Temporally Coherent Terrain Discrimination Using Inertial Sensor Information

DSpace Repository


Dateien:

URI: http://nbn-resolving.de/urn:nbn:de:bsz:21-opus-64849
http://hdl.handle.net/10900/49744
Dokumentart: Dissertation
Date: 2012
Language: English
Faculty: 7 Mathematisch-Naturwissenschaftliche Fakultät
Department: Informatik
Advisor: Zell, Andreas (Prof. Dr.)
Day of Oral Examination: 2012-10-17
DDC Classifikation: 004 - Data processing and computer science
Keywords: Unüberwachtes Lernen , Überwachtes Lernen , Vibrationssensor , Markov-Feld
Other Keywords:
Unsupervised Learning , Supervised Learning , Vibration Sensing , Markov Random Fields
License: Publishing license including print on demand
Order a printed copy: Print-on-Demand
Show full item record

Inhaltszusammenfassung:

Einhergehend mit einer wachsenden Anzahl von Anwendungen in unstrukturierten Umgebungen steigen auch die Ansprüche an den mobilen Roboter bezüglich seiner Fahrsicherheit und Fahrwerkbeanspruchung. Probleme ergeben sich durch verschiedene Terraintypen, welche unterschiedliche Merkmale bezüglich der Navigierbarkeit wie beispielsweise dem Grad der Fahrunsicherheit aufweisen. Wie sich hieraus ableiten lässt, erfordert eine sichere Roboternavigation die Klassifizierung des gegenwärtigen Terrains anhand von Sensordaten. In dieser Arbeit wurde für die Terrainidentifikationsaufgabe ein retrospektiver Ansatz basierend auf taktilen Eingabesignalen gewählt. Das heißt, dass die Klassifikation auf Sensordaten beruht, welche während der Terraintraversierung aufgenommen werden. In diesem Zusammenhang werden die Daten durch vorverarbeitete Beschleunigungsmuster repräsentiert, welche aus Terrain-Rad-Fahrgestell-Interaktionen hervorgehen und direkt mit den mechanischen Eigenschaften des Untergrundes in Verbindung gebracht werden können. Der wesentliche Beitrag dieser Arbeit besteht in der Einbindung von Kontextinformation in den Terrainvorhersageprozess. Hierbei bezieht sich der Term „Kontextinformation“ auf temporale Abhängigkeiten zwischen aufeinanderfolgenden Messungen, welche mit hoher Wahrscheinlichkeit von derselben Terrainklasse stammen. Es zeigt sich, dass durch ein methodisches Modellieren dieser Abhängigkeiten die Klassifizierungsleistung signifikant verbessert werden kann. Als zugrundeliegendes Wahrscheinlichkeitsmodell wurde der Bayes-Filter-Ansatz gewählt, welcher derart umformuliert wurde, dass die Ergebnisse des Filterprozesses allein aus den a posteriori Wahrscheinlichkeiten einzelner Terrainschätzungen abgeleitet werden können. Ausgehend von der Support Vektor Maschine als Basisklassifizierer wird dieser Ansatz mit anderen Verfahren des maschinellen Lernens verglichen, welche ebenso a posteriori Verteilungen bereit stellen. In diesem Zusammenhang werden die Random Forest und Random Ferns Ansätze als neue Methode zur Terrainklassifizierung vorgestellt und bezüglich der Klassifizierungsleistung verbessert. Weiterhin zeigt sich, dass die Random-Ferns-Technik und einige weitere Klassifizierer von einer kompakteren Beschleunigungsdatenrepräsentation profitieren, welche auf der Extrahierung von Mel-frequency cepstral Koeffizienten beruht. Der Klassifikationsansatz benötigt zur Modellbildung Sensordaten von allen zu klassifizierenden Untergrundtypen im Voraus. Da diese Information nicht in allen Einsatzgebieten vorhanden sein muss, legt diese Arbeit einen weiteren Schwerpunkt auf unüberwachte Lernverfahren. Das heißt, dass bei gegebenen Daten einer Robotertraversierung ein Modell zu erstellen ist, welches die Sensordaten autonom in Cluster unterteilt, so dass Messungen mit ähnlichen Merkmalen den selben Clustern zugewiesen werden. Unähnliche Beobachtungen sollen andererseits in unterschiedliche Cluster platziert werden. Analog zur überwachten Klassifikation verwendet das vorgeschlagene Modell temporale Kohärenzen aus aufeinanderfolgenden Messungen. Diese temporalen Zusammenhänge werden mittels eines Markov-Random-Field-Ansatzes in den Clustervorgang integriert. Hierbei basiert das probabilistische Modell auf der Vermutung, dass die Klassenbezeichnungen von naheliegenden Beschleunigungsmustern aus a priori Verteilungen mit ähnlichen Parametern hervorgehen. Die resultierenden experimentellen Ergebnisse zeigen den Vorteil der temporal kohärenten Methode im Vergleich zum Alternativansatz auf, welcher nicht auf temporalen Abhängigkeiten beruht. Das Problem der randomisierten Initialisierung der Clustermodelle und der daraus resultierenden Varianz bei der Klassenzuweisung wird mittels eines deterministischen Initialisierungsprozesses gelöst. Auch in diesem Zusammenhang erweist sich die Einbindung temporaler Kohärenzen als vorteilhaft. Ein weiterer Beitrag dieser Arbeit besteht in der Entwicklung einer neuen unüberwachten Methode zur Merkmalsselektion, welche die Identifikation wichtiger Charakteristika des Beschleunigungssignals ermöglicht. Schließlich werden Methoden vorgestellt und weiterentwickelt, welche die Anzahl der Terrainklassen abschätzen, wenn diese Information nicht gegeben ist.

