOEUVRE Abbildung 6 5 Klassenstruktur und Objektinstanzen des Arbeitsspeichers 6 1 3 2 4 Wissensbasis Die Wissensbasis nimmt die w hrend der Wissensermittlung gewonnenen Informationen in Form von Produktionsregeln auf Sie ist in einzelne Module aufgeteilt Die Modularit t dient der Abgrenzung unterschiedlicher Wissenseinheiten damit spezielles Wissen f r einen bestimmten Typ von mobilen Systemen von dem allgemeing ltigen Wissen unterschieden 20 Teilprojekt 6 Pr diktives F hrungssystem FKZ 03SX104E DeepC Aktiv autonomes Unterwasserfahrzeug f r gro e Tauchtiefen werden kann Dadurch ist eine einfache Anpassung der Wissensbasis sowohl an ein anderes
209. su in eine offline und eine online Phase aufteilt offline Phase Es erfolgt die Fahrbarkeitspr fung zwischen allen Paaren von Knoten des Graphen mit minimal zul ssigem Abstand zum Gel nde Dies ergibt eine geringe Anzahl von fahrbaren Strecken die aber in jeder beliebigen H he genutzt werden d rfen Die Berechnungen sind sehr zeitaufwendig da f r jedes Knotenpaar Schnittberechnungen mit dem digitalen H henmodell notwendig sind Die Kosten werden ber den zur ckzulegenden dreidimensionalen Weg ermittelt online Phase Die H heninformationen von Anfangs und Endpunkt einer zu suchenden Route werden in den Graphen integriert Dabei werden die in der offline Phase gefundenen Routen daraufhin berpr ft ob der Roboter bei ihrer Benutzung H hen nderungen durchzuf hren hat Auftretende Anderungen werden mit zus tzlichen Kosten belegt Der Rechenaufwand f r diese Schritte ist wesentlich geringer als der der offline Phase da nur eine geringe Anzahl von Knotenpaaren untersucht werden muss Bei den in Experimenten untersuchten Daten ergab sich dass ca 10 bis 20 der Gesamtzahl der Knotenpaare die offline durchgef hrte Fahrbarkeitspr fung bestanden haben und damit in den Graphen aufgenommen wurden Zus tzlich werden Start und Endpunkt der Route in den Graphen integriert wenn sie nicht bereits als Knoten vorhanden oder in geringem parametrierbaren Abstand zu einem vorhandenen Knoten gelegen sind Durch die offline Vorbereitung des Grap
210. system an IHGMO2 Letzteres ist ein erdfestes dreidimensionales rechtwinkliges System X Y Z das seinen Ursprung im Erdmittelpunkt hat Abbildung 6 16 a Gebr uchlicher sind jedoch die geografischen Fl chenkoordinaten geografische Breite A und geografische L nge o die auch in dieser Arbeit benutzt werden Die Fl chenkoordinaten sind immer bezogen auf eine bestimmte Beschreibung der Erdfigur meist wird der Geoid durch eine Kugel oder einen Rotationsellipsiod angen hert Abbildung 6 16 b Aufgrund der weiten Verbreitung des Global Positioning System GPS ist mittlerweile der als WGS84 World Geodetic System bezeichnete Ellipsoid der am h ufigsten verwendete Die Beschreibung mittels Fl chenkoordinaten gestattet lediglich die Festlegung einer Position auf dem damit assoziierten Ellipsoid erst die Hinzunahme einer H he ber bzw Niveaufl che quipotentialfl che des Erdschwerefeldes die in mittlerer H he des Meeresspiegels verl uft 34 Teilprojekt 6 Pr diktives F hrungssystem FKZ 03SX104E DeepC Aktiv autonomes Unterwasserfahrzeug f r gro e Tauchtiefen Tiefe unter diesem Referenzobjekt erlaubt eine eindeutige Bestimmung der Lage eines Roboters Der verwendete Positionsvektor ergibt sich damit zu A h Abbildung 6 16 Geografisches Koordinatensystem a auf der Kugel und b auf dem Rotationsellipsiod nach 6 1 5 1 Datenbasis Grundlage der im Folgenden vorzustellenden Verfahren ist
211. t in einem definierten Abstand und in einer vorgegebenen Lage umfahren Dieser Modus hei t Umfahren eines Objektes Befindet sich das Fahrzeug weit entfernt von der vorgegebenen Solltrajektorie wird es im Modus Sterring auf den k rzesten Weg an die Solltrajektorie gef hrt Dann wird auf den Modus Tracking umgeschaltet und das Fahrzeug f hrt im vorgegebenen Sollabstand um das Objekt herum siehe Abbildung 6 71 Objekt ET 01 f 7 TI IFFELLELELL LI AN A ln Tel A A Sollabstand zum Objekt Solltrajektorie Abbildung 6 71 Umfahren eines Objektes 6 2 7 Zusammenfassung In diesem Abschnitt wurde ein Konzept zur F hrung des Unterwasserfahrzeuges in Sondersituationen vorgestellt Die besonderen Merkmale des Fahrzeuges vorhandene Rechenleistung und Sensorik Fahrcharakteristik und Man vrierf higkeit bildeten die Hauptkriterien bei der Auswahl und Entwicklung der Algorithmen Teilprojekt 6 Pr diktives F hrungssystem FKZ 03SX104E 83 DeepC Aktiv autonomes Unterwasserfahrzeug f r gro e Tauchtiefen Durch den Einsatz von Graphenmethoden zur Ermittlung eines Routenvorschlages in der Wegeplanungsebene konnte die Forderung nach einer energieoptimalen Fahrweise leicht ber cksichtigt werden Die Einbeziehung der Seestr mung in die Kostenfunktion erm glicht es Gebiete mit starker Seestr mung von der Routenplanung auszuschlie en Die Auswahl der untersuchten Methoden zur Generierung eines geometrischen Graphen erfolge
