DE69316318T2

DE69316318T2 - Navigiermodul für ein halbautonomes Fahrzeug

Info

Publication number: DE69316318T2
Application number: DE69316318T
Authority: DE
Inventors: Piero Patrone Bonissone; Bernard Joseph Carey; Mark Edward Dausch
Original assignee: General Electric Co
Current assignee: Lockheed Martin Corp
Priority date: 1992-10-26
Filing date: 1993-10-25
Publication date: 1998-08-13
Anticipated expiration: 2013-10-26
Also published as: ES2112967T3; EP0595570A2; EP0595570A3; DE69316318D1; EP0595570B1; JPH06266406A; US5436839A

Description

Ein Teil von der Offenbarung dieser Patentanschrift enthält Material, das Gegenstand des Urheberrechtschutzes ist. Der Urheberrechtschutzinhaber hat keinen Einwand gegen die Anfertigung einer Kopie durch irgendjemanden von dem Patentdokument oder der Patentoffenbarung, wie sie in den Patentregistern oder -akten des Patent- und Warenzeichenamtes erscheint, aber ansonsten behält er sich alle Urheberrechte jeder Art vor.

Hintergrund der Erfindung

Die Erfindung bezieht sich allgemein auf das Gebiet der unscharfen bzw. Fuzzy-Logik und insbesondere auf die Verwendung von Fuzzy-Logik, um ein halbautonomes Fahrzeug, wie beispielsweise den Mars Rover, navigieren zu helfen.
Es sind Systeme zum Navigieren bemannter Fahrzeuge entwickelt worden, bei denen der Fahrer über die zu nehmende Route angewiesen wird, wenn sich das Fahrzeug fortbewegt. Ein derartiges System ist in der US-A-4,882,696 beschrieben.
Es wird angenommen, daß gewisse Erkundungsfunktionen- Planeten, Raum, Unterwasser - am besten durch unbemannte Fahrzeuge ausgeführt werden, die in der Lage sind, mit minimaler Überwachung durch einen entfernten menschlichen Operator zu arbeiten. Derartige Fahrzeuge werden halbautonom genannt, weil sie für gewisse Zeiträume in einer völlig autonomen Weise arbeiten müssen. Während dieser Zeiträume autonomen Verhaltens muß ein an Bord befindliches Untersystem das Fahrzeug durch eine möglicherweise gefährliche Umgebung zu einem gewählten Ziel navigieren und die Sicherheit des Fahrzeuges während der Durchfahrt garantieren. Diesem Navigationssystem muß Information zugeführt werden über die Merkmale von dem Gelände (Terrain) oder dem Raum, der zu durchfahren ist, um so einen besten Weg zu wählen und irgendwelche Gefahren zu vermeiden. Es wird erwartet, daß derartige Daten sowohl durch externe Quellen als auch durch an Bord befindliche Sensor-Subsysteme geliefert werden. Zusätzlich zur Gewinnung von grober Information über das zu durchquerende Gelände oder den Raum von einer externen Quelle, wie beispielsweise einem in einem Kreisumlauf befindlichen Satelliten für Planeten-Erkundung, wird angenommen, daß feinere Daten von an Bord befindlichen Sensor-Subsystemen gewonnen werden, wie beispielsweise optische Sichtmodulen. Daten von diesen völlig unterschiedlichen Quellen müssen integriert werden, um das zu durchquerende Gelände oder den Raum zu beschreiben. Jedoch werden die Eingangsgrößen, die es über die Umgebung von diesen verschiedenen Quellen - Bild-verstehende Software, Karten, Satelliten - erhält, höchstwahrscheinlich unbestimmt und unvollständig sein. Diese Information kann unbestimmt sein, weil es Beweise geben könnte, die die Daten stützen, aber es könnte auch Beweise geben, die die Daten widerlegen. Für das Beispiel eines halbautonomen Planeten-Fahrzeuges könnte die Bild-verstehende Software ermitteln, daß ein gewisser Bereich aus verdichtetem Schotter aufgebaut ist, was sicher sein würde, aber der Glaubwürdigkeitsgrad könnte nicht 100% sein und der fragliche Bereich könnte auch losen Schotter enthalten, was unsicher ist. Die Information kann unvollständig sein, da gewisse Abschnitte von dem Gelände für die Sensoren nicht zugänglich sein können oder Merkmale enthalten können, die von den Sensoren nicht unterschieden werden können.
Um in einer Umgebung zu navigieren, die nicht vollständig bekannt ist und verstanden wird, muß das Navigationsmodul mit der unbestimmten Information logisch umgehen und den besten Weg berechnen - Kriterien wie beispielsweise kürzeste Entfernung, minimale Zeit und kleinster Energieverbrauch - der auch die Sicherheit des Fahrzeuges garantiert.
Bestehende Systeme sind im wesentlichen deterministisch, da sie einem festen Satz von Regeln folgen und vollständige und sichere Daten über die zu durchguerende Umgebung annehmen. Wenn diese Annahme unrichtig ist, versagt üblicherweise das Navigationssystem.

