Maschinelles Lernen und dynamische Ganzkörpersteuerung für Unterwassermanipulation

Abstract

Autonome Unterwassermanipulation ist heutzutage immer noch eine offene Forschungsaufgabe. Dieses Kapitel beschreibt Ansätze, einige der offenen Herausforderungen zu bewältigen. Auf der einen Seite wird der Einsatz von maschinellem Lernen für die Online-Identifikation und Anpassung der Fahrzeugdynamik (Umgang mit Driftkompensation, Massenänderungen usw.) sowie der Einsatz von high-level kontextbasierten Konfigurationen von Controllern zur Anpassung an Änderungen in der Systemmorphologie, Hardware und/oder Aufgaben. Auf der anderen Seite wird eine robuste Steuerung von Unterwassermanipulatoren auf Basis einer Erweiterung von Ganzkörpersteuerungstechniken angestrebt, die die heterogene Aktuation (Antrieb an der Basis, Aktuatoren an den Armgelenken) sowie die unsichere Unterwasserfahrzeugdynamik berücksichtigt. Das Ergebnis ist ein hochkonfigurierbares System, das sein Verhalten automatisch anpassen kann, um mit Änderungen in der Umgebung, in seiner eigenen Morphologie und/oder in den Aufgabenzielen fertig zu werden. Die Ergebnisse sollen in zwei verschiedenen Szenarien validiert werden: einem Testbed für die Dynamik von schwimmenden Basen, das aus Raumfahrtanwendungen und Luftrobotern beim DLR stammt, und einem Unterwasserbecken beim DFKI.