212. t sich das Computersystem in seine Hardware Prozessor und die einzelnen Softwaremodule die auf der Hardware laufen ADM MHA MCO NAV OBD und SonartCtrl Damit eine strukturierte Erkl rung des Gesamtverhaltens erreicht werden kann soll das Gesamtsystemmodell nun aus einzelnen Sichten vorgestellt werden die jeweils einen 124 Teilprojekt 6 Pr diktives F hrungssystem FKZ 03SX104E DeepC Aktiv autonomes Unterwasserfahrzeug f r gro e Tauchtiefen Modellaspekt hervorheben Dabei werden die zugeh rigen Komponenten in ihrer Zusammenarbeit beschrieben Die Sichten berlagern sich gegenseitig und sind insofern nicht unabh ngig voneinander Die Modellierung des Gesamtsystemmodells erforderte dabei die Erstellung zahlreicher neuer Module f r die einzelnen Komponenten des AUVs F r eine detaillierte Beschreibung dieser Komponentenmodelle muss an dieser Stelle auf die Dokumentation des Gesamtsystemmodells verwiesen werden DeepC Gesamtsystemmodell Autonomes F hrungssystem Energie erzeugungs modul Str mungs Brennstoff model zelle j Hinder Seeboden modell Abbildung 6 103 Teilsicht Antrieb 6 4 3 1 1 Bewegung Ein zentraler Bereich f r die Modellierung eines AUV ist die Nachbildung seiner Bewegung im Raum Das Fahrzeug soll sich im dreidimensionalen Raum mit allen sechs Freiheitsgraden bewegen k nnen und dabei die charakteristische Dynamik aufweisen Abbildung 6 103 stellt die hierbei beteilig
213. tartzustand von PE zu gelangen Durch die Zusammenfassung beider F llplanelemente wird eine Wegverk rzung erreicht die besonders bei der Optimierung eines Missionsplanes einen wesentlichen Beitrag zur Verringerung der ben tigten Ressourcen des Planes leistet Teilprojekt 6 Pr diktives F hrungssystem FKZ 03SX104E 27 DeepC Aktiv autonomes Unterwasserfahrzeug f r gro e Tauchtiefen 6 1 4 3 Spezielle Verfahren zur Planmodifikation Die in diesem Abschnitt vorzustellenden Methoden nutzen die allgemeing ltigen Verfahren aus Abschnitt 6 1 4 2 Sowohl die dort aufgef hrten Aussagen als auch die getroffenen Einschr nkungen gelten damit ebenfalls f r den Missionsabbruch und die Optimierung von Missionspl nen 6 1 4 3 1 Missionsabbruch Der Missionsabbruch stellt einen wichtigen wenn nicht gar den wichtigsten Umplanungsbefehl dar Damit soll ein sicherer Abschluss der Mission gew hrleistet werden wenn eine Fortsetzung nicht mehr m glich ist Die Ursachen f r einen Missionsabbruch k nnen vielf ltig sein Zu nennen sind unter anderem der Ausfall von Sensorik zur Hinderniserkennung der Ausfall von Aktorik sowie ein extrem schneller Energieabfall In solchen Situationen ist es erforderlich die regul re Planrealisierung zu beenden und stattdessen eine vordefinierte Folge von Planelementen abzuarbeiten um die Sicherheit des Systems zu gew hrleisten Voraussetzung f r die erfolgreiche Durchf hrung des Abbruchs einer Mis
214. ten Bl cke sowie die Verbindungen zwischen ihnen dar Sie nutzt dazu als Basis die bereits vorgestellte graphische Darstellung des Gesamtsystemmodells In dieser werden nun diejenigen Bestandteile hervorgehoben die in Verbindung mit der Bewegung stehen Hierbei handelt es sich um die Bl cke DCM geregeltes Fahrzeugverhalten INS inertiales Navigationssystem NAV Navigation und ADM Basisregler Die folgende Auflistung zeigt deren schrittweises Zusammenspiel auf 1 Die Dynamik wird von einem Modell des geregelten Fahrzeugverhaltens erzeugt Es erh lt die Steuersignale Kurs Geschwindigkeit und Tiefe und erzeugt daraus die aktuelle Fahrzeugposition 2 Das Fahrzeug nutzt f r seine Positionsbestimmung ein inertiales Navigationssystem Im Modell werden die vom Fahrzeug kommenden exakten Positionsdaten zum INS geleitet Dieses generiert aus ihnen die gemessene AUV Position 3 Diese Position wird vom INS an das Softwaremodul Navigation bermittelt das die Daten f r andere Softwaremodule zug nglich macht 4 Auf Basis der aktuell gemessenen Position erzeugt der als Softwaremodul realisierte Basisregler ADM die Steuersignale Er h lt das Fahrzeug auf einem Basisbahnelement bei dem es sich um eine Linie oder ein Kreissegment handeln kann ADM gibt die Steuersignale f r DCM vor zur ck zu 1 Teilprojekt 6 Pr diktives F hrungssystem FKZ 03SX104E 125 DeepC Aktiv autonomes Unterwasserfahrzeug f r gro e Tauchtiefen 6 4