Zusammenfassung der Erfindung

Gemäß einem ersten Aspekt der Erfindung wird ein Verfahren geschaffen zum Navigieren eines halbautonomen Fahrzeugs, wobei das Verfahren enthält: Abtasten von Zuständen auf dem Terrain bzw. Gelände innerhalb einer Sensorentfernung; Erzeugen von Rohbilddaten über das Terrain; Extrahieren von Merkmalen aus den Rohdaten in der Form von Merkmalsdaten für mehrere lokale Regionen auf dem Terrain und Verarbeiten der Merkmalsdaten, um die relative Sicherheit des Bewegens des halbautonomen Fahrzeugs von wenigstens einer der lokalen Regionen zu einer benachbarten lokalen Region zu ermitteln, gekennzeichnet durch
Definieren von Variablen für jedes der Merkmale unter der Verwendung von Fuzzy-Mitgliedschafts-Gliederungen;
Definieren von Fuzzy-Regeln, die einen Sicherheitswert für eine gegebene Kombination von Werten für die Variablen bestimmen; und
Eingeben von Werten für die eine lokale Region für die Variablen in die Fuzzy-Regeln und Ermitteln eines Ausgangs-Sicherheitswertes unter Verwendung eines Fuzzy-Interferenzprozesses.
Gemäß einem zweiten Aspekt der Erfindung wird ein Verfahren geschaffen zum Navigieren eines halbautonomen Fahrzeugs, wobei das Verfahren enthält: Abtasten von Zuständen auf einem Gelände bzw. Terrain innerhalb einer Sensorentfernung; Erzeugen von Rohbilddaten über das Terrain; Extrahieren von Merkmalen aus den Rohdaten in der Form von Merkmalsdaten für mehrere lokale Regionen auf dem Terrain und Verarbeiten der Merkmalsdaten, um die relative Sicherheit des Bewegens des Fahrzeuges von einer lokalen Region zu einer benachbarten lokalen Region zu bestimmen, gekennzeichnet durch
Betrachten des Terrains, wie es durch ein Bündel bzw. Cluster von sieben Sechsecken mit einem mittleren Sechseck benachbart zu jedem von sechs anderen Sechsecken dargestellt wird;
Ermitteln eines regionalen Sicherheitswertes für jedes Sechseck von dem Bündel bzw. Cluster als Antwort auf entsprechende Charakteristiken der Merkmalsdaten für jedes Sechseck von dem Bündel bzw. Cluster; und
Ermitteln eines entsprechenden direktionalen Sicherheitswertes für eine Bewegung von dem mittleren Sechseck zu jedem der anderen Sechsecke von dem Bündel bzw. Cluster als Antwort auf den regionalen Sicherheitswert von dem mittleren Sechseck und dem entsprechenden benachbarten Sechseck von dem Bündel bzw. Cluster.
Das auf unscharfer bzw. Fuzzy-Logik basierende Navigationsmodul gemäß der Erfindung hat Eingangsvariable, die für Geländetyp, Gesteinsgröße und Steigung zwischen lokalen Regionen definiert sind. Eine lokale Region ist als eine sechseckförmige Fläche innerhalb der Sensorentfernung von einem zu navigierenden Fahrzeug definiert. Das Fuzzy-Logiksystem kann auf einem Mikroprozessor an Bord des Fahrzeugs eingebettet sein. Jedem Sechseck (oder einem Paar benachbarter Sechsecke) ist ein Wert für jede Eingangsvariable zugeordnet. Diese Werte werden durch ein bildverarbeitendes Modul ermittelt, das außerhalb der vorliegenden Erfindung ist. Das Fuzzy-Logiksystem enthält weiterhin einen Satz von Regeln oder eine Wissensbasis, die in einer hierarchischen Struktur von fünf Ebenen organisiert ist. Die Ebene 1 ermittelt einen regionalen Sicherheitswert fur ein Bündel bzw. Cluster von sieben Sechsecken auf der Basis von Geländetyp und Gesteinsgröße. Die Ebene 2 ermittelt einen direktionalen Sicherheitswert für die Bewegung von der Mitte des Clusters zu seinen sechs benachbarten Sechsecken auf der Basis von regionaler Sicherheit und Steigung. Die Ebene 3 ermittelt einen neuen regionalen Sicherheitswert für das mittlere Sechseck auf der Basis der regionalen Sicherheit von den benachbarten Sechsecken. Die Ebene 4 ermittelt neue direktionale Sicherheitswerte auf der Basis von der direktionalen Sicherheit der benachbarten Sechsecke. Die Ebene 5 ermittelt finale direktionale Sicherheitswerte auf der Basis der Werte der Ebene 4 und der regionalen Sicherheit von dem mittleren Sechseck. Jedes Sechseck wird durch die Fuzzy-Regelbasis als das mittlere Sechseck von einem Cluster bearbeitet, und nach dem Bearbeiten von jedem Sechseck wird eine Karte von Sicherheitswerten zum Bewegen von jedem Sechseck zu einem benachbarten Sechseck erzeugt. Mit dieser Information kann ein bester Weg gewählt werden, um von dem einen Punkt auf dem Gelände zu einem Zielpunkt zu gelangen. Das Fuzzy-Logiksystem gemäß der Erfindung kann unter Verwendung gegenwärtig bestehender Werkzeuge (Tools) aufgebaut werden, die einem Entwickler gestatten, die Regeln in einer dem Englischen ähnlicher Hochsprache zu schreiben, die für einen Zielprozessor in einen C-Code kompiliert wird.

