Autonome Parallelisierung von ressourcenbewussten Roboter-Aufgaben-Knoten
Dieses Video war Teil eines Beitrages für die ICRA 2019 Konferenz. Der angenommene Beitrag (siehe https://ieeexplore.ieee.org/document/8620533) hat den gleichen Titel wie dieses Video und die folgende Zusammenfassung:
Die Programmierung von Roboteraufgaben führt oft zu ineffizienten Plänen, da Möglichkeiten zur Parallelisierung und Vorberechnung vom Programmierer meist nicht genutzt werden. Diese Ineffizienz zeigt sich oft besonders deutlich bei der mobilen Manipulation, bei der die Algorithmen zur Pfadplanung und Posenschätzung zeitaufwändig sind. In diesem Beitrag stellen wir das Konzept der Resource-Aware Task Nodes (RATNs) vor, ein leistungsstarkes beschreibendes Aktionsmodell für Roboter.
Anschließend schlagen wir einen Algorithmus vor, der so genannte Concurrent Dataflow Task Networks (CDTNs) ausführt, also Roboterpläne, die aus RATNs bestehen. Er optimiert die programmierten Pläne auf der Grundlage von zwei Informationsquellen:
1. Der im ursprünglichen Aufgabenplan dargestellte Kontrollfluss, dessen Beschränkungen gelockert werden, um Möglichkeiten zur Parallelisierung und Vorberechnung zu schaffen.
2. Abhängigkeiten zwischen Aktionen, die sich auf Ressourcen, Datenflüsse und Änderungen des Weltmodells beziehen, wobei letztere mit Vorbedingungen und Auswirkungen gleichzusetzen sind.
CDTNs wurden in unser quelloffenes Aufgabenprogrammierungs-Framework RAFCON (https://dlr-rm.github.io/RAFCON/) integriert und wir zeigen, dass es in zwei simulierten mobilen Manipulationsszenarien zu einer Verbesserung der Ausführungszeit von 11% - 29% führt.
Autonome Parallelisierung von ressourcenbewussten Roboter-Aufgaben-Knoten
Autonome Parallelisierung von ressourcenbewussten Roboter-Aufgaben-Knoten
Dieses Video war Teil eines Beitrages für die ICRA 2019 Konferenz. Der angenommene Beitrag (siehe https://ieeexplore.ieee.org/document/8620533) hat den gleichen Titel wie dieses Video und die folgende Zusammenfassung:
Die Programmierung von Roboteraufgaben führt oft zu ineffizienten Plänen, da Möglichkeiten zur Parallelisierung und Vorberechnung vom Programmierer meist nicht genutzt werden. Diese Ineffizienz zeigt sich oft besonders deutlich bei der mobilen Manipulation, bei der die Algorithmen zur Pfadplanung und Posenschätzung zeitaufwändig sind. In diesem Beitrag stellen wir das Konzept der Resource-Aware Task Nodes (RATNs) vor, ein leistungsstarkes beschreibendes Aktionsmodell für Roboter.
Anschließend schlagen wir einen Algorithmus vor, der so genannte Concurrent Dataflow Task Networks (CDTNs) ausführt, also Roboterpläne, die aus RATNs bestehen. Er optimiert die programmierten Pläne auf der Grundlage von zwei Informationsquellen:
1. Der im ursprünglichen Aufgabenplan dargestellte Kontrollfluss, dessen Beschränkungen gelockert werden, um Möglichkeiten zur Parallelisierung und Vorberechnung zu schaffen.
2. Abhängigkeiten zwischen Aktionen, die sich auf Ressourcen, Datenflüsse und Änderungen des Weltmodells beziehen, wobei letztere mit Vorbedingungen und Auswirkungen gleichzusetzen sind.
CDTNs wurden in unser quelloffenes Aufgabenprogrammierungs-Framework RAFCON (https://dlr-rm.github.io/RAFCON/) integriert und wir zeigen, dass es in zwei simulierten mobilen Manipulationsszenarien zu einer Verbesserung der Ausführungszeit von 11% - 29% führt.
Credit: DLR (CC BY-NC-ND 3.0)
Länge: 00:02:54