Kapitel 4

Navigation entlang einer Linie

hie ƒteuerung mo˜iler ‚o˜oter —nh—nd von ƒensoren ist eine grundlegende eufg—˜enstellung in der ‚o˜otikF her ‚o˜oter wird ü˜er die qes™hwindigkeit jedes der ˜eiden entrie˜sräder kontrolliertF iin frei ˜ewegli™hes ƒtützr—d im vorderen „eil des ‚o˜oters h—t keinen iin)uss —uf den ‡eg des ‚o˜otersF hie ˜eiden un—˜hängig vonein—nder ˜etrie˜enen qlei™hstrommotoren werden folgli™h für ˜eides verwendetD für entrie˜ und ƒteuerung @siehe e˜˜ildung QFQAF

4.1 Identizieren der Linie

…m einer vinie folgen zu könnenD muss diese erstm—l gefunden werdenF hieser €rozess ist in drei „eils™hritte untergliedertF sm ersten ƒ™hritt wird von der u—mer—D die —n der pront des †ehikels montiert istD ein fild —ufE genommenF hieses fild wird im zweiten ƒ™hritt ˜ezügli™h des p—r˜modells tr—nsformiertD so d—ss für die fild—n—lyse m—xim—le …n—˜hängigkeit von den vorherrs™henden vi™htverhältnissen errei™ht wirdF iine Sliding Window @gleiE tendes pensterA en—lyse liefert letztli™h die erforderli™hen h—ten ü˜er den †erl—uf der gesu™hten vinieD wel™he d—nn —n d—s puzzyEƒystem weitergegeE ˜en werdenF

QR

4.1.1 Schritt 1: Aufnahme eines Bildes

hie u—mer— liefert ˜is zu QH fildern pro ƒekundeF hie enz—hl der t—tsä™hli™h pro ƒekunde ver—r˜eiteten filder hängt letztli™h von der veistungsfähigkeit des ‚e™hners —n dem die u—mer— hängtD der geforderten fildqu—lität und der uomplexität der —ngewendeten fildver—r˜eitungs—lgorithmen —˜F wittels einer sogen—nnten Frame-Grabber-Software wird ein einzelnes fild —ufgenommen und für die weitere en—lyse —ls fitm—p im ‚qfEp—r˜modell zwis™hengespei™hertF els guter uompromiss zwis™hen fildqu—lität und †erE —r˜eitungszeit h—t si™h eine eu)ösung von 352 × 288 fildpunkten her—usgeE stelltF

4.1.2 Schritt 2: Transformation in das HSB-Farbmodell

p—r˜en sind in der ‚egel —us mehreren fest—ndteilen zus—mmengesetztF te n—™h verwendetem p—r˜modell k—nn m—n eine p—r˜e in ihre €rimärf—r˜en RotD GrünD Blau @—dditives p—r˜modellA oder CyanD MagentaD Gelb @su˜E tr—ktives p—r˜modellA —ufsplittenF sm qegens—tz d—zu de(niert d—s rƒfE p—r˜modell einen fildpunkt ü˜er die snform—tionen FarbwertD Sättigung und

HelligkeitF‘PT“

sn dieser er˜eit wird ledigli™h —uf d—s —dditive und d—s rƒfEp—r˜modell näher eingeg—ngenD d— die —nderen p—r˜modelle für die ˜es™hrie˜ene enwenE dung keine ‚elev—nz h—˜enF

Additives Farbmodell (RGB)

‚qf steht für die drei €rimärf—r˜en des additiven FarbmodellsD nämli™h rotD grün und ˜l—uF h—s ˜edeutetD d—ss ein fildpunkt ü˜er drei —hlen de(niert wirdD wo˜ei jede dieser —hlen die sntensität jeweils einer der drei p—r˜en repräsentiertF

h—s RGB-Farbmodell ist d—s —m häu(gsten verwendete wodell zur feE s™hrei˜ung von p—r˜en im gomputerF edditives p—r˜modell ˜edeutetD d—ss die feiträge der einzelnen ‚qfE€rimärf—r˜en ü˜erein—ndergelegt E —lso —dE diert E werden und so d—s qes—mterge˜nis liefernF h—s ‚qfEwodell wird

QS

˜eispielsweise ˜ei filds™hirmen verwendetF snnerh—l˜ des ‚qfEƒystems können hesigner —u™h dur™h die †ers™hmelE zung dieser drei €rimärf—r˜en eine p—r˜spektrum erzeugenF hie uom˜in—tion jeweils zweier €rimärf—r˜en ers™h—'t drei ƒekundärf—r˜enX türkisD fu™hsinrot und gel˜F ‡ie ˜ereits erwähntD erzeugt die uom˜in—tion —ller drei €rimärf—rE ˜en weiÿes vi™htF iin ‚qfE‡ert von PSSDPSSDPSS erzeugt —lso ‡eiÿF hie vollE ständige e˜wesenheit der drei €rimärf—r˜en @‚qfX HDHDHA erzeugt ƒ™hw—rzF e˜˜ildung RFI ver—ns™h—uli™ht die fes™hrei˜ung von p—r˜en ü˜er ihre ‚qfE ‡erteF

HSB-Farbmodell

sm qegens—tz zum ‚qfEwodell ˜—siert d—s HSB-Farbmodell —uf den intuitiE ven wethodenD die etw— von w—lern eingesetzt werdenF enstelle der eng—˜e des ‚otED qrünE und fl—u—nteils (ndet eine u—li(zierung von p—r˜en mitE tels Farbton @hueAD Sättigung @saturationA und Helligkeit @brightnessA st—ttF

h— der relligkeitswert oftm—ls —u™h s™hli™ht mit Value ˜ezei™hnet wirdD wird

dieses wodell —u™h HSV-Farbmodell gen—nntF h—˜ei wird die p—r˜e dur™h den p—r˜ton ˜estimmtF els ‡ert für die p—r˜e wird oft der entspre™hende ‡inE kel @H ^◦ ˜is QTH ^◦ A im rƒfEp—r˜enkreis @siehe e˜˜ildung RFPA her—ngezogenF ir ˜es—gtD o˜ es si™h zum feispiel um einen fl—uED qrünE oder qel˜ton h—nE deltF her qr—u—nteil einer p—r˜e wird dur™h die ƒättigung ˜estimmtF ‡ird ˜eispielsweise die ƒättigung verringertD so erhöht si™h der qr—u—nteilF fei

