Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Bücher
Zeitschriften
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
MTZ-Fachkongress

Antriebe und Energiesysteme von morgen


Austausch von Automobil- und Energiewirtschaft

Am 14./15. Mai geht es in Chemnitz um die Mobilitätswende durch Elektro- und Wasserstofffahrzeuge.
Erweiterte Suche
Anmelden
nach oben
e+i Elektrotechnik und Informationstechnik
Erschienen in: e & i Elektrotechnik und Informationstechnik 6/2020

26.08.2020 | Originalarbeit

Evaluierung von Navigationsmethoden für mobile Roboter

verfasst von: Wilfried Wöber, Johannes Rauer, Maximilian Papa, Ali Aburaia, Simon Schwaiger, Georg Novotny, Mohamed Aburaia, Wilfried Kubinger

Erschienen in: e+i Elektrotechnik und Informationstechnik | Ausgabe 6/2020

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Zusammenfassung

Mobile Manipulation ist das Kernstück eines hochflexiblen und autonomen Produktionssystems. Durch vernetzte und roboterbasierte Automatisierung ist eine individuell angepasste Fertigung möglich, wobei mobile Manipulatoren sowohl bei Transportaufgaben als auch bei der Werkstückbereitstellung eine signifikante Rolle spielen. Die Digitale Fabrik der FH Technikum Wien ist eine Forschungs- sowie Lehrplattform und dient der exemplarischen Erprobung neuer Technologien zur digitalen und flexiblen Produktion. Im Zuge mehrerer Forschungsarbeiten wurden mobile Manipulatoren in der Digitalen Fabrik integriert. Basierend darauf und auf einem konkreten und symbolischen Use Case diskutiert diese Arbeit verschiedene Methoden zur Navigation mobiler Manipulatoren. Es werden Positionierungsgenauigkeiten basierend auf unterschiedlichen Navigationsmethoden, Sicherheitsaspekte und Auswirkungen auf die Handhabung von Objekten diskutiert.
Vorheriger Artikel Combining decision making and dynamical systems for monitoring and executing manipulation tasks
Nächster Artikel Learn, detect, and grasp objects in real-world settings

