Autonome robotische Exploration mittels Strategien der nichtlinearen Optimierung

Die Exploration extraterrestrischer Umgebungen, wie beispielsweise der Eismonde unseres
Sonnensystems, stellt robotische Systeme vor besondere Herausforderungen. Dazu gehören
eingeschränkte Kommunikationsmöglichkeiten, Energieknappheit und extreme Umweltbedin-
gungen.
In dieser Arbeit wird ein Framework für die autonome Manöverplanung und -ausführung eines
solchen robotischen Explorationssystems vorgestellt, das verschiedene Optimierungsstrategien
zur Realisierung zentraler Funktionalitäten einsetzt. Am Beispiel der Schmelzsonde EnEx-
IceMole werden Ansätze zur Bewegungsmodellierung, Parameteridentifikation, Trajektorien-
und Versuchsplanung sowie eine modellprädiktive Regelungsstrategie präsentiert. Die ent-
wickelten Algorithmen werden sowohl in Simulationen repräsentativer extraterrestrischer
Anwendungsszenarien als auch in realen Feldversuchen auf einem europäischen Gletscher
evaluiert.
Allen Implementierungen gemein ist das Zurückgreifen auf bestehende hochperformante Soft-
warebibliotheken, deren theoretische Grundlagen aus den Bereichen der nichtlinearen und
ganzzahligen Optimierung sowie der Optimalsteuerung zunächst dargelegt werden. Die Lö-
sungsansätze zur Parameterschätzung und zur optimalen Versuchsplanung werden wiederum
aus der Maximum-Likelihood-Theorie abgeleitet.
Für die inhaltliche Umsetzung wird ein parameterabhängiges, dynamisches Bewegungsmodell
hergeleitet, welches das Systemverhalten im Raum zu beschreiben vermag. Die getroffene
Modellformulierung erlaubt das Planen von optimalen Trajektorien zu szenariospezifischen
Zielen. Durch Integration eines nichtlinearen modellprädktiven Reglers wird das Erreichen
jener Ziele sichergestellt. Aufgrund der speziellen Betriebsweise des IceMole ist des Weiteren
eine separate Übersetzung der optimierten Steuerverläufe in tatsächliche Aktuatorsignale
erforderlich, wozu online ganzzahlige Optimierungsprobleme gelöst werden.
Ein gesondertes Augenmerk dieser Arbeit gilt der Modellierungsproblematik. Es werden Bedin-
gungen für verschieden starke Stufen von Identifizierbarkeit hergeleitet und nachgewiesen.
Hierzu zählen zum einen Kriterien, die auf der Fisher-Informationsmatrix beruhen und zum
anderen die deutlich aufwendigere Profile-Likelihood-Berechnung. Darauf aufbauend wer-
den durch die explizite Versuchsplanoptimierung die Verteilungen der Parameterschätzwerte
nicht nur begünstigt, sondern abhängig von der Wahl des Designkriteriums kann sogar die
Identifizierbarkeit aller Systemparameter garantiert werden.
Der Einfluss unterschiedlicher zugrunde liegender Parameterverteilungen auf das Navigations-
verhalten wird abschließend untersucht. Mittels Monte-Carlo-Simulationen wird gezeigt, dass
sich der IceMole bei Parametrierung über wohlgewählte Versuchspläne nahezu identisch zu
einem perfekten Bewegungsmodell verhält, was sich in nur minimal voneinander abweichenden
Bewertungen widerspiegelt. Weniger akkurate Parameterverteilungen können hingegen zu
einem signifikant schlechteren Laufzeitverhalten führen, obwohl sich das System in erstaunlich
vielen Fällen als bemerkenswert robust erweist.
Die vorgestellte Methodik ist grundsätzlich auf beliebige robotische Systeme übertragbar, ge-
winnt insbesondere aber an Bedeutung, wenn die Möglichkeiten zum Erproben beziehungsweise
zur Datenerfassung limitiert sind.