215. ten anpassen Die Strategie oder der Plan besteht aus einem Satz gelernter reagierender Regeln d h Reiz Reaktion Regeln die eine Zuordnung von Sensormesswerten zu Steuerkommandos vornehmen Die erzielten Ergebnisse zeigen dass das Unterwasserfahrzeug mit diesen Regeln in der Lage ist in einer unbekannten Umgebung mit zuf llig generierten Hindernissen einwandfrei von einem beliebigen Startpunkt zu einem beliebigen Zielpunkt zu navigieren und Hindernisse zu vermeiden 6 3 3 Vorbereitungsarbeiten 6 3 3 1 Anforderungen an das Lernmoduls Die erste Aufgabe war die Ermittlung der Anforderungen die durch das Man vermanagement an das Systems gestellt werden um die Schnittstelle mit den anderen Modulen des Unterwasserfahrzeuges festlegen zu k nnen Das Lernmodul ist dem 86 Teilprojekt 6 Pr diktives F hrungssystem FKZ 03SX104E DeepC Aktiv autonomes Unterwasserfahrzeug f r gro e Tauchtiefen Ausweichmodul zugeordnet Es dient der Bereitstellung von Regeln f r das Ausweichmodul und wird nicht direkt im Fahrzeug integriert siehe Abbildung 6 72 Unterwasserfahrzeug Autopilot Simulations modell Lerndaten Regelwerk Lernmodul FuzzyMod Ausweichmodul Abbildung 6 72 Systemschnittstelle Lernmodul Unterwasserfahrzeug Zun chst wurde die Software Requirements Specification SRS f r das Lernmodul des Unterwasserfahrzeuges erstellt indem alle f r das Lernen und die Man verdurchf
216. ten beim Abfahren des generierten Weges unvorhersehbare pl tzlich auftauchende Hindernisse auf bergibt die Kollisions berwachung die Steuerung an die untere Ebene die Reaktive Ausweichsteuerung Die Reaktive Ausweichsteuerung reagiert auf die im Nahbereich des Sonars aufgefassten Hindernisse durch entsprechende reaktive Steuerkommandos wodurch ein wegoptimales Umfahren nicht immer m glich ist Eine solche Forderung steht hier aber nicht an oberster Priorit t Aufgabe ist ein sicheres und schnelles Ausweichen zur Vermeidung einer Kollisionssituation In der Aktivierungszeit der Ebene Reaktiven Ausweichsteuerung kann in der Ebene Wegeplanung der Routenplan unter Verwendung der neuen Objektinformationen modifiziert bzw neu erstellt werden Das Ausweichen mit der Reaktiven Ausweichsteuerung erfolgt nur in der x y Ebene Dies ist durch den begrenzten Nicklagewinkel des Fahrzeuges infolge seiner konstruktiven Gegebenheiten und die gute Man vrierf higkeit in der horizontalen Ebene begr ndet Eine detaillierte Beschreibung der in der Reaktiven Ausweichsteuerung eingesetzten Algorithmen vermittelt Abschnitt 6 2 5 2 Abbildung 6 47 stellt generierte Fahrtrouten bei Verwendung der Wegeplanung und der Reaktiven Ausweichsteuerung am Beispiel eines m glichen Hindernisparcours bei gegebenen Start und Zielpunkt gegen ber Hier ist deutlich das reaktive lokale Verhalten der Reaktiven Ausweichsteuerung und das vorausschauende globale Ve
217. tet hier dass die Zustandsbeschreibung durch einen externen Beobachter objektive Realit t Wissen oder mit Hilfe der systemeigenen Sensorik und geeigneten Auswertungsverfahren subjektive Realit t Wahrnehmung erfolgt Der gew nschte Systemzustand ergibt sich anhand unterschiedlicher f r die erfolgreiche Planerf llung wesentlicher Kriterien Diese Merkmale werden aus den einzelnen Man vern des Missionsplanes und den zu erreichenden bergeordneten Vorgaben der Mission abgeleitet Die berwachung beschr nkt sich auf die Beobachtung und Kontrolle der durch den Missionsplan vorgegebenen Zielstellungen Die Diagnose von Defekten des mobilen Systems geh rt nicht zu ihrem Aufgabenspektrum erst die sich daraus ergebenden Auswirkungen auf die Durchf hrung der Mission werden ber cksichtigt H ufig ist ein speziell auf die verwendete Plattform abgestimmtes Diagnosemodul f r die Detektion und Beschreibung von hardwarebedingtem Fehlverhalten verantwortlich Dessen Ergebnisse flie en dann in die Entscheidungsfindung der Missions berwachung mit ein Ergebnis der berwachung soll entsprechend der Gesamtkonzeption neben der Detektion eines Fehlverhaltens des mobilen Systems auch ein Vorschlag zur berwindung dieser Situation sein Dieser Vorschlag beinhaltet konkrete Angaben ber die notwendigen Anpassungen des Missionsplanes Die zu l sende Aufgabe der wissensbasierten berwachung der Mission kann somit zusammenfassend folgenderma en formul
