Adaptive Computer Vision and Learning from a Coach for Small-Size and Mid-Size Robots

我们从1998年开始在柏林自由大学的一个移动机器人小组，这个小组的机器人有18厘米的直径。我们参加了RoboCup小型联赛，我们在1999年（斯德哥尔摩）和2000年（墨尔本）的比赛中获胜。2000年5月我们在阿姆斯特丹举办了欧洲会议。此时，一台摄像机、一台PC摄像机和一个用于垂直测量的主传感器。我们的移动机器人可以使用韦尔登，外部摄像机可以使用韦尔登。Jeder Roboter是一个独立的摄像机，视频数据和外部的计算机功能，我们可以进行韦尔登。我们将韦尔登软件开发成机器人定位器和球定位器。这个软件可以在一个小的图片库中找到韦尔登，然后在机器人中集成。我们计划对机器人的传感器进行调试，在机器人博登的基础上进行一次红外探测，并对机器人的光学特性进行评估。机器人将通过一个反应性的分级控制系统来实现。Mit zunehmender Komplexität steigt die Anzahl der Parameter Dieses Systems，so daubeine automatische Justierung durch Lernen wird.大足将学习强化学习的方法。我所提供的模拟器韦尔登是我们训练的游戏和战术，我们可以让机器人控制器和真正的机器人训练器韦尔登一起训练。机器人视觉、传感器和机器人的组合将在2年内与机器人一起在一个巨大的Spielfeld（9 x 5米）上进行。为了协调小精灵的表演，我们需要做一些分析，这些分析在模拟中是正确的。

Wir entwickeln seit 1998 ein Team mobiler Roboter an der Freien Universität Berlin, das aus fünf Robotern mit 18 cm Durchmesser besteht. Wir spielen in der RoboCup Small-Size-Liga, bei der wir in den Jahren 1999 (Stockholm) und 2000 (Melbourne) Vizeweltmeister geworden sind. Ferner haben wir im Mai 2000 die Europameisterschaft in Amsterdam gewonnen. Momentan dient eine Video-Kamera, die über dem Spielfeld hängt und an einen PC angeschlossen ist, als Hauptsensor für die Verhaltenssteuerung. Unsere mobilen Roboter sollen nun derart erweitert werden, daß ohne externe Videokamera, gespielt werden kann. Jeder Roboter wird eine eigene Videokamera tragen, welche die Videodaten an einen externen Computer funkt, wo diese analysiert werden. Wir werden Software entwickeln ,um die Roboter zu lokalisieren und den Ball zu finden. Diese Software soll dann auf einen kleinen Bildverarbeitungsrechner portiert werden, der in die Roboter intergriert wird. Ferner planen wir die Erweiterung der Sensoren des Roboters, beispielsweise um einen Infrarotdetektor am Boden des Roboters, der mittels des optischen Flusses die Bewegung des Roboters bestimmt. Das Verhalten unserer Roboter wird durch eine reaktive hierarchische Kontrollarchitektur bestimmt. Mit zunehmender Komplexität steigt die Anzahl der Parameter dieses Systems, so daß eine automatische Justierung durch Lernen notwendig wird. Dazu wollen wir den Ansatz des Reinforcement Learnings verwenden. Mit Hilfe eines Simulators werden wir Strategie und Taktik des Spiels trainieren, während die Bewegunskontrolle anhand von realen Robotern trainiert werden muß. Die Kombination von lokaler Computer-Vision, zusätzlichen Sensoren und Lernen wird uns erlauben, auf einem großen Spielfeld (9 x 5 Meter) innerhalb von 2 Jahren mit elf Robotern zu spielen. Zur Koordination der elf Spieler wollen wir Ansätze verwenden, die sich in der Simulationsliga bewährt haben.