<div class="csl-bib-body">
<div class="csl-entry">Vincze, M., Zillich, M., & Prankl, J. (2017). Roboter lernen mit Gegenständen umzugehen: neue Entwicklungen und Chancen. <i>Elektrotechnik und Informationstechnik : e & i</i>, <i>134</i>(6), 304–311. https://doi.org/10.1007/s00502-017-0515-1</div>
</div>
-
dc.identifier.issn
0932-383X
-
dc.identifier.uri
http://hdl.handle.net/20.500.12708/953
-
dc.description.abstract
Für den zukünftigen Einsatz von Robotern fordern Experten aus der Industrie Roboter, die sicher sind und dem Benutzer eine klare Rückmeldung geben, was der Roboter macht und warum. Eine der wichtigsten Funktionen, um dies zu erreichen, ist die zuverlässige Erkennung der Umgebung, um den Roboter mit einem besseren Verstehen der Welt auszustatten. In diesem Artikel geben wir eine Übersicht derzeitiger Entwicklungen. Mit der stetig ansteigenden Rechenleistung und neuen bildgebenden Sensoren, wie Stereo- oder Tiefenbildkameras, steigen die Möglichkeiten, Objekte und deren Umgebung immer besser und besser zu erkennen und zu verstehen. So können aus Bilddatenbanken eine große Anzahl an Objekten gelernt und auch wieder erkannt werden. Des Weiteren ist es möglich, Modelle auch aus den 3D CAD Daten von Objekten zu lernen. Dadurch können Klassen von Objekten erkannt werden, ohne vorher einzelne Objekte modellieren zu müssen. Zusätzlich können aus Beispielen die typischen Einrichtungsgegenstände wie Tische, Montageplätze oder Stühle und Kästen gelernt werden. Damit wird es möglich, Robotern ein erstes Verständnis der Umgebung mitzugeben. Dadurch eröffnen sich neue Anwendungen sowohl für Industrieroboter als auch Service–Roboter in der Industrie, im Bereich von Dienstleistungen und auch für zukünftige Roboter zu Hause.
de
dc.description.abstract
Experts predict that future robot applications will require safe and predictable operation: robots will need to be able to explain what they are doing to be trusted. To reach this goal, they will need to perceive their environment and its object to understand better the world and task they have to perform. This article gives an overview of present advances with the focus on options to model, detect, classify, track, grasp and manipulate objects. With the approach of colour and depth (RGB-D) cameras and the approaches in deep learning, robot vision was pushed considerably over the last years. It is possible to model and recognise objects, though prove in industrial settings is yet outstanding. Given a first detection of larger structures such as tables, chairs or assembly places, relations between object and setting can be obtained leading to a first interpretation of the scenes. We highlight present developments and point out future developments towards service and industrial robotics applications.
en
dc.language
Deutsch
-
dc.language.iso
de
-
dc.publisher
Springer Wien
-
dc.relation.ispartof
Elektrotechnik und Informationstechnik : e & i
-
dc.rights.uri
http://creativecommons.org/licenses/by/4.0/
-
dc.subject
Objekterkennung
de
dc.subject
Szenenverstehen
de
dc.subject
Klassifikation
de
dc.subject
object detection
en
dc.subject
scene understanding
en
dc.subject
classification
en
dc.title
Roboter lernen mit Gegenständen umzugehen: neue Entwicklungen und Chancen
de
dc.type
Article
en
dc.type
Artikel
de
dc.rights.license
Creative Commons Namensnennung 4.0 International
de
dc.rights.license
Creative Commons Attribution 4.0 International
en
dc.description.startpage
304
-
dc.description.endpage
311
-
dc.rights.holder
The Author(s) 2017
-
dc.type.category
Original Research Article
-
tuw.container.volume
134
-
tuw.container.issue
6
-
tuw.journal.peerreviewed
true
-
tuw.peerreviewed
true
-
tuw.version
vor
-
dcterms.isPartOf.title
Elektrotechnik und Informationstechnik : e & i
-
tuw.publication.orgunit
E376 - Institut für Automatisierungs- und Regelungstechnik