218. trennt voneinander entwickelt Verschiedenste Designtools sind f r unterschiedlichste Anwendungen verf gbar Eine ganzheitliche Simulation BIT f r die Dimensionierung von Systemkomponenten erfordert jedoch den Entwurf auf Missionsebene auf h herem Entwurflevel Toolans tze und Ideen f r einen auf Missionsebene basierenden Entwurfprozess existieren Komplettl sungen sind jedoch nicht verf gbar Hier k nnen Erfahrungen der Gruppe System und Steuerungstheorie genutzt 10 Teilprojekt 6 Pr diktives F hrungssystem FKZ 03SX104E DeepC Aktiv autonomes Unterwasserfahrzeug f r gro e Tauchtiefen werden die im Bereich Mission Level Design f r integrierte Mobilkommunikationssysteme gewonnen wurden ZFS98 SLUG98 Literatur BIT BOO04 FLY95 GS98 GIR98 GUL95 GUL97 GVTM99 HSM99 KRW MHM96 NEHO0 OPSS96 RRS92 SE94 SLL02 SS96 SUG98 BITTEL O Forschungsprojekt Autonomer mobiler Roboter mit neuronaler und unscharfer Steuerung Fachhochschule Konstanz http www boost org FLYGARE H Collision avoidance for an autonomous underwater vehicle Master thesis ISRN LUTFD2 TFRT 5545 SE Department of Automatic Control Lund Institute of Technology Lund Sweden December 1995 G RTNER B S SCH NHERR S 1998 Smallest Enclosing Ellipses An Exact and Generic Implementation in C Report B 98 05 Freie Universit t Berlin Institut f r Informatik
219. tsystemmodell in die Teilmodelle Systemmodell und Umwelt untergliedert werden Zum anderen erfordert die Einbeziehung der Missionen eine Erweiterung des Konzepts der Simulationsdurchf hrung um die neue Phase der Missionshandhabung und die Auswertung muss missionsspezifischen erfolgen DeepC Aktiv autonomes Unterwasserfahrzeug f r gro e Tauchtiefen Auf Basis dieser theoretischer berlegungen entwickelt die Arbeit ein Framework f r das Mission Level Design das die praktische Durchf hrung von Simulationen auf Missionsebene erm glicht Sein Hauptbestandteil ist das kommerzielle Entwurfsprogramm MLDesigner das um die neuentwickelten Programme MLEditor und MLVisor erweitert wird Mit Hilfe dieses Frameworks wurde f r das DeepC Projekt ein Gesamtsystemmodell des AUVs DeepC erstellt um damit Untersuchungen auf Missionsebene durchzuf hren Es besteht aus einer virtuellen Umwelt und einem Fahrzeugmodell welches neben der Dynamik der Sensorik und Aktorik auch die Softwarestruktur und ihre Abarbeitung auf einer virtuellen Hardware nachbildet Des weiteren integriert das Modell den energetischen Aspekt der als begrenzte Ressource f r ein autonomes Unterwasserfahrzeug von besonderer Bedeutung ist Anhand dieses praktischen Beispiels wird die Durchf hrung von Simulationen auf Missionsebene demonstriert 6 4 5 Literatur ALO3 Andrejevi c Miona Liebezeit Thomas Modeling of the energy system for the mission level design of the DeepC A
220. tterson AFB Ohio USA Diplomarbeit 2000 PREPARATA F P SHAMOS M l Computational geometry An Introduction Springer Verlag New York 1990 REEVES C R Hrsg Modern heuristic techniques for combinatorial problems McGraw Hill London 1995 SILVA C T MITCHELL J S B KAUFMAN A E Automatic Generation of Triangular Irregular Networks using Greedy Cuts In Proceedings of the 6th IEEE Visualization 1995 Conference VIS 95 1995 SEIFERT T TAUBER F KAYSER B A high resolution spherical grid topography of the Baltic Sea revised edition In Proceedings of the Baltic Sea Science Congress 2001 Teilprojekt 6 Pr diktives F hrungssystem FKZ 03SX104E 55 DeepC Aktiv autonomes Unterwasserfahrzeug f r gro e Tauchtiefen 6 2 F hrung des Fahrzeuges in Sondersituationen FIS 6 2 1 Einbindung des Moduls FIS in die F hrungshierarchie des Fahrzeuges Die F hrungshierarchie des Fahrzeuges ist in eine Mehrebenenstruktur BHMM97 aufgebaut siehe Abbildung 6 36 Im Normalfall arbeitet das Fahrzeug einen Missionsplan ab Dieser Plan enth lt Positionswerte und geometrische Daten zur Beschreibung von Basisman vern welche das Fahrzeug in einer vorgegebenen Reihenfolge abzufahren hat Dabei werden definierte Vorgaben zur F hrung des Fahrzeuges in Form von Sollkurs tiefe bahn lage und geschwindigkeit an den Autopiloten bergeben Dies ist vergleichbar mit der vollautomatischen F hrung eines Passagi