Kurze Beschreibung der Zeichnungen

Die Erfindung wird nun mit weiteren Einzelheiten anhand von Ausführungsbeispielen unter Bezugnahme auf die Zeichnungen beschrieben, in denen:
Figur 1 ein Blockdiagramm von einem Navigationssystem ist, in dem die Erfindung ausgeführt werden kann;
Figur 2 unscharfe Gruppenfunktionen für Geländetyp zeigt;
Figur 3 unscharfe Gruppenfunktionen für Gestein zeigt;
Figur 4 unscharfe Gruppenfunktionen für Steigung zeigt;
Figur 5 unscharfe Gruppenfunktionen für Sicherheit zeigt;
Figur 6 den unscharfen Interferenzprozeß gemäß der Erfindung zeigt;
Figur 7 eine Bewertung der Ebene 1 gemäß der Erfindung darstellt;
Figur 8 eine Bewertung der Ebene 2 gemäß der Erfindung darstellt;
Figur 9 eine Bewertung der Ebene 3 gemäß der Erfindung darstellt;
Figur 10 eine Bewertung der Ebene 4 gemäß der Erfindung darstellt; und
Figur 11 eine Bewertung der Ebene 5 gemäß der Erfindung darstellt.

Detaillierte Beschreibung der Erfindung

In Figur 1 ist ein Blockdiagramm von den Modulen gezeigt, die für ein Navigationssystem von einem halbautonomen Fahrzeug erforderlich sind. Ein Sensor-Modul 10 liefert Gelände-Rohdaten an ein Bild-verstehendes Modul 12. Diese Daten könnten von einer Kamera mit einem variablen Tiefenbereich, einer 2D Stereo-Kamera oder anderen Typen von bekannten Sensoren stammen. Das Bild-verstehende Modul 12 verarbeitet die durch das Sensor-Modul 10 übertragenen Daten und entnimmt gewisse Merkmale, die identifiziert worden sind. Diese Merkmale umfassen Geländetyp (Staub, loser Sand, verdichteter Sand, loser Schotter, verdichteter Schotter und Gestein), Steigung und Steine. Es könnten auch Bilder von einem auf einer Umlaufbahn befindlichen Fahrzeug (Orbiter) verwendet werden, um die Merkmalsidentifikation und den Extraktionsprozeß zu erleitern. Nachdem das Bild-verstehende Modul 12 die Merkmalsextraktion aus dem laufenden Sektor innerhalb der Sensorentfernung abgeschlossen hat, wird die Merkmals-Information in einer gewissen vordefinierten Weise formatiert und dann zum Navigations-Modul 14 übertragen. Das Navigations-Modul 14 benutzt Vorabinformation (ein im voraus berechneter Weg auf der Basis von Bildern, die von einem Orbiter gesammelt und zur Erde übertragen sind) zusammen mit Merkmalen, die örtlich durch das Sensor-Modul 10 und das Bild-verstehende Modul 12 ermittelt sind, um einen lokalen Weg für das Fahrzeug zu berechnen, der die Abweichung von dem im voraus berechneten Weg minimiert, während ein minimaler Objektfreiraum, Inklination und andere Sicherheitsparameter bei der Durchfahrt beibehalten werden. Der berechnete sichere Weg wird dann zu einem Führungs-Modul 16 gesendet. Das Führungs-Modul 16 berechnet die erforderlichen Steuerbefehle aus den Weg- Koordinaten unter Verwendung des Fahrzeug-Ortes und sendet diese Information zum Mobilitäts-Modul 18. Das Mobilitäts-Modul 18 empfängt, verarbeitet und implementiert die Steuerbefehle, die von dem Führungsmodul 16 gesendet sind, und überwacht auch die Bewegung des Fahrzeugs und managed die Schnittstellen mit den Systemen unterer Ebenen oder Moduln, wie Motoren, Steuerungen, Rückführungssysteme und Sensoren. Nach Abschluß der Sammlung lokaler Sensordaten, Bildverarbeitung, Navigation und Bewegungen befindet sich das Fahrzeug in einer neuen Position, und der Zyklus wiederholt sich.
