Bestärkendes Lernen zur automatisierten Erkundung und Kartographierung von Indoor-Umgebungen mittels unbemanntem Luftfahrtsystem

Autor*in: Andreas Seel

ISBN: 978-3-69030-110-7

Dissertation, Leibniz Universität Hannover, 2025

Herausgeber*in der Reihe: Bernd-Arno Behrens, Peter Nyhuis, Ludger Overmeyer

Band-Nr.: IPH 01/2025

Umfang: 142 Seiten, 69 Abbildungen

Schlagworte: automatisierte Indoor-Erkundung, Kartographierung, Fabrikplanung, Reinforcement Learning, Unbemanntes Luftfahrtsystem

Kurzfassung: In dieser Arbeit wird die automatisierte Indoor-Erkundung und -Kartographierung als Schlüsselverfahren zur Digitalisierung von Umgebungsstrukturen in der Fabrikplanung untersucht. Aus dem Anwendungsfall werden vier Anforderungen abgeleitet, deren Erfüllung in anderen aktuellen Arbeiten nur teilweise erfolgt. Zur Schließung dieser Lücke wird ein integrierter Reinforcement-Learning-Algorithmus in einer entwickelten Simulationsumgebung mit UAS, virtueller Indoor-Struktur und mehreren Agenten evaluiert. Vier Versuchskonfigurationen variieren Sensorausrichtung und Netzarchitektur (CNN vs. MLP). Die Bewertung erfolgt mittels Konvergenzanalyse und leistungsbezogener Kennzahlen. Ergebnisse zeigen, dass der Algorithmus in mindestens einer Konfiguration beide Teilaufgaben integriert löst. Geneigte Sensoren verschlechtern das Lernverhalten, während CNN-Architekturen MLP-Netze deutlich übertreffen. Die Machbarkeit einer Navigationslösung unter den gegebenen Anforderungen wird bestätigt.