221. uf dem ersten Rechner l uft MATLAB welches die o g Aufgaben erf llt Die rechenintensiven Algorithmen der virtuellen Realit t laufen auf einem zweiten Rechner Abbildung 6 90 zeigt die aufgebaute Testumgebung Durch den Aufbau der Testumgebung unter MATLAB SIMULINK ist eine Modifikation der einzelnen Funktionen leicht m glich Des Weiteren kann auf vorhandene Komponenten unter MATLAB SIMULINK zur Erf llung der o g Aufgaben zur ckgegriffen werden So konnte die Datenaufzeichnhung mit der bestehenden SIMULINK Funktionalit t durchgef hrt werden Die Verwendung des Dials amp Gauges Blocksets von MATLAB DGB02 erlaubte die Nutzung vordefinierter Anzeigeinstrumente zur Darstellung der aktuellen Fahrzeuglage Das Modell des geregelten Fahrzeugverhaltens wurde durch eine Auswertung durchgef hrte AUV Simulationen unter Excel bei STN Atlas der simulierten Fahrtrajektorien und den Anforderungen an das Fahrzeug von Mission Level Design mit dem Designtool MLDesigner erstellt Dieses Modell ist durch MLD in ein MATLAB konformes Modell umgesetzt worden welches Bestandteil dieser Testumgebung ist Die Ansteuerung Abfrage der Eingabeger te erfolgte durch s Functions unter Verwendung von DirectX DirectInput DiX04 So ist es m glich direkt auf die Hardware zuzugreifen und Ger te welche eine Force Feedbackunterst tzung besitzen anzusteuern Der Datenaustausch zwischen der SIMULINK Testumgebung und der VR KISMET erfolgt ber ei
222. ufgabe in der Entwicklung einer einfachen und handhabbaren M glichkeit zur Arbeit mit verschiedenen Missionen e Modellnutzung In der Modellnutzung werden die Missionen auf das Modell angewendet wodurch konfigurierte Modelle entstehen Deren Simulation erfolgt rechentechnisch und erzeugt eine Vielzahl von Simulationsergebnissen Dabei wird der virtuelle Prototyp in seiner virtuellen Umgebung mit den einzelnen Nutzungsszenarien Missionen konfrontiert wobei sein Verhalten und seine Zust nde aufgezeichnet werden e Missionsspezifische Auswertung Im Rahmen der missionsspezifischen Auswertung werden die Simulationsergebnisse untersucht Die gro e Menge anfallender Informationen muss dazu anschaulich aufbereitet werden was neben der Selektion eine vielseitige Datenaufbereitung erfordert Des weiteren ist eine Visualisierung n tig die unterschiedliche Daten jeweils optimal darstellt F r die Auswertung werden alle relevanten Ergebnisse missionsweise analysiert und daraus eine Gesamteinsch tzung des Systemdesigns bez glich der Nutzeranforderungen erarbeitet Auf dieser Analyse aufbauend kann im Anschluss der Entwurf fortgef hrt und optimiert werden Das hier vorgestellte wesentlich erweiterte Konzept tr gt den Besonderheiten von Simulationen im Rahmen des Mission Level Designs Rechnung Es erg nzt die herk mmlichen Phasen einer Simulation um die neue Phase der Missionshandhabung und um erweiterte Auswertungsm glichkeiten f r Missionen
223. ur Ausf hrung der Regeln Der dabei ablaufende Prozess wird auch als Inferenz die Komponente selbst als Inferenzsystem bezeichnet Dar ber hinaus besitzen Expertensysteme f r die Interaktion mit dem Menschen folgende Schnittstellen Teilprojekt 6 Pr diktives F hrungssystem FKZ 03SX104E 15 DeepC Aktiv autonomes Unterwasserfahrzeug f r gro e Tauchtiefen Wissenserwerbskomponente Sie dient zur Wissensermittlung vom Experten und zur Ver nderung des bereits gespeicherten Wissens Erkl rungskomponente Sie beschreibt den Weg in Form der aktivierten Regeln der beim Schlie en aufgrund der vorhandenen Fakten beschritten wurde Dialogkomponente Sie dient der Interaktion des Systems mit den verschiedenen Personen Entwickler Experte Nutzer Dar ber wird zum Beispiel der Arbeitsspeicher mit Fakten gef llt Regeln eingegeben oder die Steuerung des Systems vorgenommen Diese Schnittstellen sind f r den Fall dass ein regelbasiertes System in einem autonomen System eingesetzt werden soll nur f r den Entwurf die Wissensakquisition sowie zu Test und Wartungszwecken notwendig Lediglich Wissensbasis Arbeitsspeicher und Inferenzsystem werden dann im produktiven Einsatz ben tigt Deshalb sollen die f r das Verst ndnis dieser Komponenten notwendigen Informationen in den nachfolgenden Abschnitten vermittelt werden Benutzer I 0 Q m ab 3 m sp c ao KA Abbildung 6 2 Aufbau eines regelbasierten E