Die vorliegende Erfindung ist auf das Navigations-Modul 14 gerichtet. Das besondere Problem, das durch die vorliegende Erfindung gelöst wird, besteht darin, wie die große Informationsmenge, die aus den Bild-verstehenden Moduln 12 über den Geländetyp, Steigung und Steine innerhalb eines gegebenen Sektors extrahiert wird, in einer derartigen Weise verarbeitet wird, daß eine brauchbare Eingabe in verschiedene bekannte wegplanende Algorithmen zu geliefert wird. Unscharfe bzw. Fuzzy-Logik wird als der zugrundeliegende logisch begründende Mechanismus verwendet, um Regionen innerhalb des Sektors zu bezeichnen, daß sie einen gewissen Grad an Sicherheit haben, und somit wird die Erfindung hier als ein unscharfer Regionsklassifizierer bezeichnet. Neben Sicherheit könnten auch andere mögliche Parameter, wie beispielsweise Kraftstoffverbrauch, Durchquerbarkeit der Region, Kohäsion des Geländetyps, Entfernung von einem gegenwärtigen zu einem Zielsechseck und Entfernung vom Start zum gegenwärtigen Sechseck, verwendet werden, aber die hier beschriebene Implementation verwendet Sicherheit als das Kritenum zum Berechnen eines festen Weges. Zur Beschreibung der vorliegenden Erfindung kann angenommen werden, daß das Bildverstehende Modul 12 in der Lage ist, Merkmale zu analysieren, die in sechseckförmigen Flächen von einer Größe enthalten sind, die gleich der Auflösung des Bild-verstehenden Moduls 12 ist, die beispielsweise ein Meter betragen kann. Jedem Sechseck sind die Attribute oder Merkmale zugeordnet, die durch das Bild-verstehende Modul 12 extrahiert werden. Jedes Sechseck hat einen Geländetyp (einen Traktions-Koeffizienten), sechs Steigungswerte (Zehntel Meter relativ zu seinen sechs benachbarten Sechsecken), einen Gesteinswert (Größe in Zentimetern) und Koordinaten in einem vom Benutzer definierten Koordinatensystem.
Die Eingabe in das Navigationsmodul gemäß der Erfindung ist ein Satz von Sechsecken, wie es oben erläutert wurde. Wie weiterhin oben erläutert wurde, wird unscharfe oder Fuzzy-Logik verwendet, um einen Sicherheitswert für jedes Sechseck auf der Basis der Charakteristiken von jedem Sechseck zu ermitteln. Fuzzy-Logik ist eine Formulierung von Logik, die mit unscharfen Konzepten, wie beispielsweise sehr, wenige und viele, in einem strengen mathematischen Rahmen umgeht. Sie verwendet Regeln der Art WENN .... DANN, die aus linguistischen Variablen gebildet sind. Eine linguistische Variable ist eine, deren Wert ein oder mehrere Wörter anstatt einer Zahl ist. Beispielsweise hat in der Feststellung "Luft ist heiß" die linguistische Variable, Temperatur, den linguistischen Wert "heiß" für Luft. Die mathematische Theorie von unscharfer oder Fuzzy-Logik ist der Technik allgemein bekannt, und es gibt viele Schriften, die den Weg beschreiben, in der der unscharfe Inteferenzprozeß einen Satz von Fuzzy-Regeln auf einen Satz von linguistischen Eingangsvariablen (deren Werte selbst bestimmt oder unscharf sein können) anwenden, um scharfe (nicht-unscharfe) Werte für einen Satz von linguistischen Ausgangsvariablen zu ermitteln. Die gleichzeitig übertragene, anhängige Patentanmeldung mit der Anmeldenummer 07/775,873 liefert eine derartige detaillierte Beschreibung von dem unscharfen Interferenzprozeß.
