05 Fakultät Informatik, Elektrotechnik und Informationstechnik

Permanent URI for this collectionhttps://elib.uni-stuttgart.de/handle/11682/6

Browse

Filters

20202

Settings

Publication Type: search.filters.UBSTyp.Abschlussarbeit (Bachelor)Subject: search.filters.subject.620

Search Results

Now showing 1 - 2 of 2
  • Thumbnail Image
    ItemOpen Access
    Efficient sampling of transition constraints for motion planning under sliding contacts
    (2020) Khoury, Marie Therese
    In contact-based motion planning we consider for humanoid and multiped robots problems like going up a staircase, walking over an uneven surface or climbing a steep hill. Solving such tasks requires finding sequences of fixed and sliding contacts and planning the transition from one contact in the environment to another. However, most existing algorithms do not take sliding contacts into account for navigation problems or consider them only for manipulation scenarios. We propose an approach to contact-based planning that uses sliding contacts and exploits contact transitions. Such transitions are elementary operations required for whole contact sequences. To model sliding contacts, we develop a sliding contact constraint that permits the robot to slide on an object’s surface. To exploit contact transitions, we utilize three constraint modes to enable passage: contact with a start surface, no contact and contact with a goal surface. We develop a sampler that samples these transition modes uniformly. In this thesis we focus on the motion of one robot link’s end from an initial contact point toward a designated goal surface while the other end of the robot remains in sliding contact with the initial surface. Our method is evaluated by testing it on manipulator arms of two, three and seven degrees of freedom with different objects and various sampling-based planning algorithms. From the considered manipulator arm, it would be possible to transfer our concept to more complex robots and scenarios and extend it to a whole sequence of contacts.
  • Thumbnail Image
    ItemOpen Access
    Konzeption und Entwicklung eines Assistenzsystems für die medizinische Diagnostik mittels maschineller Lernalgorithmen
    (2020) Maleki Pilevar, Samira
    Im Umfeld der Medizintechnik müssen in der Zukunft automatisierte Systeme entwickelt werden, die den Menschen bei der Steigerung ihrer Lebensqualität unterstützen können, und zwar durch die Intelligenz der Systeme. Dies kann durch die Integration von künstlicher Intelligenz in die Soft- und Hardware von automatisierten Systemen mit medizinischen Zwecken erreicht werden. Diese Arbeit befasste sich mit der Anwendung von künstlicher Intelligenz zur medizinischen Präventionsdiagnostik. Hierzu wurden in dieser Arbeit zunächst die Begriffe der künstlichen Intelligenz und des maschinellen Lernens ausführlich erläutert. Darauffolgend wurden die Lernstile, Modelltypen und Algorithmen des maschinellen Lernens thematisiert und nach ihren Eigenschaften kategorisiert. Zudem wurde eine Literaturrecherche zu bestehenden Anwendungen der künstlichen Intelligenz im Feld der Medizintechnik in aktuellen Forschungsansätzen und Technologien durchgeführt. Dabei wurde eine Forschungslücke im Stand der Technik hinsichtlich der Anwendung softwarebasierter medizinischer Präventionsdiagnostik unter Einsatz künstlicher Intelligenz identifiziert. Um diese Forschungslücke zu schließen, wurde in der vorliegenden Arbeit ein Konzept vorgestellt, welches auf der Entwicklung eines Assistenzsystems basiert. Dieses Assistenzsystem umfasst drei Vorhersagemodelle zur Bestimmung der Krankheitsrisiken und Präventivmaßnahmen jeweils eine Krankheit, nämlich Erkältungen, Bluthochdruck und Hypercholesterinämie. Die Vorhersagemodelle wurden automatisiert mittels linearer Regression basierend auf simulierten Gesundheitsdaten generiert. Da in dieser Arbeit keine realen Gesundheitsdaten für die Entwicklung der Vorhersagemodelle zur Verfügung standen, wurden diese in MATLAB unter Berücksichtigung des medizinischen Wissens simuliert. Das Assistenzsystem wurde in MATLAB programmiert und kann als Software auf allen Betriebssystemen installiert werden. In diesem Assistenzsystem werden nach Eingabe der Gesundheitsdaten der Benutzer die Krankheitsrisiken sowie die Präventivmaßnahmen zur Verringerung der Risiken ermittelt. Durch den kontinuierlichen Einsatz des Assistenzsystems bei den Benutzern werden die Trainingsdaten ständig erweitert und infolgedessen die Vorhersagemodelle verbessert.