224. urchf hren zu k nnen wird im Folgendem ein neu entwickeltes Framework vorgestellt das zwei wesentliche Prinzipien einf hrt die aus der Analyse der F higkeiten von MLDesigner abgeleitet wurden e Trennung von Modellierung und Missionshandhabung Durch die Trennung von Modellierung und Missionshandhabung l sst sich die Unterst tzung von Missionen ebenso wie eine erweiterte Funktionalit t bei der Parametereingabe erm glichen 120 Teilprojekt 6 Pr diktives F hrungssystem FKZ 03SX104E DeepC Aktiv autonomes Unterwasserfahrzeug f r gro e Tauchtiefen Die Unterst tzung von Missionen impliziert dass die Parametrisierung zwischen den verschiedenen Parametertypen unterscheidet Auf diese Weise wird die Beschreibung der Missionen mittels der Missionsparameter von der Auslegung des Systems mittels der Systemparameter getrennt Die damit verbundene Vereinfachung und Unterst tzung der Parametrisierung hat zudem zur Folge dass auch Nutzer die Simulationen durchf hren k nnen die nicht mit der Modellierung und mit den Modell vertraut sind e Trennung von Modellnutzung und Auswertung Die Trennung von Modellnutzung und Auswertung f hrt dazu dass die Simulationsergebnisse zwischengespeichert werden m ssen was gleichzeitig ihre Archivierung erleichtert Dies vereinfacht wiederum den Vergleich zwischen aktuellen und fr heren Resultaten weil das externe Programm immer auf gespeicherte Ergebnisse zugreift Vorteilhaft ist des we
225. us in Situationen in denen sich gleichzeitig eine gro e Zahl von Fakten ndert nicht effizient Weiterentwicklungen wie Rete 2 oder Rete UL bieten sich in derartigen F llen als praktikable Methoden an For94 Do095 Abbildung 6 3 Ablauf der Inferenz Teilprojekt 6 Pr diktives F hrungssystem FKZ 03SX104E 17 DeepC Aktiv autonomes Unterwasserfahrzeug f r gro e Tauchtiefen Vor allem die in den letzten Jahren intensiv untersuchten Echtzeit Expertensysteme ben tigen jedoch eine Inferenzstrategie die innerhalb einer festgelegten Zeit eine L sung findet Die vorgestellten Methoden sind daf r weniger geeignet da f r echtzeitf hige Systeme unumg ngliche Eigenschaften wie die Interruptf higkeit und die Vorhersagbarkeit der Laufzeit fehlen Deshalb wurden spezielle echtzeitf hige Inferenzverfahren entwickelt Im Mittelpunkt der Methoden steht wiederum die zeitintensive Ermittlung der Konfliktmenge die zum Beispiel durch Generierung eines optimalen Entscheidungsbaumes serielle Faktermittlung oder durch eine parallele Faktermittlung mit Hilfe von effizienten Regelkodierungen erfolgen kann Dun95 6 1 3 1 4 Wissensermittlung Bevor ein wissensbasiertes System implementiert werden kann muss zun chst die Erfassung des zu hinterlegenden Wissens erfolgen Aus dem Blickwinkel des wissensbasierten Systems hei t dieser Prozess Wissensermittlung oder Wissensakquisition
226. utliches Anwachsen der Rechenzeit bei den 3D Tests Der gr te Zeitaufwand steckt in der Generierung des Graphen Die Zeit f r die Wegsuche nimmt dabei einen verschwindend kleinen Anteil ein Der Rechenaufwand zur Generierung eines Quadtree Octreegraphen liegt um das 3fache im 2D Raum und um das 7fache im 3D Raum h her als beim Sichtbarkeitsgraphen Dies ist durch die notwendige minimale Sektorgr sse Im x 1m x 6m und der damit verbundenen zeitaufwendigen Generierung der Datenstrukturen f r den 2D bzw 3D Baum Kle97 und des Graphen begr ndet Nur durch eine solch feine Diskretisierung k nnen auch freie Sektoren zwischen den Hindernissen generiert werden Der Einsatz der Microsoft Compiler brachte im Durchschnitt eine Senkung der Rechenzeit um 35 F r das Projekt wurde der Sichtbarkeitsgraph favorisiert Dies ist durch seinen geringeren Rechenaufwand und durch die Form der ermittelten Wege vergleiche Abbildung 6 49 und Abbildung 6 50 begr ndet Es finden bei diesem Verfahren weniger Kurs nderungen als beim Octreegraphen w hrend des Durchfahrens eines Parcours statt 6 2 5 2 Reaktive Ausweichsteuerung Die Reaktive Ausweichsteuerung muss bei pl tzlich auftauchenden Hindernissen die Wegeplanung abl sen und die Fahrzeugf hrung bernehmen Ein anderer Einsatzfall ist bei Bereitstellung ungenauer Objektdaten durch das Modul Objekterkennung gegeben Unter ungenau ist ein stochastisches Variieren der Abma e und der La