QT

keiner ƒättigung ers™heint jede p—r˜e —ls qr—uF p—r˜en mit nur einem sehr geringem ƒättigungsgr—d ˜ezei™hnet m—n —u™h —ls trü˜e p—r˜enF irhöht m—n den ƒättigungsgr—dD so ers™heint eine p—r˜e reinerF pür den fegri' relligE keit gilt folgendesX yhne relligkeit wird jeder p—r˜ton zu ƒ™hw—rzD und mit m—xim—ler relligkeit wird jeder p—r˜ton zu ‡eiÿF‘V“

e˜˜ildung RFP zeigt einen ƒn—pshot —us CorelDraw r der einen uerE

s™hnitt des rƒfEylindersD —u™h rƒfEp—r˜enkreis gen—nntD d—rstelltF her m—rkierte p—r˜punkt h—t d—˜ei die uoordin—ten H = 0D S = 0 und B = 0F sm ureis können d—˜ei die ‡erte für H @‡inkel im p—r˜enkreisA und S @e˜st—nd vom wittelpunktA d—rgestellt werdenY die qröÿe B wird —uf dem f—lken d—ne˜en d—rgestelltF

Umwandlung von RGB nach HSB

…m ˜ei der fild—n—lyse mögli™hst un—˜hängig von den feleu™htungseinE )üssen —us der …mge˜ung zu seinD wird d—s fild vom ‚qfE in d—s rƒfE p—r˜modell umgew—ndeltF h—s rƒfEwodell eignet si™h wesentli™h ˜esser d—E fürD glei™he p—r˜en unter unters™hiedli™her feleu™htung —ls glei™h zu identi(E zierenD —ls d—s ‚qfEwodellF her in e˜˜ildung RFQ ˜es™hrie˜ene elgorithmus zeigt die …mre™hnung eines fildpunktes von ‚qf n—™h rƒfF

QU

e˜˜ildung RFQX …mw—ndlung von ‚qf n—™h rƒf @rƒ†A‘U“

4.1.3 Schritt 3: Sliding Window Analyse

…m die ‚i™htung zu ˜estimmenD in die der ‚o˜oter seine p—hrt fortsetzen sollD muss die vinie im fild gefundenD und deren v—ge ermittelt werdenF hie zwei wesentli™hen €—r—meter sind ‡inkel und y'set der vinieF …nter y'set versteht m—n die horizont—le e˜wei™hung der vinie von der fildmitteF …m die v—ge der vinie zu ˜estimmenD muss ni™ht d—s g—nze fild dur™hE su™ht werdenF …nter der enn—hmeD d—ss der e˜s™hnitt der vinieD der si™h im —ktuellen fild˜erei™h ˜e(ndet ger—de istD wird die en—lyse —uf den o˜eren und den untere fildr—nd ˜es™hränktF is werden —lso nur die ˜eiden indE punkte des in fild si™ht˜—ren vinien—˜s™hnitts ermitteltF …m ˜eispielsweise die xEuoordin—te der vinie —m o˜eren fildr—nd zu erE

QV

mitteln läuft ein Sliding Window von n × n €ixel so wie in e˜˜ildung RFR d—rgestellt von links n—™h re™hts entl—ng des o˜eren fildr—ndes pixelweise ü˜er d—s g—nze fildF hie p—r˜werte @rƒfA des jeweiligen u—dr—ts werden gemittelt und mit de(nierten ƒ™hwellwerten für p—r˜ton und ƒättigung verE gli™henF euf diese ‡eise wird ermitteltD o˜ si™h d—s ƒliding ‡indow ger—de —uf der vinie ˜e(ndet oder ni™htF

hie witte —ller ƒliding ‡indows die —uf der vinie liegen erge˜en die o˜ere vinienkoordin—te x top F h—s glei™he †erf—hren wird —m unteren fildr—nd —nE gewendet um die uoordin—te x bottom zu ˜estimmenF e˜˜ildung RFS zeigtD wie —us diesen ˜eiden uoordin—ten die wesentli™hen €—r—meter ‡inkel und y'E set ˜ere™hnet werdenF height und width stehen für die röhe und die freite des fildes in €ixelF

∆x =

α = arctan

4.2 Fuzzy Logic für die Roboternavigation

…m den ‚o˜oter —uf uurs zu h—ltenD wird ein puzzy ƒystem mit w—md—niE snferenz verwendetF h—s ƒystem h—t zwei iingänge und einen eusg—ngF sn der puzzyEeggreg—tion wird d—s logis™he und dur™h den winimumED d—s logis™he oder dur™h den w—ximumEyper—tor repräsentiertF pür die smplik—tion wird e˜enf—lls d—s winimumD und für die ekkumul—tion d—s w—ximum verwendetF hefuzzi(ziert wird n—™h der ƒ™hwerpunktmethodeF

QW

4.2.1 Input Fuzzy Sets

hie zwei snputEpuzzyEƒets des ƒystems @siehe e˜˜ildung RFTA ˜es™hrei˜en die linguistis™hen †—ri—˜len Angle @‡inkelA und Oset @†ers—tzD e˜wei™hung von der fildmitteAF feide ‡erte kommen —ls irge˜nis —us der fild—n—lyseF hie linguistis™hen „erme für den engle sindX farneg, neg, zero, pos, farpos Y und für y'setX farleft, left, centre, right, f—rrightF

e˜˜ildung RFTX puzzy snput †—ri—˜leX ‡inkel —nd y'set

RH

4.2.2 Output Fuzzy Sets

h—s puzzyEƒystem liefert —ls irge˜nis die RichtungD die der ‚o˜oter einE s™hl—gen soll @siehe e˜˜ildung RFUAF hie linguistis™hen „erme der †—ri—˜le direction @‚i™htungA heiÿenX lefter, left, straight, right, righterF h—s irge˜nis liegt im snterv—ll [−100, 100]D und ˜es™hrei˜t ‚i™htungen von ^{stark nach links} ˜is stark nach rechtsF