Bei der Schaffung des Navigations-Moduls gemäß der vorliegenden Erfindung wurde viel von der Software automatisch durch den Fuzzy-C Compiler von Togai Infralogic, Inc., generiert. Dieses Werkzeug (Tool) gestattet dem Entwickler, die Fuzzy-Logik-Wissensbasis in einer dem Englischen ähnlichen Hochsprache (siehe Anhang A) aufzubauen. Wenn die Regeln fertig aufgestellt sind, werden sie in C umgewandelt, das mit anderen Software-Moduln verbunden werden kann. Die Fuzzy-Logik-Wissensbasis kann auch in Assembler-Code für einen Zielprozessor umgewandelt werden unter Verwendung von Togai Infralogik FPL (Micro Fuzzy Programming Language) Development System. Dies ist ein Satz von Werkzeugen zum Entwickeln von auf einem Mikroprozessor basierenden, eingebetteten unscharfen Logiksystemen. Mit den geeigneten Compilern und/oder Assemblern kann das unscharfe Logiksystem gemäß der Erfindung in ein Navigationssystem eingebettet werden, wie es beispielsweise in Figur 1 gezeigt ist.
Anhang A enthält eine vollständige Quellcode-Liste, die die vorliegende Erfindung verkörpert, Nach dem Compilieren von diesem Quellcode kann eine Objektcode-Version von dem Programm auf einem Zielmikroprozessor erstellt werden, um die unscharfe Region-Klassifizierung auszuführen, die einen Eingangssatz von Sechsecken ergibt, wie es oben erläutert wurde. Jedes Sechseck wird in bezug auf die darin enthaltenen Regeln evaluiert, und das Ergebnis ist ein direktionaler Sicherheitswert, der jedem Paar benachbarter Sechsecke zugeordnet wird. Anhang A enthält die vollständige Beschreibung aller verwendeter linguistischer Variablen und ihrer entsprechenden durch Terme gesetzter Definitionen und eine vollständige Beschreibung aller Regeln, die verwendet werden, um Richtungs- und Sicherheitswerte zu ermitteln. Jedes Sechseck ist von sechs Nachbar-Sechsecken umgeben, und die unscharfen Regeln berücksichtigen nicht nur die Charakteristiken von dem Sechseck, das klassifiziert wird, sondern auch die Charakteristiken von seinen Nachbar-Sechsecken.
Das Klassifikations-Schema gemäß der Erfindung ist in eine hierarchische Struktur mit fünf Ebenen (Levels) unterteilt. Jede Ebene untersucht gewisse Charakteristiken der Sechsecke und möglicherweise der Nachbar-Sechsecke, um die Sicherheitswerte für dieses Sechseck zu ermitteln. Die Ergebnisse von unteren Klassifikationsebenen werden als Eingang in eine höhere Ebene geliefert. Nach der Beschreibung der Eingangsvariablen werden diese fünf Ebenen der Regeln beschrieben.
Es sind sechs Geländetypen definiert. Diese umfassen Staub, losen Sand, verdichteten Sand, losen Schotter, verdichteten Schotter und Gestein. Figur 2 zeigt die Mitgliedschaftsbzw. Gruppenverteilungen für diese Klassen. Der Geländeeingang kann einen Wert von 0 bis 175 haben. Diese Zahl stellt den Geländetyp dar, wie er durch die Charakterisierung von seinem Reibungscoeffizienten durch das Bild-verstehende Modul ermittelt ist.
Es sind drei Typen von Steinen definiert: klein, mittel und groß. Figur 3 zeigt die Mitgliedschafts- bzw. Gruppenverteilungen für diese Klassen. Die Domäne stellt Zentimeter dar.