227. ver abh ngig von dem konkreten Aufbau und den Aufgaben des mobilen Systems Es kann also nicht generell davon ausgegangen werden dass solche Parameter existieren Andererseits erh ht der meist kontinuierliche Wertebereich solcher Kenngr en den Aufwand zur L sung des Problems so dass durch Nutzung von Man verparametern als Optimierungsvariablen zus tzlich zur Aktivierung der Planelemente aus einem diskreten ein gemischt ganzzahliges Optimierungsproblem wird Zugunsten der Allgemeing ltigkeit des zu entwerfenden Verfahrens soll aus den genannten Gr nden nur die Aktivierung der einzelnen Planelemente als Variable der Optimierung herangezogen werden Analogiebetrachtungen und L sungsans tze Probleme der im letzten Abschnitt geschilderten Art treten in der Realit t h ufig auf und stellen deshalb einen wesentlichen Forschungsschwerpunkt der Mathematik und Theoretischen Informatik dar Ein Standardproblem an dem oft unterschiedliche Algorithmen der diskreten Optimierung getestet werden ist das so genannte Rucksack Problem Es weist eine gro e hnlichkeit mit der zu l senden Optimierungsaufgabe auf und soll deshalb im Folgenden n her betrachtet werden Speziell das eindimensionale lineare Rucksack Problem ist zum Vergleich sehr gut geeignet und geht von folgender Situation aus Es sind n verschiedene Gegenst nde verf gbar wobei jeder einen Wert w und ein Gewicht gleich Kosten c besitzt Ziel ist diejenigen Artikel auszuw hlen di
228. ves F hrungssystem FKZ 03SX104E 57 DeepC Aktiv autonomes Unterwasserfahrzeug f r gro e Tauchtiefen Die einzelnen Komponenten des Moduls FIS werden in den nachfolgenden Abschnitten detailliert vorgestellt 6 2 3 Kollisions berwachung 6 2 3 1 Einf hrende Erl uterungen F r das bessere Verst ndnis des Zusammenspiels des Moduls FIS mit den anderen Modulen sollen eingangs dieses Abschnittes einige einf hrende Erl uterungen dargelegt werden Aufbau eines Missionsplanes Ein Missionsplan setzt sich aus einer Folge von Man vern zusammen Diese Man ver sind in Komplexman ver und U bergangsman ver unterteilt Komplexman ver erf llen eine spezielle Aufgabe Abtauchen M ander GPS Update innerhalb des Missionsplanes Die U bergangsman ver dienen als Verbindung zwischen End und Startposition zweier Komplexman ver Abbildung 6 38 zeigt einen Missionsplan mit einzelnen Man vern M ander EP N EP Track SP Track EP N I x SP SP Startposition EP Endposition N Komplexman ver SP gt gt Ubergangsman ver Abbildung 6 38 Missionsplan Diese einzelnen Man ver setzen sich aus Basisman vern zusammen Beschreibung der Basisman ver Basisman ver stellen einfache geometrische Linienverl ufe dar welche durch eine Start und Endposition geometrische Daten zum Beschreibung ihrer Form und Sollgeschwindigkeitsvorgaben charakterisiert sind Nach Fos02 umfasst die L sun
229. w hlt Die positive Ladung des Hindernisses wird durch die Gleichung R R D q 6 10 beschrieben Dabei ist R der Radius des Hinderniskreises D beschreibt den Abstand zwischen den beiden Ladungen Durch Gleichung 6 10 wird garantiert dass alle Gradientenlinien welche innerhalb des Kreises beginnen herausgef hrt werden und im Zielpunkt enden Gradientenlinien welche au erhalb des Kreises beginnen verlaufen ausschlie lich au erhalb des Kreises F r die Beweisf hrung sei auf Gul95 und Gul97 verwiesen N EFN J positive Ladung Q negative Ladung 1 Hindernis _ Zielpunkt _ Gradientenlinien Abbildung 6 58 Gradientenlinien des Dipols 72 Teilprojekt 6 Pr diktives F hrungssystem FKZ 03SX104E DeepC Aktiv autonomes Unterwasserfahrzeug f r gro e Tauchtiefen F r die Ermittlung des resultierenden Gradienten G an der aktuellen Fahrzeugposition sind die beiden Gradienten f r die positive und negative Ladung getrennt zu berechnen und durch eine Superposition zusammenzufassen Abbildung 6 58 zeigt das so entstandene Potentialfeld mit den dazugeh rigen Gradientenlinien Da die Gradientenlinien das Hindernis tangieren aber nicht schneiden k nnen muss der Radius R des Kreises um einen solchen Betrag vergr ert werden welcher eine Kollision zwischen Fahrzeug und Objekt verhindert Hier bietet sich eine Vergr erung mit der n fachen maximalen Ausdehnung des Fahrzeuges an Der so entstan
