1,721,018 research outputs found
Camera-based Minimal Autonomy
No full textDiese Arbeit befasst sich mit dem Aufbau eines autonom fahrenden, minimalen Systems.
Als Prozessor kommt ein Mikrocontroller zum Einsatz und als einziger Sensor wird eine
Kamera verwendet. Nach der Hardwarebeschreibung, welche ein eigenes Design des
Fahrwerks enthält, werden Softwaregrundlagen für Telemetrie und die Verwendung der
Kamera beschrieben. Anschließend werden leichtgewichtige Algorithmen erläutert, welche
die Bildverarbeitung auf dem Mikrocontroller mit eingeschränkten Ressourcen ermöglichen.
Die Algorithmen werden abschließend in einer Simulation und in einem Livetest,
der sich am Regelwerk des Carolo-Cups orientert, evaluiert.This thesis deals with the construction of an autonomous driving, minimal system. The
used processor is a microcontroller and the only sensor is a camera. After describing the hardware, which contains an own design of the chassis, the software basics for telemetry
and the camera interface are described. Subsequently, lightweight algorithms are
explained which allow image processing on the microcontroller with limited ressources.
Finally, the alogrithms will be evaluated in a simulation and in a live test based on the
regulations of the Carolo-Cup.
i
Bewertendes Lernen optimaler Bremspunkte in Kurvenfahrten
No full textDiese Arbeit zeigt den Weg zur Umsetzung eines Agenten, der selbständig lernen soll,
wie ein vorgegebener Parcours möglichst schnell bewältigt werden kann. Um die Notwendigkeit
des Lernverfahrens aufzuzeigen, wird zuerst die Physik in Kurvenfahrten und ihre
Komplexität erklärt. Danach wird in einem kontinuierlichen Zustands- und Aktionsraum der
Reinforcement Learning Algorithmus modelliert und umgesetzt. Während der ganzen Arbeit
wird auf die Anforderungen der FAUST-Plattform hingewiesen.This work shows a way to implement an agent, capable to learn to drive a given track with
a high speed. To illustrate the need of a machine learning technique, the physics and the
complexity of driving a turn are shown. After this there is a description of the design and implementation
for a a reinforcement learning algorithm with a continuous state-action-space.
There are several references to the requirements of the FAUST platform
Identifizierung und Kartierung dynamischer Umgebungen für autonome Fahrzeuge
No full textDiese Masterarbeit beschäftigt sich mit dem Aufbau einer topologischen Karte auf einer
unbekannten Fahrbahn. Diese Aufgabe soll auf Basis des RatSLAM Algorithmus (SLAM:
Simultaneous Localization and Mapping) auf einer autonomen Fahrzeugplattform im
Maßstab 1:10 bewältigt werden. Darüber hinaus soll eine Aufwertung der erstellten Karte
stattfinden. In die Karte sollen Informationen über Kurvenanfang und -ende, Hindernisse
sowie Kreuzungen integriert werden. Für diese Aufgabe wird in dieser Masterarbeit eine
Erkennung für Hindernisse und Kreuzungen entwickelt, die beide Fahrspuren überprüft.This master thesis deals with the construction of a topological map on an unknown
roadway. This task will be handled on basis of the RatSLAM algorithm on an autonomous
vehicle with 1:10 scale. The created map should take place with upgrades. The created
map shall be enhanced with map information such as curve start and end point, obstacles
and crossings. For this task, a obstacle and crossing recognition system is developed,
which checks both lanes
Autonomous Generation of an Object Detection Model Database based on Unidentified Object Instances
No full textIn dieser Arbeit wird ein Ansatz zur autonomen Erstellung und Weiterentwicklung einer Datenbank mit Objekterkennungsmodellen vorgestellt. Diese Forschungsarbeit konzentriert sich darauf, ein Robotersystem in die Lage zu versetzen, autonom Bilddaten aus seiner Umgebung zu sammeln, zu beschriften und so die automatische Erzeugung von Datensätzen zu ermöglichen. Diese Datensätze werden zum Trainieren von Objekterkennungsmodellen verwendet, die dynamisch geladen und vom Roboter je nach seinen Anforderungen verwendet werden. Die Architektur des Systems ermöglicht die Verarbeitung in Echtzeit und die Anpassung an neue oder sich entwickelnde Umgebungen und Objektklassen und stellt einen Fortschritt in der autonomen Fahrzeugtechnologie dar.This Thesis proposes a comprehensive approach to autonomously generate and evolve a database of object detection models. This research focuses on enabling a robotic system, exemplified by the Husky robot, to autonomously collect and label image data from its environment, thus facilitating the automatic generation of datasets. These datasets are then used to train object detection models, which are dynamically loaded and utilized by the robot based on its operational needs. The system’s architecture allows for real-time
processing and adaptation to new or evolving datasets and object classes, showcasing a significant advancement in autonomous vehicle technology and object detection methodologies
Loose Coupling and Communication in Reactive Systems in C++14
No full textIn dieser Bachelorarbeit werden verschiedene Kommunikations- und Event-Distributions-
Techniken untersucht, um lose Kopplung in reaktiven Systemen zu erreichen. Mehrere Implementierungen
für verschiedene Kommunikationsmodelle sowie Variationen auf bewährte
Kommunikations-Entwurfsmuster (Design Patterns) werden in modernem C++14 Code erschlossen.