Abstract:

Along with a growing number of applications in unstructured outdoor environments, mobile robots are faced with increased requirements with respect to their driving safety and operational demands. Issues arise due to varying terrain types, each possessing different navigability characteristics such as the degree of hazardousness. Hence, a safe robot traversal necessitates the classification of the present ground surface from sensor data. In this thesis, a retrospective approach based on tactile sensing has been considered for the terrain discrimination task. That is, the ground surface classification relies on sensor data being collected while the robot traverses the environment. Here, the sensor data is represented by means of preprocessed acceleration patterns which emanate from terrain-wheel-chassis interactions and directly relate to the mechanical properties of the ground surfaces. The main contribution of this thesis comprises the integration of contextual information into the terrain classification procedure. Here, contextual information denotes the temporal dependencies between consecutive measurements which are likely to arise from the same terrain type. It is demonstrated that the modeling of these dependencies in a principled way results in a significant improvement of the classification performance. As for the underlying framework, the Bayes filter approach has been adopted and modified so as to requiring the posterior probability of individual terrain classifications only. Starting with a support vector machine as the base classifier, the latter technique is compared to other machine learning techniques which also provide class posterior estimates. In this context, the random forest and random ferns classifiers are employed as novel means for ground surface estimation. It further shows that the random ferns approach as well as several other classifiers benefit from a more compact acceleration signal representation which is based on the Mel-frequency cepstral coefficient extraction process. The classification approach requires the terrain classes to be known a priori. Since this information might not be available in all domains, this thesis also addresses the problem of unsupervised learning. That is, given acceleration data acquired during the robot traversal a model is established which autonomously partitions the data instances into clusters such that observations with similar characteristics are assigned to the same cluster. Dissimilar measurements, on the other hand, are to be located in differing clusters. Analogous to supervised classification, the proposed model makes use of temporal coherences contained within subsequent observations. These temporal dependencies are incorporated by means of a Markov random field-based clustering approach which assumes that the class labels of nearby acceleration patterns are generated by prior distributions with similar parameters. Experimental results reveal the superiority of the temporally coherent approach in comparison with the one which does not exploit temporal dependencies. The problem of obtaining varying local optima after the clustering process is addressed in terms of a deterministic cluster model initialization scheme. It shows that the inclusion of temporal coherences within the initialization step increases the clustering performance. Further contributions involve the introduction of a novel unsupervised feature selection approach which enables the identification of important characteristics of the acceleration signal. Finally, systematic means are presented which allow for the estimation of the number of terrain classes when this information is not provided.

This item appears in the following Collection(s)