4.2.3 Fuzzy Regeln

polgende fünf puzzyE‚egeln werden verwendet um den ‚o˜oter entl—ng der vinie zu n—vigierenF

• sp —ngle sƒ f—rneg y‚ o'set sƒ f—rleft „rix dire™tion sƒ righter

• sp —ngle sƒ neg y‚ o'set sƒ left „rix dire™tion sƒ right

• sp —ngle sƒ zero y‚ o'set sƒ ™entre „rix dire™tion sƒ str—ight

• sp —ngle sƒ pos y‚ o'set sƒ right „rix dire™tion sƒ left

• sp —ngle sƒ f—rpos y‚ o'set sƒ f—rright „rix dire™tion sƒ lefter

4.2.4 Navigationsfunktion

h—s o˜en ˜es™hrie˜ene puzzyEsnferenzEƒystem @psƒA ˜es™hrei˜t die punktionX

e˜˜ildung RFV zeigt eine gr—(s™he ‚epräsent—tion dieser x—vig—tionsfunkE tionF

4.2.5 Ergebnistransformation

her eusg—˜ewert des puzzyEƒystems ist eine reelle —hl im snterv—ll [−100, 100]F her ‚o˜oter wird vom wikro™ontroller ü˜er zwei vorzei™henlose VEfitEsntegerwerte gesteuertF iin ‡ert gi˜t die qes™hwindigkeit des re™htenD der —ndere die des linke wotors —nF 0 ˜edeutet ƒtillst—ndD PSS m—xim—le qes™hwindigkeitF h—r—us ergi˜t si™h folgender us—mmenh—ng zwis™hen ‚i™htung @directi- on Aund qes™hwindigkeit der einzelnen wotoren @speed L und ^speed R AX

speed L =

speed R =

p—lls ˜eispielsweise die ‚i™htung 0 ist @ger—de—usAD werden n—™h o˜iger pormel ˜eide wotoren glei™hD und zw—r mit 255 @w—xim—lges™hwindigkeitA

RP

—ngesteuertF fei einer ‚i™htung kleiner —ls 0 @n—™h linksA ˜ehält der re™hte wotor w—xim—lges™hwindigkeit ˜eiD und der linke wotor läuft entspre™hend l—ngs—merF fei einer ‚i™htung gröÿer —ls 0 @n—™h re™htsA ist d—s †erh—lten gen—u umgekehrtF

hie pormeln liefern —lso die m—xim—le qes™hwindigkeit für die —ngege˜ene ‚i™htungF ur †erringerung der qes™hwindigkeit werden ˜eide qes™hwindigE keitswerte @speed L und ^speed R A mit dem glei™hen p—ktor —us dem snterv—ll [0, 1] multipliziertF

RQ

Kapitel 5

Erkennung von Verkehrszeichen

hie †erkehrszei™henD die erk—nnt werden sollenD sind )—™h liegend —uf der vinie positioniert @siehe e˜˜ildung IFID die vom ‚o˜oter mittels puzzyEvogi™ verfolgt wirdF

5.1 Finden des Verkehrszeichen und Bildtrans-

formation

hie ‡e˜™—m —m vorderen inde des ‚o˜oters nimmt filder der vinie —ufF h— die †erkehrszei™hen gen—u —uf der vinie liegenD ers™heint es im fildD unE mittel˜—r ˜evor der ‚o˜oter es p—ssiertF

ƒo˜—ld d—s †erkehrszei™hen vollständig im fild zu sehen istD muss es für die †er—r˜eitung in einem neuron—len xetzwerk —uf˜ereitet werdenF h—für sind einig „r—nsform—tionss™hritte notwendigD die im polgenden ˜es™hrie˜en werdenF

5.1.1 Schritt 1: Drehen

e˜˜ildung SFI zeigt d—s fild soD wie es von der u—mer— ü˜ermittelt wirdF h—s †erkehrszei™hen ist in seiner v—ge gen—u n—™h der vinie —usgeri™htetF polgli™h ist es fei jedem ‡inkel der vinie unglei™h 0 verdreht im fild zu sehenF …m diese ƒ™hie)—ge zu korrigieren wird d—s ges—mte fild um den ‡inkel der

RR

vinie @‡ert α in e˜˜ildung RFSA gedrehtF hie vinie ist d—nn gen—u senkre™ht im fildD und d—s †erkehrszei™hen ist ger—de —usgeri™htetF hes irge˜nis dieser hrehung ist in e˜˜ildung SFP d—rgestelltF

5.1.2 Schritt 2: Ausschneiden des Verkehrszeichens

x—™hdem d—s fild nun in der ger—de geri™htet istD muss die gen—ue €ositiE on und die qröÿe des †erkehrszei™hens ermittelt werdenF h—zu wird E gen—u wie zur sdenti(zierung der vinie E ein ƒlidingE‡indowE†erf—hren verwendetF hiesm—l wird d—s ges—mte fild zeilenweise —n—lysiertF is werden die extreE men @o˜ersterD untersterD linksterD re™htesterA roten €unkte im fild gesu™ht @siehe e˜˜ildung SFQAF is wird vor—usgesetztD d—ss im fild —uÿerh—l˜ des †erkehrszei™hens keine roten €unkte existierenF h—s †erkehrszei™hen wird im nun ex—kt —usges™hnittenF h—s irge˜nis dieses ƒ™hrittes ist in e˜˜ildung SFR zu sehenF

RS

5.1.3 Schritt 3: Gröÿe normieren

‡ie in e˜˜ildung SFR ersi™htli™hD ist der —usges™hnittene „eil des fildes kein u—dr—tD sondern ein ‚e™hte™kF polgli™h ist d—s †erkehrszei™hen sel˜st —ufE grund der u—mer—position st—rk verzerrtF her qr—d der †erzerrung ist unterE s™hiedli™hD je n—™hdem wie weit der ‚o˜oter no™h von dem †erkehrszei™hen entfernt istF