230. xpertensystems 6 1 3 1 2 Wissensrepr sentation Die Wissensrepr sentation besch ftigt sich mit der Darstellung Beschreibung und Pr sentation von Wissen Hau00 Ziel ist es die Informationen in maschinenverarbeitbarer Form zu speichern Gleichzeitig soll es m glich sein bei Bedarf aus der gew hlten Beschreibung das Wissen wieder zu reproduzieren Vorhandenes Wissen kann auf verschiedene Weise in einem wissensbasierten System hinterlegt sein Prinzipiell werden deklarative und prozedurale Darstellungsarten des Wissens unterschieden Die prozedurale Wissensrepr sentation beinhaltet Verfahren f r die L sung eines Problems in Form von definierten Abl ufen Das Wissen liegt dabei als Gleichungen Algorithmen oder Programme vor BW37 Die deklarative Wissensrepr sentation hingegen stellt die vorhandenen Informationen lediglich als Sachverhalte zur Verf gung es werden keine Aussagen ber die Art der Anwendung des Wissens gemacht Deklaratives Wissen kann sehr gut in Wissenseinheiten strukturiert werden die die Basis f r einen modularen Aufbau von Expertensystemen bilden Gebr uchliche Methoden f r die Wissensdarstellung sind relationale Datenmodelle und objektorientierte Darstellungen wie semantische Netze Objekt Attribut Wert Tripel oder Frames Nik97 16 Teilprojekt 6 Pr diktives F hrungssystem FKZ 03SX104E DeepC Aktiv autonomes Unterwasserfahrzeug f r gro e Tauchtiefen Regelbasierte Systeme und darauf basier
231. zu k nnen muss das Fahrzeug eine definierte Lage zum Objekt einnehmen und w hrend der Identifikation halten Dieser Modus wird als Ausrichten auf ein Objekt bezeichnet Tritt in diesem Modus eine starke Seestr mung auf muss das Fahrzeug in den Str mungsschatten des Objektes gef hrt werden um eine exakte Position einnehmen und halten zu k nnen Dabei werden unter Beachtung der Str mungsrichtung und eines Sicherheitsabstandes Gebiete um das Objekt definiert in welchen das Fahrzeug unterschiedliche Man vrieraufgaben erf llen muss siehe Abbildung 6 70 Befindet sich das Fahrzeug weit entfernt vom Objekt soll es einen entsprechenden Zielpunkt anfahren ZP Gebiete Befindet sich das Fahrzeug n her am Objekt wird es auf eine Sollbahn gef hrt SB Gebiete Wenn das Fahrzeug im Str mungsschatten liegt erfolgt das Ausrichten auf das Objekt mit einem definierten Abstand Ausrichten auf Objekt 82 Teilprojekt 6 Pr diktives F hrungssystem FKZ 03SX104E DeepC Aktiv autonomes Unterwasserfahrzeug f r gro e Tauchtiefen Str mungsrichtung Sollbahn 7 PP BP 4 en TNT asiente AOTEA NE Ausrichten EEEE EX auf Objekt EE E EEE E FEIN ELER BERGEN a pA LIYE Zielpunkt Sicherheits gt Sollbahn bereich Str mungsrichtung Abbildung 6 70 Ausrichten auf ein Objekt in Abh ngigkeit der Str mung 6 2 6 1 2 Umfahren eines Objektes Bei gro r umigeren Objekten muss das Fahrzeug das zu identifizierte Objek
232. zu lernender Man verstrategien Bei der Auswahl der zu untersuchenden Man verstrategien sind alle vorhersehbaren Situationen in denen ein Ausweichman ver notwendig wird ber cksichtigt worden In einer dreidimensionalen Umgebung des Fahrzeuges sind folgende Ausweichsituationen vorstellbar Das AUV muss geradlinig auf schnellstem Weg von einem Startpunkt zu einem Zielpunkt fahren k nnen e Sollte eine Mission die Inspektion eines bestimmten Objektes erfordern muss das AUV in der Lage sein dieses Objekt zu umrunden e Das AUV muss in der Lage sein einen vorgegebenen Abstand zu einem bestimmten Objekt einzuhalten und dabei eine bestimmte Lage relative zum Objekt einzunehmen z B beim Man vrieren in einer Schlucht wobei das Fahrzeug bestimmte Abst nde in vier Richtungen rechts links oben und unten einhalten muss oder bei der Verfolgung von festen Pipelines Kabel o a bzw beweglichen Objekten Schiffe u a 6 3 4 Vorgehensweise der Lernstrategien Wegen der Kompliziertheit der Wissensermittlung in Verbindung mit dem Entwurf von Expertensystemen wird nach Maschinellen Lernverfahren geforscht die den Wissensermittlungsprozess automatisieren und die Nutzung der zug nglichen Informationsquellen erweitern Vac94 Die Wahl einer passenden Lernmethode h ngt von der Natur der zu l senden Aufgabenstellung und von der Art des vorhandenen Wissens ab RS90 Wenn die zu l sende Aufgabe Klassifikationscharakter hat und viele Trainin

Abschlussbericht BMBF-Verbundvorhaben DeepC

Contents

Download Pdf Manuals

Related Search

Related Contents