Const Correctness und konsequente Nutzung von Smart-Pointern sind Teil des
Standards dieser Bachelorarbeit.This bachelor’s thesis explores the use of different communication and event distribution
techniques to achieve loose coupling in reactive systems. Several implementations for various
communication models as well as variations on traditional communication design patterns are
supplied in modern C++14 code. Const correctness and the use of smart pointers are part of
the standard used in this bachelor’s thesis
Real-World Reinforcement Learning for Bridging Sim-to-Real Gap in Miniature Autonomy
No full textIn dieser Arbeit wird ein Reinforcement-Learning-System im Maßstab 1:87 vorgestellt. Dies umfasst einen digitalen Zwilling mit einer vollständigen Simulation sowie ein tatsächliches, im Maßstab 1:87 skaliertes Auto, das mit einer Kamera, einem Servo und einem Motor ausgestattet ist. Verschiedene Experimente wurden durchgeführt, um die Fähigkeiten der gesamten Gym-Umgebung und einer Reinforcement-Learning-Policy zu testen, die versucht, im realen Umfeld autonom zu fahren, indem Erfahrungen aus der Simulation genutzt werden. Ziel ist es, den Sim-to-Real-Gap zu überbrücken, indem das Training in der realen Welt fortgeführt wird. Die Ergebnisse zeigen, dass die Reinforcement-Learning-Policy das Auto in der Simulation steuern kann, die Anwendung in der realen Welt jedoch noch weiterer Forschung bedarf. Durch die Verwendung eines
Encoder-Actor-Setups konnte jedoch der Sim-to-Real-Gap für einen supervised gelernten Actor überbrückt werden.A 1:87 real-world reinforcement learning system is presented in the scope of this thesis. This includes a digital twin with a full simulation and a real 1:87 scaled car, equipped with a camera, servo and motor. Different experiments were conducted to test the capabilities of the whole gym environment and a reinforcement learning policy, trying to drive autonomously in the real-world by using experience from the simulation. Ultimetaly to bridge the sim-to-real gap by extending the training into the real-world. Results show that while the reinforcement learning policy is able to drive the car in the simulation, the performance in the real-world needs further research. Using an encoder-actor setup, the sim-to-real gap could however be bridged for a supervised learned actor
Sensorik und Regelung zur Lenkung autonomer Fahrzeuge
No full textIn dieser Arbeit wird ein Lenkwinkelgeber und -regler entwickelt, welcher auf autonomen
Fahrzeugen zum Einsatz kommt. Es wird ein geeigneter Sensor ermittelt und in
ein bestehendes System eingefügt. Dies umfasst die Entwicklung der Mechanik, der
Elektronik und der Software.The following study develops a steering-angle sensor and controller being deployed
on autonomous vehicles. A suitable sensor will be determined and integrated into an
already existing system. Thus, the study comprises the development of the mechanics,
the electronical system and the software
Robust setup of an Autonomous Mobile Robot research platform with multi-sensor inte
No full textThe paper describes the implementation of an Autonomous Mobile Robot able to navigate
the environment by combining range and odometry data from LiDAR and wheel
encoders sensors in the Robot Operating System (ROS) framework. The SLAM algorithm
uses this sensory information to produce a static map of the environment. This is
then relied upon by the navigation stack of the framework to navigate the environment,
where the sensor data is used to localize the robot in the map and to calculate an optimal
trajectory towards a set destination that avoids static and dynamic obstacles. The
system is tested in simulated and real scenarios and the main challenges of mapping
and navigation are surveyed. The different approaches are then discussed with a particular
focus on their robustness, by studying their shortcomings and advantages. This
paper ultimately aims to guide the reader through the steps needed to implement the
described system and outlines the best practices that lead to a sound solution.Diese Thesis beschreibt die Programmierung eines Autonomen Mobilen Roboters,
welcher durch Auswertung von Entfernungs und Odometriedaten eines LiDAR sowie
eines Rad-Encoder Sensors einen Pfad frei von mobilen und stationären Hindernissen
berechnet. Der SLAM Algorithmus nutzt die Sensorinformationen um in echtzeit
eine Umgebungskarte zu erstellen, auf welcher die Position des Roboters sowie der
Hindernisse festgehalten werden. Das System ist durch Simulationen sowie reale
Szenarien getestet worden, in welchen die Probleme und Komplikationen in der Navigation
und Objekterkennung observiert wurden. Die verschiedenen Lösungsansätze
und deren Vor- sowie Nachteile sind in dieser Thesis in besonderer Hinsicht auf ihre
Stabilität gegenübergestellt. Ziel ist es dem Leser die Schritte zur Implementierung
dieses Roboters aufzuzeigen, sowie die Dokumentation von Herangehensweisen welche
die besten Resultate ergeben haben
Robuster Reinforcement Learning Algorithmus zur Überbrückung der Sim-to-Real Gap im autonomen Fahren
