The goal of the research project ROREAS (Robotic Rehabilitation Assistant for Stroke Patients) is the development of a robotic rehabilitation assistant for the self-training of stroke patients. The self-training aims at improving the walking and orientation skill of the patient. It consists mainly of a goal oriented movement in an environment of a rehabilitation center. The self-training is mostly performed on the hallways connecting the patient’s rooms. Due to the structure of the building or objects staying in the hallways the lateral space is limited forming narrow passages. Moving in such a confined space imposes deadlocks in narrow passages. Since a polite and attentive navigation is an important requirement for an assistive robot, these deadlock situations must be recognized in advance to trigger a proactive reaction. In this master thesis an approach is presented for anticipating deadlock situations caused by narrow passages. In a nutshell, situations concerning narrow passages are captured by real-valued feature vectors. Basically, the features capture the structure of the environment along the robot's movement in terms of a possible narrow passage and the possible space conflicts caused by a person. As part of the features, the movement of the persons are predicted allowing the robot to forecast possible space conflicts resulting in the considered problematic situations. By grouping the feature vectors into classes representing the appropriate treatments of their corresponding situation, the recognition task becomes a classification problem. Thus, a classifier which solve this classification problem can be used to map each feature vector which represents a situation directly to the appropriate treatment. A linear support vector machine and a handcrafted decision tree is used as a classifier. The experimental evaluations show that the used features are good suitable for recognizing deadlock situations. The decision tree performed better on the dataset of this thesis as the linear support vector machine.
Zusammenfassung: Im Rahmen des Forschungsprojektes ROREAS (Interaktiver robotischer Reha-Assistent für das Lauf- und Orientierungstraining von Patienten nach Schlaganfällen) soll ein robotischer Laufassistent für eine Klinikumgebung entwickelt werden. Der Roboter soll Schlaganfallpatienten bei ihrem eigenständigen Lauftraining unterstützend begleiten. Das Lauftraining wird hauptsächlich auf den Korridoren der Klinik ausgeführt. Auf diesen Korridoren können Engstellen auftreten. Wenn der Roboter und eine Person sich gleichzeitig durch eine Engstelle bewegen, kann dies zu Verklemmungssituationen führen. Zur Gewährleistung einer höflichen und nutzerzentrierten Navigation, die ein wichtiger Bestandteil für die soziale Akzeptanz des Roboters ist, müssen Verklemmungssituationen im Voraus erkannt werden, um rechtzeitig eine Behandlung einzuleiten. Ziel der vorliegenden Masterarbeit ist die Entwicklung eines Verfahren zur vorausschauenden Erkennung von Verklemmungssituationen. Zur Erkennung von Verklemmungen werden Engstellensituationen durch reellwertige Merkmalsvektoren beschrieben. Diese erfassen die Platzkonflikte des Roboters mit einer Person in Bezug auf erkannte Engstellen. Als Teil der Merkmale wird die Bewegung von Personen prädiziert, um Platzkonflikte vorherzusagen, die möglicherweise zu Verklemmungen führen können. Indem die Merkmalsvektoren zu Klassen zusammengefasst werden, welche die Behandlung ihrer entsprechenden Situation repräsentiert, kann die Erkennung von Verklemmungssituationen als Klassifikationsproblem betrachtet werden. Folglich kann ein Klassifikator eingesetzt werden, um die Situationen direkt auf ihre Behandlung abzubilden. Als Klassifikatoren wurden in dieser Arbeit eine lineare Support Vektor Maschine und ein manuell designter Entscheidungsbaum genutzt. Die experimentellen Untersuchungen dieser Arbeit zeigen, dass der gewählte Merkmalsraum geeignet ist, um Verklemmungssituationen zu erkennen. Der Entscheidungsbaum erzielte dabei auf den Datensätzen dieser Arbeit eine bessere Erkennungsrate als die lineare Support Vektor Maschine.
Ilmenau, Techn. Univ., Masterarbeit, 2014