…m die weitere †er—r˜eitung zu vereinf—™hen werden —lle —ufgenommeE nen filder —uf eine ƒt—nd—rdgröÿe von PH x PH €ixelD wie in e˜˜ildung SFS d—rgestelltD normiertF

5.1.4 Schritt 4: Entfärben

sn diesem ƒ™hritt wird d—s p—r˜˜ild —us e˜˜ildung SFS zu einem fild —us qr—uwerten reduziertF hie ƒt—nd—rdtr—nsform—tion ˜ringt nur ein mäÿig guE tes irge˜nisD d— ni™ht d—s volle ƒpektrum —n verfüg˜—ren qr—uwerten —usE gereizt wirdF te n—™h vi™htverhältnissen liegen die ‡erte in einem —nderen ferei™hF ho™h nie werden —lle 256 qr—uwerte verwendetF …m un—˜hängig von den vi™htverhältnissen und geringfügigen p—r˜unE ters™hieden in den †erkehrszei™hen verglei™h˜—re filder —ls snput für d—s neuron—le xetz zu erh—ltenD werden —lle ‡erte so normiertD d—ss der ges—mte ‡erte˜erei™h von 0 ˜is 255 verwendet wirdF h—s hellste €ixel erhält d—nn den ‡ert 255 @weiÿAD d—s dunkelste den ‡ert 0 @s™hw—rzAD —u™h wenn ihre ‡erte im yrigin—l˜ild wesentli™h näher ˜eiein—nder liegenF hie ‡erte —ller —nderen €ixel liegen entspre™hend line—rer „r—nsform—tion d—zwis™henF sn der folgenden „r—nsform—tionsformel ˜es™hrei˜t h den ‡ert des hellsten und d der ‡ert des dunkelsten €ixels des uell˜ildesF hie †—ri—˜le w steht für den ‡ert des jeweils zu fildpunktes vorD d—s irge˜nis w ist der ‡ert des €ixels n—™h der „r—nsform—tionF

elle eufn—hmen des †erkehrszei™hens liefern n—™h diesen …mw—ndlungsE s™hrittenD un—˜hängig von vi™htverhältnissenD —nnähernd d—s glei™he irge˜E nisF fildstörungen werden st—rk reduziertF

h—s so erstellte fild ist der snput für d—s d—s neuron—le xetzD in diesem

RU

p—ll eine ƒelfEyrg—nizingEw—p n—™h „uevo uohonenF

5.2 Klassizierung der Verkehrszeichen mittels

neuronalem Netz

sn diesem €rojekt werden drei vers™hiedene †erkehrszei™hen verwendetD zwei qes™hwindigkeits˜es™hränkungen @QH und SHA und ein ƒtoppEƒ™hildF h— d—s glei™he †erkehrszei™hen unter vers™hiedenen fedingungen @zFfF we™hselnde vi™htverhältnisseD unters™hiedli™he u—mer—positionA vers™hiedene filder lieE fertD gest—ltet si™h die sdenti(zierung des †erkehrszei™hen s™hwierigF wittels der o˜en ˜es™hrie˜enen fildtr—nsform—tionss™hritte werden glei™he ei™hen zw—r —nnähernd glei™hD —˜er keineswegs identis™hD d—rgestelltF …m die —ufgenommenen filder trotz dieser …nters™hiede ri™htig einer der drei u—tegorien von †erkehrszei™hen zuzuordnenD wird eine ƒypw n—™h „ueE vo uohonen D verwendetF hie ƒypw ist eine wethode des unü˜erw—™hten vernensF h—s xetz wird erst mehrm—ls mit einer erhe˜li™hen enz—hl unE ters™hiedli™her eufn—hmen der †erkehrszei™hen tr—iniertF wit der eit ˜eE kommt d—s ƒystem ein qefühl für die qlei™hheiten und die …nters™hiede der einzelnen filder und ist in der v—geD die wesentli™hen gh—r—kteristik— der drei vers™hieden—rtigen †erkehrszei™hen zu erkennenF Ähnli™he snputvekE toren @filder von †erkehrszei™henA werden —uf die sel˜e ‚egion der ƒypw —˜ge˜ildetF hie filder werden in m—xim—l so viele u—tegorien eingeteiltD wie d—s uohonenExetzwerk xeuronen ˜esitztF h— in diesem p—ll drei vers™hiedeE ne †erkehrszei™hen existierenD wird ein xetzwerk mit gen—u drei xeuronen erstelltF

x—™hdem d—s xetz —usrei™hend tr—iniert wurdeD k—nn es im €roduktiv˜eE trie˜ eingesetzt werdenF e˜ diesem eitpunkt ändern si™h die iigens™h—ften des xetzes ni™ht mehrD d—s vernen ist —lso —˜ges™hlossenF ‡ird nun ein neues fild dem —usgelernten xetz ü˜erge˜enD so ermittelt diesesD in wel™he der im vernprozess identi(zierten drei u—tegorien d—s fild —m ˜esten p—sstF sn der ƒoftw—re des ‚o˜oters ist hinterlegtD wel™he ektion ˜ei wel™her u—tegorie von †erkehrszei™hen —uszuführen istF

RV

hie smplementierung erfolgte mit rilfe der Neural Network Toolbox in we„vef r F hie himension der ƒypw ist ‘I Q“D —lso eine w—trix mit einer

ƒp—lte und drei eilen @drei xeuronenAF x—™h dem vernprozess wird —lso jede ert von †erkehrszei™hen —uf ein ˜estimmtes der xeuronen E dem jeweiligen ‡innerExeuron —˜ge˜ildetF hie hist—nz zwis™hen zwei ˜en—™h˜—rten xeuroE nen ist mit I festgelegtF her snputvektor h—t die himension RHHF h—s ergi˜t si™h —us der qröÿe des fildes von 20 × 20 €ixelF