Die letzte Eingabe ist die Steigung. Es gibt drei Klassen für die Höhenänderung zwischen zwei benachbarten Sechsecken: klein, mittel und groß. Figur 4 stellt die Mitgliedschafts- bzw. Gruppenverteilungen für diese Klassen dar. Die Domäne stellt Höhenänderung in Zehntel Meter dar.
Die Ausgangsgröße des unscharfen Inteferenzprozesses gemäß der Erfindung sind sechs direktionale Sicherheitswerte für jedes Sechseck, die den Grad an Sicherheit für das Fahrzeug darstellen, von dem Sechseck aus eine bestimmte Richtung anzusteuern. Die direktionale Sicherheit hat drei Klassen: klein, mittel und groß. Figur 5 zeigt die Mitgliedschafts- bzw. Gruppenverteilungen für diese drei Klassen. Der Sicherheitswert stellt den Grad an Vertrauen oder Glauben auf einer Skala von bis 100 dar.
Um zu endgültigen direktionalen Sicherheitswerten für jedes Sechseck zu kommen, verwendet die Fuzzy-Logik-Wissensbasis gemäß der Erfindung über 200 Regeln, die in einer hierarchischen Struktur organisiert sind, die in fünf Ebenen aufgebaut ist, Jedes Sechseck und seine umgebenden Sechsecke werden einzeln in bezug auf diese fünf Ebenen der Regeln untersucht, um die sechs direktionalen Sicherheitswerte für das mittlere Sechseck zu ermitteln. Die Regeln müssen deshalb so viele Male angewendet werden, wie es Sechsecke gibt, die in das System eingegeben werden. Alle Regeln für jede der fünf Ebenen sind in Anhang A enthalten. Als nächstes werden die verschiedenen Ebenen und ihre Funktionen beschrieben.
Ebene 1 ermittlt einen regionalen Sicherheitswert für ein Sechseck und seine umgebenden Sechsecke (ein Bündel bzw. Cluster). Ein Beispiel für eine Regel (Rule) 1 ist:
Die Regel hat zwei Bedingungen in der Voraussetzung. Die erste Bedingung prüft den Geländetyp, ob er von der Klasse packed_gravel (verdichteter Schotter) ist, und die zweite prüft, ob die Steine klein sind. Der Grad, bis zu dem dieses Sechseck sicher ist, hängt davon ab, wie gut die zwei Bedingungen zusammenpassen. Figur 6 zeigt graphisch das folgende Beispiel. Es sei angenommen, daß das Bild-verstehende Modul das Gelände dahingehend charakterisiert, daß es einen Wert von 115 für den Geländetyp hat, und es ermittelt, daß der größte Stein einen Durchmesser von etwa 25 cm hat. Die Regel (Rule) packed_gravel_1_hex0_rule wird evaluiert und berechnet einen Sicherheitswert von etwa 75. Da der terrain_type nur eine teilweise Anpassung mit der packed_gravel Klasse ist, wird die Ausgangsgröße von dieser Rule auf diesen Grad der Anpassung verkleinert. Dieser Sicherheitswert wird ermittelt, indem der Flächenschwerpunkt von der schattierten Fläche in Figur 6 berechnet wird. Gewöhnlich werden weitere Regeln evaluiert und tragen zu der endgültigen Ausgangsgröße bei. Zahlreiche schattierte Flächen, die positiven Regelausgangsgrößen entsprechen, werden kombiniert, und der Flächenschwerpunkt von den kombinierten Flächen wird der Ausgangswert für eine Sicherheitsvariable. Es können auch andere bekannte Ausgangs-Defuzzyfikationsmethoden neben dem Flächenschwerpunkt verwendet werden. Das Ergebnis der Regelevaluationen der Ebene 1 ist ein regionaler Sicherheits wert für jedes Sechseck in dem Cluster. Wenn in Figur 7 das Sechseck 10 den Geländetyp von Staub hat, dann ist es nicht sicher mit einem extrem hohen Grad an Vertrauen, unabhängig von irgendwelchen anderen Merkmalen, die es haben könnte.
