Ein Beitrag zur hybriden Routenoptimierung und Bewegungsplanung – am Beispiel mobiler, landwirtschaftlicher Roboter

Mobilität ist ein wesentlicher Teil des täglichen Lebens, der in den letzten Jahren bedeutende Fortschritte erfahren hat. Als technologische Grundlage rücken Themen wie die Umfeldwahrnehmung und die Planung kollisionsfreier und mechanisch ausführbarer Bewegungen sowie deren makroskopische Koordination zunehmend in den Fokus. In dieser Arbeit werden hybride Methoden zur Bewegungsplanung und Routenoptimierung nichtholonomer Roboter konzipiert, durch die Roboter dazu befähigt werden, qualitativ hochwertig über Aufwände von Handlungsalternativen, wie zum Beispiel Fahrstrecken oder Fahrzeiten, zu schlussfolgern, um selbstständig effiziente Entscheidungen zu treffen und raumzeitliche Pläne zu erstellen. Die Methoden basieren auf dem Grundgedanken, einen domänenübergreifenden Wissensaustausch zwischen der Bewegungsplanung und der Routenplanung auf lokale Regionen innerhalb eines hybriden Suchraums zu beschränken, die mit hoher Wahrscheinlichkeit Bestandteil einer optimalen Lösung sind. Zur Identifikation der lokalen Regionen und zur Bewertung von Bewegungsalternativen wird ein generisches Verfahren präsentiert, mit dem eine datengetriebene Heuristik durch Techniken des maschinellen Lernens für nichtholonome Roboter zur Prädiktion von Bewegungsaufwänden erstellt werden kann. Mit Hilfe der Heuristik, die aus Simulations- und Lernvorgängen nichtlinearer Bewegungsmodelle gewonnen wird, kann Wissen über das Bewegungsverhalten zur quantitativen Bewertung von Handlungsalternativen sowohl in die Routenoptimierung als auch in die Bewegungsplanung transferiert und domänenübergreifend in Kostenfunktionen und Planungsvorgängen berücksichtigt werden.