RW

Kapitel 6

Schlussfolgerungen

hie ܘerlegungen zu feginn dieser er˜eit h—˜en gezeigtD d—ss d—s €roE ˜lem des x—vigierens entl—ng einer vinie unter †erwendung der puzzyEvogi™ dur™h nur wenige einf—™he ‚egeln in n—türli™her ƒpr—™he @spE„rixE‚ulesA ˜es™hrei˜enF

fei der sdenti(k—tion der †erkehrszei™hen wurde n—™h einer wögli™hkeit gesu™htD †erkehrszei™hen zu unters™heidenD ohne deren eussehen de(nieren zu müssenF h—s wurde dur™h †erwendung der ƒypw n—™h „uevo uohonen errei™htF hur™h erlernen vieler unters™hiedli™her potos von †erkehrszei™hen erkennt d—s ƒystem sel˜ständig …nters™hiede und qemeins—mkeiten der einE zelnen filderF smmerD wenn es d—rum geht visuelle h—ten zu k—tegorisierenD sollte ein uohonenExetzwerk —ls vösungsmethode in fetr—™ht gezogen werE denF

hur™h die usEwethoden pv und ƒypw w—r es mögli™hD mit verglei™hsweiE se geringem wodellierungs—ufw—nd ein ƒystem ers™h—'enD d—s unter v—˜orE ˜edingungen d—s gewüns™hte irge˜nis liefertF enfängli™he ƒ™hwierigkeiten dur™h we™hselnde vi™htverhältnisse und qu—lit—tiv minderwertige r—rdw—re konnten dur™h †erwendung des rƒfEp—r˜modells und entspre™hendes „uE ning des puzzyEƒystems ˜eseitigt werdenF

henk˜—re irweiterungen für d—s ƒystem wären etw— punktionen zur snE ter—ktion mit —nderen ‚o˜oternD wie etw— e˜st—nd h—ltenD ܘerholenD oder d—s ˜efolgen von †orr—ngregeln —n ureuzungenF ‡eiters könnte die x—viE

SH

g—tionD die derzeit rein —uf pv ˜—siertD dur™h uom˜in—tion mit —d—ptiven ƒystemenD wie etw— neuron—len xetzen oder genetis™hen elgorithmenD weiE ter ver˜essert werdenF hie f—sis für die x—vig—tion wäre d—nn weiterhin ein puzzyEƒystemD d—s —uf ‚egeln —uf˜—utD die d—nn dur™h irf—hrung vom ‚oE ˜oter sel˜st optimiert werdenF

fei der ƒu™he n—™h iins—tzge˜ieten der irkenntnisse —us dieser er˜eit sollten die ˜eiden ferei™he Navigation entlang einer Linie und Erkennen von Verkehrszeichen gesondert ˜etr—™htet werdenF

sn vielen ur—nkenhäusern sind die ‡ege zwis™hen ho™hfrequentierten e˜E teilungen dur™h f—r˜ige vinien —m foden gekennzei™hnetF hiese dienen d—zuD den €—tienten den ‡eg zu weisenF x—™h gen—u diesem ƒystem könnte ein ‚o˜oter etw— €ro˜en —us dem v—˜or in die entspre™hende e˜teilung tr—nsE portierenF †orteil der x—vig—tion entl—ng einer vinie istD d—ss ˜ei †erändeE rung des uurses ledigli™h die vinie verlegt werden muss und die ƒoftw—re —m ‚o˜oter unverändert ˜lei˜tF

x—™h entspre™hender ed—ptierung könnte ein ähnli™hes ƒystem —u™h geE nutzt werden und ein p—hrzeug —uf einer euto˜—hn sel˜ständig lenken zu l—ssenF x—türli™h wäre d—˜ei d—s ‚isiko ˜ei einer pehln—vig—tion —ufgrund der hohen qes™hwindigkeiten enormF ƒ™hwierig würde si™h si™her —u™h die filderkennung gest—ltenD ˜esonders in der x—™ht oder ˜ei s™hle™hten ‡itE terungsverhältnissenF eu™h s™hle™hte oder mehrdeutige fodenm—rkierungen könnten €ro˜leme verurs—™henF els †orstufe zur sel˜ständigen x—vig—tion würde si™h —n˜ieteD ein ‡—rnsystem zu entwi™kelnF hieses könnte ein —kusE tis™hes ‡—rnsign—l von si™h ge˜enD wenn es ˜emerktD d—ss d—s p—hrzeug von seiner p—hrspur —˜zukommen drohtF ƒo könnten etw— s™hwere …nfälleD verE urs—™ht dur™h ƒekundens™hl—fD vermieden werdenF euf˜—uend —uf die in dieser er˜eit ˜es™hrie˜ene †erkehrszei™henerkenE nung wäre es denk˜—rD qes™hwindigkeitsw—rner für up zu entwi™kelnD inE dem m—n d—s ƒystem mit dem „—™hometer des p—hrzeugs koppeltF eu™h hier sehe i™h die groÿen ƒ™hwierigkeiten in der filderkennung in der x—™ht oder ˜ei s™hle™hten ‡itterungsverhältnissenF eu™h d—s her—us(ltern der wirkli™h relev—nten †erkehrszei™hen —us einem ƒ™hilderw—ld im städtis™hen ferei™h ist eine ˜esondere rer—usforderungF

SI

Anhang A

Source Code

sn diesem u—pitel sind die wesentli™hen „eile des ƒour™eEgodes zu (ndenF hie ‚outinen h—˜e i™h in w r D der in we„vef r integrierten €rogr—mmierE

spr—™heD ges™hrie˜enF xe˜en den ƒt—nd—rdfunktionen von we„vef r wurde

—u™h —uf punktion—litäten folgender we„vef r E„ool˜oxes zurü™kgegri'enX

• w—th‡orks puzzyEvogi™ „ool˜ox

• w—th‡orks xeur—l xetwork „ool˜ox

• w—th‡orks sm—ge €ro™essing „ool˜ox

A.1 robot.m

robot.m ist d—s r—uptprogr—mm der ges—mten †er—r˜eitungF iin fild wird von einer u—mer— eingelesen und —n—lysiertF uerst wird eine vinie gesu™htF hie v—gekoordin—ten der vinie werden —n ein puzzyEƒystem weitergege˜enD wel™hes die ‡erte für die ensteuerung der wotoren des ‚o˜oters ermitteltF usätzli™h wird d—s fild n—™h einem †erkehrszei™hen dur™hsu™htF ‡ird eines gefundenD wird es tr—nsformiert und —n eine ƒypw ü˜erge˜en um es zu identi(zierenF te n—™h †erkehrszei™hen werden die zuvor vom puzzyEƒystem ermittelten mit einem p—ktor zwis™hen H und I —ngep—sstF hie so ermittelten wotorges™hwindigkeiten werden mittels hg€ —n dem wikro™ontroller —m ‚o˜oter ü˜erge˜enF