Ebene 2 berechnet sechs direktionale Sicherheitswerte für jedes Sechseck. Figur 8 zeigt ein Beispiel von einem hohen direktionalen Sicherheitswert. Eine Bewegung vom Sechseck 10 zum Sechseck 20 würde sicher sein mit einem sehr hohen Grad an Vertrauen, wenn die Steigung klein ist und es keine Merkmale gibt, die entweder das Sechseck 10 oder das Sechseck 20 unsicher machen.
Ebene 3 prüft die Kreuzkopplung der regionalen Sicherheitswerte der Ebene 1 zwischen benachbarten Sechsecken. Wenn in Figur 9 das Sechseck 20 nicht sicher ist, dann wird das Sechseck 10 weniger sicher gemäß den Fuzzy-Regeln in Ebene 3. Dies gestattet einen minimalen Freiraum von einer Sechseckbreite von einem besonders unsicheren Sechseck.
Ebene 4 prüft die Kreuzkopplung von den direktionalen Sicherheitswerten der Ebene 2. Der gegenwärtige direktionale Sicherheitswert wird weniger sicher an dieser Ebene, wenn es einen benachbarten direktionalen Sicherheitswert gibt, der nicht sicher ist.
Wenn in Figur 10 der direktionale Sicherheitswert beim Bewegen vom Sechseck 10 zum Sechseck 20 klein ist, dann würden die Regeln der Ebene 4 folgern, daß eine Bewegung vom Sechseck 10 zum Sechseck 30 oder Sechseck 40 ebenfalls unsicher ist.
Ebene 5 prüft die Kreuzkopplung der regionalen Sicherheitswerte der Ebene 3 mit den direktionalen Sicherheitswerten der Ebene 4. An der Ebene 5 wird ein direktionaler Sicherheitswert als unsicher ermittelt, wenn der Sicherheitswert des Sechseckes klein ist. Wenn in Figur 11 der regionale Sicherheitswert von dem Sechseck 10 klein ist, dann wird die direktionale Sicherheit von allen sechs Richtungen verkleinert.
Die direktionalen Sicherheitswerte, die während der Ebene 5 ausgegeben werden, sind die endgültigen direktionalen Sicherheitswerte, die berechnet wurden. Diese Sicherheitswerte werden in irgendeiner von einer Anzahl bekannter Algorithmen eingegeben, die einen "besten" Weg berechnen können, der einen gewissen Sicherheitswert beibehält, während die Abweichung von einem im voraus berechneten Weg minimiert wird, der auf nichtlokalen Daten basiert, wie es früher beschrieben wurde. Ein Beispiel für einen einfachen Algorithmus ist einer, der auf einer besten ersten Suche basiert.
Es sei bemerkt, daß konventionelle logische Systeme verwendet werden könnten, um die Ergebnisse der vorliegenden Erfindung zu erzielen, aber bei höheren Kosten. Derartige Systeme würden eine viel größere Anzahl von Regeln (Rules) erfordem. Diese Regeln könnten viel schwieriger zu lesen und zu schreiben sein und würden somit die Wissensbasis schwieriger zu prüfen, korrigieren und zu warten sein. Es hätten auch andere Techniken entwickelt werden können, jedoch würde ein genaues Modell sehr teuer zu entwickeln sein. In einer Umgebung, die viele Unbekannte hat, würde eine auf einem Modell basierende Lösung schwieriger abzustimmen sein, da das System Daten sammelt und neue Situationen erfährt. Das vorliegende, auf Regeln basierende System, das eine unscharfe oder Fuzzy-Logik verwendet, kann ungewisse und unvollständige Daten aufnehmen und kann selbst-abstimmende Mechanismen unterstützen. ANHANG "A"