No full textDie Diskrepanz zwischen der Realität und einer Simulation stellt die Forschung im Bereich des autonomen Fahrens vor zahlreiche Herausforderungen. Simulationen erfassen nicht alle Aspekte der realenWelt, und das Training in der Simulation kann zu unvorhersehbarem Verhalten in der tatsächlichen Anwendung führen, aufgrund der Unterschiede zwischen der Simulation und der realen Umgebung. In dieser Arbeit wird ein Ansatz vorgestellt, um diese Unterschiede speziell in Bezug auf die Lenkung eines Fahrzeugs zu behandeln. Dieser Ansatz wird bei drei unterschiedlichen Reinforcement Learning Algorithmen angewandt: TD3, PPO und DQN. Die Idee besteht darin, anstatt das Netzwerk mit einem absoluten Lenkwinkel zu trainieren, mit der Differenz zwischen dem gewünschten und dem gegebenen Lenkwinkel zu arbeiten. Dadurch können Abweichungen in der Lenkung korrigiert werden, die durch technische Fehler in einer realen Anwendung verursacht wurden. Dieser Ansatz, der als TD3Δ, PPOΔ und DQNΔ bezeichnet wird, wird mit dem herkömmlichen TD3, PPO und DQN verglichen. Zusätzlich werden die Architekturen beschrieben, die in TD3Δ, PPOΔ und DQNΔ verwendet werden.The discrepancy between reality and simulation presents numerous challenges in the field of autonomous driving research. Simulations do not capture all aspects of the real world, and training in a simulation can lead to unpredictable behavior in real-world applications due to differences between the simulation and the actual environment. This work presents an approach to specifically address these differences in relation to vehicle steering. This approach is applied to three different reinforcement learning algorithms: TD3, PPO, and DQN. The idea is to train the network not with an absolute steering angle but with the difference between the desired and actual steering angles. This allows for correcting steering deviations caused by technical errors in a real-world application. This approach, referred to as TD3Δ, PPOΔ, and DQNΔ, is compared with the conventional TD3, PPO, and DQN methods. Additionally, the architectures used in TD3Δ, PPOΔ, and DQNΔ are described
Detektion von Sprachbefehlen auf Edge-Geräten unterstützt durch automatisierte Trainingsdaten-Synthese für eine Not-Halt-Anwendung
No full textZiel dieser Arbeit ist es, einen durch Sprachbefehle gesteuerten Not-Halt-Kontroller zu entwickeln, der auf einem Edge-Gerät mit geringem Leistungsvermögen betrieben werden kann. Sekundäres Ziel ist eine Trainingsanwendung, die den aufwendigen Trainingsprozess mithilfe von synthetischen Trainingsdaten automatisieren kann. Dabei stellen sich zusätzliche Fragen: Welche neuronale Netzwerkarchitektur eignet sich für eine Herunterskalierung auf Edge-Geräte-Niveau? Kann State of the Art Sprachsynthese den manuellen Arbeitsaufwand im vorliegenden Fall ersetzen? Es ist möglich, dass für neuronale Netze ein synthetischer Datensatz noch kein voller Ersatz ist. Andererseits hat die Sprachsynthese in den letzten Jahren große Fortschritte gezeigt. Für die Umsetzung wird eine aus dem MobileNet [1] bekannte DS-CNN-Architektur verwendet und herunterskaliert. Das Training wird auf dem Google Speech Command Dataset
[2] sowie auf einem synthetischen Datensatz umgesetzt. Die Audiosynthese erfolgt über eine eigene GUI-Anwendung, die mit führenden Online-TTS-Anbietern integriert ist. Es stellt sich heraus, dass die DS-CNN-Architektur grundsätzlich für diesen Kontext geeignet ist, die Trainingsdaten aber über den Erfolg bestimmen. Im Vergleich können die allein synthetisch-trainierten Netzwerke bei der Detektion nicht mithalten. Allerdings konnte mit dem Google Speech Command Dataset [2] der Not-Halt-Kontroller erfolgreich umgesetzt werden.The goal of this work is to develop an emergency stop controller operated by voice commands that can be deployed on an edge device with a small footprint. The secondary goal is a training application that automates the time-consuming training process using synthetic training data. Several questions arise: Which neural network architecture is suitable for downscaling to edge device capabilities? Can state-of-the-art speech synthesis replace the need to manually collect and categorize speech recordings in our case? It is possible that for neural networks, a synthetic dataset is still not a full substitute. On the other hand, speech synthesis has shown growing potential in recent years. For the implementation, a downscaled DS-CNN architecture known from MobileNet [1] is used. Training is performed on the Google Speech Command Dataset [2] and on a synthetic dataset. Audio synthesis is accomplished using a custom GUI application integrated with leading online TTS providers. It is found that the DS-CNN architecture is fundamentally suitable for this context, but the training data dictates its success; the networks trained on only synthetic data cannot keep up with those trained on real audio data. However, by using the Google Speech Command Dataset [2], the emergency stop controller has been successfully implemented
- …