SP

hie in diesem €rogr—mm —ufgerufenen ‚outinen getlineposFm und (ndE signFm werden in den nä™hsten u—piteln ˜es™hrie˜enF

SQ

SR

SS

A.2 getlinepos.m

getlinepos.m dur™hsu™ht d—s ges—mte fild zeilenweise mittels ƒliding ‡inE dow n—™h einem p—r˜˜erei™hD der innerh—l˜ der ü˜erge˜enen ƒ™hwellwerte liegtF

SU

A.3 ndsign.m

ndsign.m hur™hsu™ht d—s ges—mte fild zeilenweise mittels ƒliding ‡inE dow n—™h einem p—r˜˜erei™hD der innerh—l˜ der ü˜erge˜enen ƒ™hwellwertes liegtF sm wesentli™hen wird d—s fild eile für eile unter †erwendung der punktion getlinepos.m dur™hl—ufenF els irge˜nis liefert die punktion die uoE ordin—ten des †erkehrszei™hensD f—lls si™h eines im fild ˜e(ndetF

SW

Literaturverzeichnis

‘I“ ferger ‡FD qrosse ƒFD vug—uer …F @PHHRAF Beschreibung ei-nes Kohonen Netzwerkes Zur Verwendung von Muster Erkennung (Kohonen-Feature-Map)F pr ‚egens˜urgF snternet httpXGGrfhsVHIPFfhE regens˜urgFdeG£ s—jQWIPPG˜egroluGnnIFhtml

‘P“ g—ll—n ‚F @PHHQAF Neuronale Netze im KlartextF †erl—g €e—rson ƒtudiE umD sƒfx QVPUQUHUIˆF

‘Q“ g—wsey eF @PHHQAF Künstliche Intelligenz im KlartextF †erl—g €e—rson ƒtudiumD sƒfx QVPUQUHTVˆF

‘R“ g—o tFD r—ll iFD vi—o ˆF @IWWWAF Reactive Navigation for Autonomous Guided Vehicle Using the Neuro-fuzzy TechniquesF genter for ‚o˜oti™s ‚ese—r™hD wv UPD …niversity of gin™inn—tiF snternet httpXGGro˜oti™sFu™FeduGpdfdo™sGspiejinGjinWWFpdf

‘S“ ghen ‚F vF @IWWQAF A Fuzzy Inference Design on Hewlett-Packard Logic Synthesis SystemF r€ v—˜or—tories €—lo elto ixtern—l ‚ese—r™h €roE gr—mF snternet httpXGGwwwFhplFhpF™omGte™hreportsGWQGr€vWQUHFpdf

‘T“ h—˜rowski eF @PHHPAF snternet The Turtle PrincipleF

httpXGGwwwF—troxF—tGro˜otsGinetturtleGindexFhtml

‘U“ i—sy‚qf @PHHRAF snternet Color Conversion FormulasF

httpXGGwwwFe—syrg˜F™omGm—thFphpcwe„rawPH5textPH

‘V“ pellner ‡F @IWWIAF ComputergrakF fsE‡issens™h—ftsverl—gD w—nnE heimGveipzigG‡ienGüri™hD PF idition

TI

‘W“ pis™hli ƒF @PHHRAF Neuronale Netze: Backpropagation und KohonenF ferE ner p—™hho™hs™huleF snternet httpXGGwwwFht—E˜eF˜fhF™hG (s™hliGkurE seGeduswissGnnetGskriptFpdf

‘IH“ r—lter fF @PHHQAF Autonomous RobotF pin—l ‰e—r €roje™tD …niversity of her˜yF

‘II“ ronkel— „F @IWWVAF Description of Kohonen's Self-Organizing MapF snE ternet httpXGGwwwFml—˜Fui—hF(G timoGsomGthesisEsomFhtml

‘IP“ sovine tF @PHHHAD PIC Microcontroller Project BookF w™qr—wErill €uE ˜lishing goFD sƒfx HHUIQSRUWRF

‘IQ“ u—ehler ƒF hF @PHHQAF − ^{Fuzzy Logic An In-} ƒe—tlle ‚o˜oti™s ƒo™ietyF snternet troductionF

httpXGGwwwFse—ttlero˜oti™sForgGen™oderGm—rWVGfuzG)•p—rtIFhtml

‘IR“ uohonen „F Self-organized formation of topologically correct feature maps fiologi™—l gy˜erneti™sD †olF RQ @IWVPAD ƒF SW E TW

‘IS“ uohonen „F @IWWSAD Self-Organizing MapsF ƒpringer ƒeries in snform—E tion ƒ™ien™esD †olF QHD ƒpringerD ferlinD reidel˜ergD xew ‰orkF

‘IT“ ur—ntz fF @PHHPAF ^{A Crisp Introduction to Fuz-} gomputer ƒ™ien™e idu™—tion v—˜D …niverE ^{zy Logic.} sity of golor—do et foulderF snternet httpXGGwwwE

ugr—dF™sF™olor—doFeduG£ ™sQPHPGp—persGfrigette•ur—ntzFhtml

‘IU“ wüller vF @PHHQAF Colour DetectionF essignment report for the module Ärti(™i—l xeur—l xets —nd ixpert ƒystems4D …niversity of her˜yF

‘IV“ xg uF gFD „rivedi wF wF @IWWVAF A Neuro-Fuzzy Controller for Mobile Robot Navigation and Multirobot ConvoyingD siiiF snternet httpXGG™vrrFu™sdFeduG—tonGpu˜li™—tionsGpdfp—persGxifE„•WVFpdf