Claims

1. Verfahren zum Navigieren eines halbautonomen Fahrzeugs, enthaltend: Abtasten von Zuständen auf dem Terrain innerhalb einer Sensorentfernung; Erzeugen von Rohbilddaten über das Terrain; Extrahieren von Merkmalen aus den Rohdaten in der Form von Merkmalsdaten für mehrere lokale Regionen auf dem Terrain und Verarbeiten der Merkmalsdaten, um die relative Sicherheit des Bewegens des halbautonomen Fahrzeugs von wenigstens einer der lokalen Regionen zu einer benachbarten lokalen Region zu ermitteln,

gekennzeichnet durch

Definieren von Variablen für jedes der Merkmale unter Verwendung von Fuzzy-Mitgliedschafts-Gliederungen;

Definieren von Fuzzy-Regeln, die einen Sicherheitswert für eine gegebene Kombination von Werten für die Variablen bestimmen; und

Eingeben von Werten für die eine lokale Region für die Variablen in die Fuzzy-Regeln und Ermitteln eines Ausgangs- Sicherheitswertes unter Verwendung eines Fuzzy-Interferenzprozesses.

2. Verfahren nach Anspruch 1, wobei der Schritt des Definierens von Fuzzy-Regeln regionale Sicherheitswerte und direktionale Sicherheitswerte für mehrere lokale Regionen bestimmt; der Schritt des Eingebens von Werten auch das Eingeben von Werten für benachbarte lokale Regionen in die Fuzzy-Regeln und Ermitteln von mehreren direktionalen Sicherheitswerten für die lokale Region enthält; und die Schritte für jede lokale Region auf dem Terrain wiederholt werden.

3. Verfahren nach Anspruch 2, wobei die Fuzzy-Regeln in mehreren Ebenen organisiert werden und die Ausgaben von jeder tieferen Ebene Eingaben in eine höhere Ebenen sind.

4. Verfahren nach Anspruch 3, wobei regionale Sicherheitswerte und direktionale Sicherheitswerte von einer lokalen Region regionale und direktionale Sicherheitswerte für benachbarte lokale Ebenen an mehreren Pegeln beeinflussen.

5. Verfahren zum Navigieren eines halbautonomen Fahrzeugs, enthaltend: Abtasten von Zuständen auf einem Terrain innerhalb einer Sensorentfernung; Erzeugen von Rohbilddaten über das Terrain; Extrahieren von Merkmalen aus den Rohdaten in der Form von Merkmalsdaten für mehrere lokale Regionen auf dem Terrain und Verarbeiten der Merkmalsdaten, um die relative Sicherheit des Bewegens des Fahrzeuges von einer lokalen Region zu einer

benachbarten lokalen Region zu bestimmen, gekennzeichnet durch

Betrachten des Terrains, wie es durch ein Bündel bzw. Cluster von sieben Sechsecken mit einem mittleren Sechseck benachbart zu jedem von sechs anderen Sechsecken dargestellt ist;

Ermitteln eines regionalen Sicherheitswertes für jedes Sechseck von dem Bündel bzw. Cluster als Antwort auf entsprechende Charakteristiken der Merkmalsdaten für jedes Sechseck von dem Bündel bzw. Cluster; und

Ermitteln eines entsprechenden direktionalen Sicherheitswertes für eine Bewegung von dem mittleren Sechseck zu jedem der anderen Sechsecke von dem Bündel bzw. Cluster als Antwort auf den regionalen Sicherheitswert von dem mittleren Sechseck und dem entsprechenden benachbarten Sechseck von dem Bündel bzw. Cluster.

6. Verfahren nach Anspruch 5, wobei ferner ein aktualisierter regionaler Sicherheitswert für das mittlere Sechseck ermittelt wird als Antwort auf die regionalen Sicherheitswerte der anderen Sechsecke von dem Bündel bzw. Cluster.

7. Verfahren nach Anspruch 5, wobei ferner ein entsprechender erster, aktualisierter, direktionaler Sicherheitswert ermittelt wird für die Bewegung von dem mittleren Sechseck zu jedem der anderen Sechsecke in dem Bündel bzw. Cluster als Antwort auf die direktionalen Sicherheitswerte.

8. Verfahren nach Anspruch 7, wobei ferner ein entsprechender, zweiter, aktualisierter, direktionaler Sicherheitswert ermittelt wird für die Bewegung von dem mittleren Sechseck zu jedem der anderen Sechsecke in dem Bündel bzw. Cluster als Antwort auf die ersten, aktualisierten, direktionalen Sicherheitswerte und dem aktualisierten regionalen Sicherheitswert von dem mittleren Sechseck.

9. Verfahren nach Anspruch 5, wobei die Charakteristiken der Merkmalsdaten ausgewählt werden aus der Gruppe bestehend aus Staub, losem Sand, verdichtetem Sand, losem Schotter, verdichtetem Schotter, Steinen, Steigung des Terrains zwischen benachbarten Sechsecken und Kombinationen davon.