Tiedemann, Tim

Lade...
Vorschaubild
Preferred name
Tiedemann, Tim
Official Name
Tiedemann, Tim

Einstellungen

Gerade angezeigt 1 - 2 von 2
  • Lade...
    Vorschaubild
    Some of the metrics are blocked by your 
    consent settings
    Item-typ:Veröffentlichung,
    Extending actuator-level control for robotic systems using distributed dynamics computation and incremental learning
    (2025-11-24)
    Bargsten, Vinzenz 
    ;
    Kirchner, Frank
    ;
    Tiedemann, Tim
    ;
    Kirchner, Frank
    Actuators are fundamental components in robotic systems such as manipulator arms, since they enable a system to actively and physically interact with its environment. In classical industrial production environments, the focus of the optimization of this interaction has been precision and speed. The individual operating steps are typically tailored to a certain stage of the production and are hard programmed. Further interactions – including unintentional – are not considered within this scope and are therefore prevented by strict separation of workspaces for safety reasons. However, such limitations cannot be enforced if robotic systems are also to be used outside such defined workspaces. This is inevitably the case when they directly support or assist human individuals and thus share their workspace with humans, as is increasingly the case in industrial assembly processes, the service sector, and for assistance in the field of rehabilitation and household. In such cases, rigid position control of the joints is not sufficient, as it regards any deviations, irrespective of the current situation, as an error and increases the actuation forces in response. It does not take into account what driving forces are actually reasonable and necessary, nor whether a new situation has arisen that is causing the deviations. The aim of this dissertation is to extend the capabilities of the actuator-level control so that it incorporates the relationships between the generated forces and torques with the motion and external forces and learns to recognize new situations from its own sensory data. For this purpose, this work combines three approaches that build on each other and examines them experimentally. Firstly, methods and software tools are being developed that facilitate the creation of dynamic models based on physical insights in such a way that the missing parameter information can be obtained more easily from experimental data. The experimentally determined models in combination with an advanced motor control form the basis for safe compliant motion control of a manipulator arm without additional external sensors. Secondly, based on this, a method is developed that incorporates the dynamics locally at the actuator level by means of a distributed computation. This makes it possible to design more modular robot systems and to relieve a central computer, as well as to reduce the dependency on the data communication and associated latency that would normally be necessary for a central calculation. Thirdly, based on the concept of Adaptive Resonance Theory, a kind of episodic memory for recognizing different situations is developed. To achieve this, sensor data from robotic actuators are pre-processed in frequency domain and continuously – incrementally – learnt by an artificial neural network. It is shown experimentally that a robot system can distinguish collisions during an arm movement or jamming of parts during an assembly task from previous undisturbed executions.
    Dissertation
      34  48
  • Lade...
    Vorschaubild
    Some of the metrics are blocked by your 
    consent settings
    Item-typ:Veröffentlichung,
    Experience-based behavior adaptation of kinematically-complex robots
    (2021-02-25)
    Dettmann, Alexander
    ;
    Tiedemann, Tim
    ;
    Kirchner, Frank
    ;
    Kirchner, Frank
    In den letzen Jahrzehnten entwickelten sich Roboter von blind agierenden Maschinen zu intelligenten Agenten, die mit einer Vielzahl von Aktuatoren und Sensoren sowie mit leistungsfähigen Prozessoren ausgestattet sind. Diese kinematisch komplexen Roboter besitzen die nötige Flexibilität und Mobilität, um sowohl präzise Aktionen wiederholt ausführen als auch mit Hilfe von komplexen Kontrollansätzen auf geänderte Umgebungsbedingungen reagieren zu können. Dabei kommen oft reaktive und/oder planende Bewegungssteuerungen zum Einsatz, die je nach Parametrierung Lösungen für einen limitierten Kontextbereich generieren, d.h. für begrenzte Kommandos, Umgebungseigenschaften oder Zustände des Roboters. Zudem können verschiedene Konfigurationen der Bewegungssteuerung die gleiche Aktion realisieren, aber mit unterschiedlichen Leistungsmerkmalen wie Präzision, Stabilität oder Effizienz. Daher muss ein möglichst generischen Roboter, der Aktionen in unterschiedlichen Situationen mit einer anwendungsspezifisch optimale Leistung ausführen soll, seine Bewegungssteuerung kontextabhängig zur Laufzeit anpassen. Das Ziel dieser Arbeit ist, den Kontextbereich in dem ein Roboter agieren kann zu erhöhen, indem dieser selbstständig seine Bewegungssteuerung und somit sein Verhalten auf Basis von aktuellen Kontextinformationen und gesammelten Erfahrungen anpasst. In dieser Arbeit wird ein Konzept präsentiert, wie Erfahrungen - d.h. Werte für anwendungsspezifische Evaluierungskriterien eines ausgeführten Verhaltens in einem detektierten Kontext - erzeugt, verwaltet und für die Verhaltensadaptation genutzt werden. Der entwickelte Ansatz ermöglicht die kontinuierliche Einbindung von neuen Erfahrungen, wodurch die Grundlage für die autonome Verhaltensanpassung mit der Lebenszeit des Roboters wächst und somit mögliche Zustandsänderungen wie Verschleiß berücksichtigt werden. Für die Ableitung des vermeintlich besten Verhaltens für den aktuellen Kontext auf Basis von Erfahrungen werden zwei unterschiedliche Methoden implementiert und miteinander verglichen. Der erste Ansatz basiert auf fallbasiertem Schließen während der zweite einen modellbasierter Ansatz implementiert, welcher eine inkrementelle Gaußprozessregression als internes Simulationsmodell für die Suche nach einem optimalen Verhalten zu Grunde legt. Die erfahrungsbasierte Verhaltensanpassung wird zur echtzeitfähigen Adaptation von Laufverhalten am Beispiel von zwei kinematisch komplexen Robotern angewandt, d.h. am Hexapoden SpaceClimber und am vierbeinigen Laufroboter Charlie. Zur Erzeugung von Laufverhalten wird eine generische Laufsteuerung präsentiert, welche je nach Konfiguration unterschiedliche Posen und Laufmuster für verschiedenartige Laufroboter erzeugt. Ebenso werden Bewertungskriterien und Metriken zur Bestimmung des Kontextes definiert und angewandt. Durch manuelles und automatisiertes Testen von vielen Verhaltensparameterkonfigurationen werden Wissensdatenbanken generiert. Die experimentelle Auswertung zeigt, dass die gesammelten Erfahrungen in Kombination mit dem vorgestellten Ansatz eine erfolgreiche Verhaltensanpassung für die Zielsysteme erlauben. Beide untersuchten Anpassungsstrategien zeigen Vor- und Nachteile, die je nach Anwendung ihren jeweiligen Einsatz rechtfertigen. Der fallbasierte Ansatz hat seine Stärken, wenn mit Hilfe von wenig Erfahrungen viele Verhaltensaparametern angepasst werden müssen, während der modellbasierte Ansatz gerade für feingranulare Anpassungen bei großen Wissensdatenbanken zu empfehlen ist.
    Dissertation
      706  393