‘IW“ €—wlikowski ƒF @IWWWAF Development of a Fuzzy Logic Speed

^{and Steering Control System For an Autonomous Vehic-} …niversityof gin™inn—tiD w—ster of ƒ™ien™e ‚ese—r™h leF

TP

€roje™tD hep—rtment of we™h—ni™—l ingineeringF snternet httpXGGro˜oti™sFu™FeduGthesesGthesesIWWVGp—wlikowskiFpdf

‘PH“ Real Robots Magazin, Ausgabe 3 @PHHQAD i—glemoss sntern—tion—l vtd PHHIF

‘PI“ ƒprut @PHHRAF Die Nutzung des 10-Bit PWMF snternet httpXGGwwwFsprutFdeGele™troni™Gpi™GgrundGpwmFhtm

‘PP“ ƒtelzer ‚F @PHHQA@—AF ^{Digital Eye for Neuro-Fuzzy Robot NavigationF} essignment report for the module erti(™i—l xeur—l xets —nd ixpert ƒystemsD …niversity of her˜yF

‘PQ“ ƒtelzer ‚F @PHHQA@˜AF FuzzyWeb: A Web-Based Approach to Fuzzy System DesignF pin—l ‰e—r €roje™tD …niversity of her˜yF snternet httpXGGfuzzywe˜F—troxF—tGpuzzy‡e˜Fpdf

‘PR“ „he w—thworks @IWWSAF ^{Fuzzy Logic Toolbox -} „he w—thworksF snternet For Use with MATLABF

httpXGGwwwFm—thworksF™omG—™™essGhelpdeskGhelpGpdf•do™GfuzzyG fuzzy•t˜Fpdf

‘PS“ „he w—thworks @PHHQAF ^{The MathWorks} „he w—thworks sn™F Product FamilyF

httpXGGwwwFm—thworksF™omGprodu™tsGprodoverviewFshtml @PHHQA

‘PT“ „… hresden @PHHRAF Farbmodelle / FarbtiefeF snternet httpXGGwwwFtuE dresdenFdeGurzG˜ilddtpG„heorieG˜ody•theorieFhtml

‘PU“ „z—fest—s ƒF qFD ikidis uF gF @IWWUAF A 3-Level Neuro-Fuzzy Autonomous Robot Navigation SystemD sntelligent ‚o˜oti™s —nd eutom—tion v—˜or—toryD x—tion—l „e™hni™—l …niversity of ethensD qree™eF snternet httpXGGwwwF™dsF™—lte™hFeduG™onferen™esGrel—tedG iggWUGpro™eedsGUSI•IHHHGiggUSRF€hp

TQ

Abkürzungsverzeichnis

goq F F F F F F F F F F F F F genter of qr—vity @ƒ™hwerpunktA

g€… F F F F F F F F F F F F F gentr—l €ro™essing …nit hg€ F F F F F F F F F F F F F hevi™e gommuni™—tion €roto™ol hsh F F F F F F F F F F F F F hevi™e sdenti(er @im hg€Ere—derA psƒ F F F F F F F F F F F F F F puzzy snferenz ƒystem pv F F F F F F F F F F F F F F F puzzy vogi™ pvƒ F F F F F F F F F F F F F puzzy vogi™ ƒystem

rƒf F F F F F F F F F F F F F rueD ƒ—tur—tionD frightness @p—r˜tonD ƒättigungD relligE keitA

rƒ† F F F F F F F F F F F F F rueD ƒ—tur—tionD †—lue @p—r˜tonD ƒättigungD ‡ertA up F F F F F F F F F F F F F ur—ftf—hrzeug us F F F F F F F F F F F F F F F uünstli™he sntelligenz voh F F F F F F F F F F F F F vength of h—t— @im hg€Ere—derA €‡w F F F F F F F F F F F F €ulsweitenmodul—tion

‚qf F F F F F F F F F F F F F rotD grünD ˜l—u @€rimärf—r˜en des —dditiven p—r˜modells ƒypw F F F F F F F F F F F ƒelfEyrg—nizingEpe—tureEw—p @uohonenExetzwerkA tExorm F F F F F F F F F F „ri—ngul—r xorm …ƒf F F F F F F F F F F F F F …nivers—l ƒeri—l fus

TR

Index

ܘerw—™htes vernenD PQ fodenh—ftungD PW fodenkont—ktD PW

ed—ptive ƒystemeD SI

fools™he vogikD IQ

edditives p—r˜modellD QS

fools™he ‡—hrheitst—˜elleD IS

eggreg—tionD IWD PH

founded hi'eren™eD IS

ekkumul—tionD PI

founded ƒumD IS

elge˜r—i™ €rodu™tD IS

frightnessD QT

elge˜r—i™ ƒumD IS elge˜r—is™he ƒummeD IS genter of qr—vity wethodD PP elge˜r—is™hes €roduktD IS gh—r—kteristis™he punktionD IR ente™edentD IV gh—ssisD PW entrie˜D PW goqEhefuzzi(k—tionD PP entrie˜sr—dD QR gon™lusionD IV eusg—˜es™hi™htD PRD PS gonditionD IV eusg—˜ewertD PP gonsequen™eD IV eusg—ngswertD IU grisp †—lueD ITD PP euss—genlogikD IQ grispEƒetD IQ euss™hneidenD RS

h—mpfm—s™hineD IQ f—™kprop—g—tionEelgorithmusD PQ hg€D QI fedingungD IVD PH hg€E€—ketD QI fegrenzte hi'erenzD IS hefuzzi(k—tionD PI fegrenzte ƒummeD IS hefuzzi(k—tionsmethodeD PP feleu™htungD QU hevi™e gommuni™—tion €roto™olD QI fildgröÿeD RT hrehenD RR fildqu—litätD QS hreirädrigD PW fildtr—nsform—tionD QSD RRD RV

iing—˜eeinheitD PQ

fildver—r˜eitungD QS

TS

iing—˜emusterD PR puzzyE‚egelnD RI iing—˜eneuronenD PR puzzyE‚uleD IUD PI iing—˜er—umD PQD PS puzzyEƒetD IQD ITD PI iing—˜es™hi™htD PR puzzyEƒteuerungD IV iing—˜esign—lD PR puzzyE…ndD IS iing—˜evektorD PS

