[Back]

S. Horvath, H.-B. Neuner:
"Systemidentifikation eines Roboterarms mit erweitertem Kalman-Filter und künstlichen neuronalen Netzen";
Poster: 18. Internationaler Ingenieurvermessungskurs TU Graz 2017, Graz (invited); 2017-04-25 - 2017-04-29; in: "Ingenieurvermessungskurs 2017", W. Lienhart (ed.); (2017), ISBN: 978-3-87907-630-7; 221 - 231.

Aufgrund der Komplexität der realen Welt gelingt die Beschreibung eines Systemverhaltens basierend auf physikalischen und mathematisch-statistischen Modellen nicht oder nur unvollkommen. In solchen Fällen eignen sich Verhaltensmodelle. Die Lerntheorie beschäftigt sich mit der Bestimmung von Systemparametern einer unbekannten Ein-Ausgangsbeziehung auf Grundlage von Daten und der Berücksichtigung von a priori Information. Solch ein Lernverfahren setzt sich im Allgemeinen aus einer approximierenden Funktion und einer Optimierungsaufgabe zusammen. Künstliche neuronale Netze (KNN) als approximierende Funktion sind universell und flexibel einsetzbar, dadurch ist a priori Information in dem Modellselektions-Prozess von Bedeutung. Die Formulierung der Optimierungsaufgabe als erweitertes Kalman Filter (EKF) ermöglicht die Verwendung und die plausible Festlegung stochastischer Information wie z.B. das Mess- und Systemrauschen. Die resultierende stochastische Information zu den geschätzten Parametern wird zu deren Signifikanzprüfung verwendet und deren Beitrag zur Modellselektions-Aufgabe wird evaluiert. Ziel dieses Beitrages ist die Behandlung der stochastischen Information in dem gewählten Lernverfahren und die Diskussion der daraus resultierenden Möglichkeiten. Die Evaluierung der Methode erfolgt an der Fehlermodell-Identifikation eines Roboterarms. Dabei wird der absolute statische Positionsfehler des Roboters im belasteten sowie im unbelasteten Fall in Abhängigkeit der Winkelencoder modelliert. Die Effizienz des gewählten Ansatzes wird im Vergleich zu Standard-Verfahren beurteilt.

Systemidentifikation, Erweitertes Kalman Filter, Künstliche Neuronale Netze, Stochastik, Lernverfahren

http://publik.tuwien.ac.at/files/publik_262593.pdf