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Fußnoten
Literatur
1.
Lehner, F., Schmid, J. (1992): Industrielle Wettbewerbsfähigkeit und flexible Produktionssysteme – Zukunftschancen der Fabrik (S. 13–28). Wiesbaden: VS Verlag für Sozialwissenschaften.
2.
Westkämper, E., Spath, D., Constantinescu, C., Lentes, L. (2006): Digitale Produktion. Berlin: Springer.
3.
Chebab, Z.-E., Fauroux, J.-C., Bouton, N., Mezouar, Y., Sabourin, L. (2015): Autonomous collaborative mobile manipulators: state of the art. In TrC-IFToMM symposium on theory of machines and mechanisms, Izmir, Turkey.
4.
Thrun, S., Burgard, W., Fox, D. (2006): Probabilistic robotics. Cambridge: MIT Press. MATH
5.
Larsen, T. D., Hansen, K. L., Andersen, N. A., Ravn, O. (1999): Design of Kalman filters for mobile robots; evaluation of the kinematic and odometric approach. In Proceedings of the 1999 IEEE international conference on control applications (Cat. No. 99CH36328) (Bd. 2, S. 1021–1026).
6.
7.
Kia, S. S., Rounds, S. F., Martínez, S. (2014): A centralized-equivalent decentralized implementation of extended Kalman filters for cooperative localization. In 2014 IEEE/RSJ international conference on intelligent robots and systems (S. 3761–3766).
8.
Fox, D. (2001): Kld-sampling: adaptive particle filters and mobile robot localization. In Advances in neural information processing systems (NIPS).
9.
Bishop, C. M. (2006): Pattern recognition and machine learning. New York: Springer. MATH
10.
Ko, J., Fox, D. (2008): GP-bayesfilters: Bayesian filtering using Gaussian process prediction and observation models. In IEEE/RSJ international conference on intelligent robots and systems, 2008. IROS 2008, Nice, France. New York: IEEE Press.
11.
Reece, S., Roberts, S. (2010): An introduction to Gaussian processes for the Kalman filter expert. In 2010 13th conference on information fusion (FUSION). New York: IEEE Press.
12.
Hartikainen, J., Särkkä, S. (2010): Kalman filtering and smoothing solutions to temporal Gaussian process regression models. In 2010 IEEE international workshop on machine learning for signal processing (MLSP). New York: IEEE Press. MATH
13.
Grisetti, G., Stachniss, C., Burgard, W. (2005): Improving grid-based SLAM with Rao-Blackwellized particle filters by adaptive proposals and selective resampling. In Proceedings of the IEEE international conference on robotics & automation (ICRA).
14.
Labbé, M., Michaud, F. (2018): Rtab-map as an open-source lidar and visual simultaneous localization and mapping library for large-scale and long-term online operation: Labbé and Michaud. J. Field Robot., 36, 10.
15.
Russell, S., Norvig, P. (2010): Artificial intelligence: a modern approach. Aufl. 3. New York: Prentice Hall. MATH
16.
Garrido-Jurado, S., Munoz-Salinas, R., Madrid-Cuevas, F., Marin-Jiménez, M. (2014): Automatic generation and detection of highly reliable fiducial markers under occlusion. Pattern Recognit., 47, 06.
17.
Goodfellow, I., Bengio, Y., Courville, A. (2016): Deep learning. Cambridge: MIT Press. MATH
18.
Pearl, J. (2009): Causality: models, reasoning and inference. Aufl. 2. New York: Cambridge University Press. MATH
19.
Pearl, J. (1988): Probabilistic reasoning in intelligent systems: networks of plausible inference. San Francisco: Morgan Kaufmann MATH
20.
21.
Szegedy, C., Zaremba, W., Sutskever, I., Bruna, J., Erhan, D., Goodfellow, I., Fergus, R. (2014): Intriguing properties of neural networks. In International conference on learning representations. [Online] Available: arXiv:​1312.​6199.
22.
23.
Selvaraju, R. R., Das, A., Vedantam, R., Cogswell, M., Parikh, D., Batra, D. (2016): Grad-cam: Why did you say that? visual explanations from deep networks via gradient-based localization. CoRR arXiv:​1610.​02391.
24.
Pearl, J., Mackenzie, D. (2018): The book of why: the new science of cause and effect. Aufl. 1. New York: Basic Books MATH
25.
Sattinger, V., Papa, M., Stuja, K., Kubinger, W. (2019): Methodik zur entwicklung sicherer kollaborativer produktionssysteme im rahmen von industrie 4.0. E&I, Elektrotech. Inf.tech., 136, 10.
26.
Papa, M., Kaselautzke, D., Stuja, K., Wölfel, W. (2018): Different safety certifiable concepts for mobile robots in industrial environments. In 29TH DAAAM international symposium on intelligent manufacturing and automation (Bd. 01, S. 0791–0800).
27.