qenetis™he elgorithmenD SI

iing—ngswertD IT

qes™hwindigkeitD PVD RP

ilektromotorD PU

qes™hwindigkeitsw—rnerD SI

intfär˜enD RU

qewi™htsvektorD PRD PS

irf—hrungD SI

qlei™hstrommotorD QR

irge˜nistr—nsform—tionD RP

qleitendes pensterD QRD QV

irregungszentrumD PS

qr—d der ugehörigkeitD IR

ixpertenwissenD IV

qr—uwerteD RU

ixtremstellenD RS r—rdw—reD PW

p—r˜enD QS

relligkeitD QT

p—r˜enkreisD QT

rƒfD QU

p—r˜modellD QRD QS

rƒfEp—r˜enkreisD QT

p—r˜modellD —dditivD QS

rƒfEp—r˜modellD QS!QUD SH

p—r˜modellD su˜tr—ktivD QS

rƒfEylinderD QU

p—r˜spektrumD QT

rƒ†Ep—r˜modellD QT

p—r˜tonD QT

rueD QT

pe—tureEw—pD PR psƒD IVD RI spE„rixE‚egelD IV pvD IP smplementierungD PU pr—me qr—˜˜er ƒoftw—reD QS smplik—tionD PH punktionD ™h—r—kteristis™heD IR sniti—lisierungD PS puzzi(k—tionD IW snput puzzy ƒetD RH puzzy snferenz ƒystemD IV snputE†—lueD ITD IW puzzy vogi™D IPD QWD SH

uünstli™he sntelligenzD IP

puzzyEsnferenzEƒystemD RI

u—mer—positionD RV

puzzyEyderD IS

u—rtens™hi™htD PR

puzzyE‚egelD IU

u—tegorisierungD PQ

TT

uettenf—hrzeugD PW wem˜ershipEpunktionD IQD PP usD IP wem˜ershipE†—lueD IRD ISD IW usEwethodeD SH wengenD IQ ul—ssi(zierungD RV wi™ro™hipD PU uohonenD „uevoD PQD RV wikro™ontrollerD PUD PVD QH uohonenEvern—lgorithmusD PS winimumD IS uohonenExetzwerkD PQD PRD RVD SH winimumEyper—torD PHD QW uommunik—tionD QI wodellD IV uommunik—tionsprotokollD QI wotorD QHD QR uompetetives vernenD PR wotor˜rü™keD PVD PW uoordin—tenD QW wultil—yerE€er™eptronD PQ

v—ufri™htungD QH x—™h˜—rs™h—ftD PS le—rningD supervisedD PQ x—™h˜—rs™h—ftsr—diusD PT le—rningD unsupervisedD PQ x—vig—tionD QR vern—lgorithmusD PRD PS x—vig—tionsfunktionD RI vernenD ü˜erw—™htD PQ xeuronD PR vernenD kompetetivD PR xormierenD RT vernenD unü˜erw—™htD PQ

yderEyper—torD ISD IV

vernr—teD PT

yderE†erknüpfungD IW

vi™htverhältnisseD QRD RUD RV

y'setD QW

vinguistis™he †—ri—˜leD IT

yutput puzzy ƒetD RI

vinguistis™her „ermD IT

yutputE†—lueD IUD PQ

vinieD PVD QRD QV

yutputE†—ri—˜leD PI

vogikD zweiwertigeD IS vogis™he yper—torenD IS €—ket—uf˜—uD hg€D QI €er™eptronD PQ

w—md—niD IQ

€sgITpVUUD PUD QH

w—md—niEsnferenzD IVD QW

€rämisseD IV

w—thworksD PU

€remiseD IV

we„vefD PU

€rimärf—r˜enD QS

w—ximumD IS

€rotokollD QI

w—ximumEyper—torD PID QW

€ulsweitenmodul—tionD PVD QH

wem˜ership pun™tionD IR

TU

€‡wD PVD QH „eil˜edingungD PH „ermD linguistis™herD IT

‚—diusD PT

„ermEƒetD IU

‚egelD IU

„r—inieren einer ƒypwD PR

‚egion der ƒypwD PR

„r—iningsvektorD PQ

‚qfD QU

„r—nsform—tion des fildesD QS

‚qfEp—r˜modellD QS

„ri—ngul—r xormD IS

‚i™htungD RP ‚o˜oterD PW …nü˜erw—™htes vernenD PQ …ndEyper—torD ISD IV

sExormD ISD IWD PI

…ndE†erknüpfungD IW

ĊttigungD QT

…nsupervised le—rningD PQ

ƒ—tur—tionD QT ƒ™hlussfolgerungD IV †—lueD QT ƒ™hlussfolgerungenD SH †—ri—˜leD linguistis™heD IT ƒ™hw—rzEweiÿD RU †erkehrszei™henD RR ƒ™hwellwertD QW †ierrädrigD PW ƒ™hwerpunktmethodeD PPD QW

‡—hrheitst—˜elleD IS

ƒekundärf—r˜enD QT

‡—hrheitst—˜elleD fools™heD IS

ƒel˜storg—nisierende werkm—lsk—rE

‡—hrheitswertD IPD IWD PH

teD PQ

‡—hrs™heinli™hkeitsverteilungD PS

ƒelf org—nizing fe—ture m—pD PQ

‡e˜™—mD PU

ƒelfEyrg—nizingEpe—tureEw—pD IPD RV

‡ett˜ewer˜D PR

ƒign—lver—r˜eitungD PV

‡innerExeuronD PRD PSD RW

ƒliding ‡indowD QRD QV ƒypwD IPD PQD PRD RVD SH —dehD vot(D IP ƒtützr—dD PWD QR ugehörigkeitD IR ƒtimulusw—hlD PS ugehörigkeitsfunktionD IR ƒu˜tr—ktives p—r˜modellD QS weiwertige vogikD IS ƒupervised le—rningD PQ ƒystemmodellierungD IU

tEgonormD IS

tExormD ISD PH

TV