Entwicklung und Optimierung eines künstlichen neuronalen Netzes zur Steuerung autonomer Fahrsysteme

Inhalt:
Autonome mobile Robotik erfährt derzeit ein steigendes Interesse in vielen Bereichen und Branchen, wobei der Implementierung von maschinellen Lernmethoden als, wesentlichen Innovationstreiber, eine entscheidende Schlüsselrolle zugeordnet werden kann. So bieten diese Technologien, z. B. bei Such- und Rettungseinsätzen, großes Potenzial, da sie zukünftig in der Lage sein werden, ihre Umgebung autonom zu erfassen, eigene Such- bzw. Bewegungsmuster zu entwickeln oder eigenständig Entscheidungen im Kollektiv bzw. Schwarm zu treffen. Auch im industriellen Umfeld bestehen vielfältige Einsatzmöglichkeiten für autonome Fahrsysteme in Kooperation mit dem Menschen. Dabei stellen die Navigation und die Hinderniserkennung im unbekannten Terrain herausfordernde Probleme an die Entwickler auf dem Gebiet der Robotik. Für die Bewältigung dieser Aufgaben ist der Einsatz von maschinellen Lernmethoden unabdingbar, da eine direkte Auswirkung der sensorisch erfassten Umgebung auf die Aktorik des Systems gefordert ist. In diesem Forschungsbereich sind bisher verschiedene Ansätze untersucht worden, wovon sich vor allem künstliche neuronale Netze (KNN) vielversprechend darstellen. Daher zeigt der Beitrag, wie KNN mit Multilayer-Perzeptron (MLP) Architektur entwickelt werden können und beschreibt einen exemplarischen Trainingsprozess. Des Weiteren wird ein genetischer Algorithmus zur Optimierung eines MLP-Netzes vorgestellt.