Markis, A., Papa, M., Kaselautzke, D., Rathmair, M., Sattinger, V., Brandstötter, M. (2019): Safety of mobile robot systems in industrial applications. In Proceedings of the joint ARW & OAGM workshop (Bd. 05).
28.
29.
Otrebski, R., Pospisil, D., Engelhardt-Nowitzki, C., Kryvinska, N., Aburaia, M. (2019): Flexibility enhancements in digital manufacturing by means of ontological data modeling. Proc. Comput. Sci., 155, 296–302. The 16th international conference on mobile systems and pervasive computing (MobiSPC 2019), The 14th international conference on future networks and communications (FNC-2019), The 9th international conference on sustainable energy information technology. [Online]. Available: http://​www.​sciencedirect.​com/​science/​article/​pii/​S187705091930957​3.
30.
Rauer, J. N. (2019): Semi-automatic generation of training data for neural networks for 6D pose estimation and robotic grasping. Master’s thesis, University of Applied Sciences Technikum Wien, Vienna, Austria.
31.
Rauer, J. N., Wöber, W., Aburaia, M. (2019): An autonomous mobile handling robot using object recognition. In Proceedings of the joint ARW & OAGM workshop (S. 38–43).
32.
Parungao, L., Hein, F., Lim, W. (2018): Dijkstra algorithm based intelligent path planning with topological map and wireless communication. J. Eng. Appl. Sci., 13, 04.
33.
Quigley, M., Conley, K., Gerkey, B. P., Faust, J., Foote, T., Leibs, J., Wheeler, R., Ng, A. Y. (2009): Ros: an open-source robot operating system. In ICRA workshop on open source software.
34.
Kumra, S., Kanan, C. (2017): Robotic grasp detection using deep convolutional neural networks. In IEEE international conference on intelligent robots and systems – IROS (S. 769–776).
35.
Tobin, J., Biewald, L., Duan, R., Andrychowicz, M., Handa, A., Kumar, V., McGrew, B., Schneider, J., Welinder, P., Zaremba, W., Abbeel, P. (2017): Domain randomization and generative models for robotic grasping. In IEEE/RSJ international conference on intelligent robots and systems – IROS (S. 3482–3489).
36.
Du, G., Wang, K., Lian, S. (2019): Vision-based robotic grasping from object localization, pose estimation, grasp detection to motion planning: A review. CoRR.
37.
Fu, M., Zhou, W. (2019): DeepHMap++: combined projection grouping and correspondence learning for full DoF pose estimation. Sensors, 19(5), 1032.
38.
Fischler, M. A., Bolles, R. C. (1981): Random sample consensus: a paradigm for model fitting with applications to image analysis and automated cartography. Commun. ACM, 24(6), 381–395. MathSciNet
39.
Bohg, J., Morales, A., Asfour, T., Kragic, D. (2014): Data-driven grasp synthesis: a survey. IEEE Trans. Robot., 30(2), 289–309.
40.
Tremblay, J., To, T., Sundaralingam, B., Xiang, Y., Fox, D., Birchfield, S. (2018): Deep object pose estimation for semantic robotic grasping of household objects. In 2nd annual conference on robot learning – CoRL (S. 306–316).
41.
Steigl, D., Aburaia, M., Wöber, W. (2020): Autonomous grasping of known objects using depth data and the pca. In Proceedings of the joint ARW & OAGM workshop.
42.
Andreas, K., Wöber, W. (2020): Vision-based docking of a mobile robot. In Proceedings of the joint ARW & OAGM workshop.
43.
Sutton, R. S., Barto, A. G. (2018): Reinforcement learning: an introduction. Cambridge: MIT Press. MATH
Metadaten
Titel
Evaluierung von Navigationsmethoden für mobile Roboter
verfasst von
Wilfried Wöber
Johannes Rauer
Maximilian Papa
Ali Aburaia
Simon Schwaiger
Georg Novotny
Mohamed Aburaia
Wilfried Kubinger
Publikationsdatum
26.08.2020
Verlag
Springer Vienna
Erschienen in
e+i Elektrotechnik und Informationstechnik / Ausgabe 6/2020
Print ISSN: 0932-383X
Elektronische ISSN: 1613-7620
DOI
https://doi.org/10.1007/s00502-020-00820-x

Weitere Artikel der Ausgabe 6/2020

e & i Elektrotechnik und Informationstechnik 6/2020 Zur Ausgabe

Originalarbeit

A multi-robot architecture for the RoboCup Logistics League

Originalarbeit

Combining decision making and dynamical systems for monitoring and executing manipulation tasks

Vorwort

Mobile Manipulation

Originalarbeit

Sichere und zuverlässige mobile Manipulation

Originalarbeit

A review of the challenges in mobile manipulation: systems design and RoboCup challenges

Originalarbeit

Learn, detect, and grasp objects in real-world settings

Neuer Inhalt

    Bildnachweise