MasterarbeitLatex/VorlageTeX/einleitung.tex

\chapter{Einleitung}
\label{sec:einleitung}
Der Bereich des Machine Learnings bietet immer mehr Möglichkeiten, komplexe Problemstellungen zu lösen, insbesondere im Computer Vision Umfeld \cite[504\psqq]{Goodfellow.2018}. Diese Bereiche nehmen auch in der mobilen Robotik eine wichtige Rolle ein und kommen hier auch verstärkt für die Navigation zum Einsatz. Die Umsetzung von Computer Vision erfolgt aus der Auswertung von Bildern einer Mono-, Stereo- oder RGB-D Kamera mittels Algorithmen. Diese Algorithmen basieren immer mehr auf Machine Learning, speziell Deep Learning.

\section{Problemstellung}
Diese Arbeit soll die Umsetzung einer Navigation eines mobilen Roboters mit einer Monokamera, konkret mit einem Smartphone (siehe Abbildung \ref{fig:Roboter}), mittels Computer Vision durch ein Machine- / Deep-Learning-Ansatz untersuchen. Die Navigation basiert dabei auf einer Zielnavigation ohne Positionsbestimmung und ohne Kartierung der Umgebung, und einer allgemeinen Hindernisvermeidung. Die Zielnavigation wird als Objektdetektion von Türen in Innenbereichen realisiert. Zudem soll hier untersucht werden, wie eine allgemeine Türdetektion im Vergleich zu einer speziell auf Türen im späteren Einsatzbereich trainierten Objektdetektion funktioniert.

\begin{figure}[htbp]
  \centering  
  \includegraphics[scale=0.1]{img/Roboter.jpg}
  \caption{Roboter mit Smartphone}
  \label{fig:Roboter}
\end{figure}

\section{Ziel der Arbeit}
 Ziel der Arbeit ist es, eine funktionierende Roboternavigation auf Basis von Machine Learning zu realisieren und eine Aussage darüber zu treffen, ob diese auch so entwickelt werden kann, dass diese in jedem Innenbereich funktioniert. Zudem sollen Erkenntnisse gewonnen werden, wie aktuelle Machine-Learning-Modelle im wissenschaftlichen Umfeld für die Roboternavigation dieser Arbeit verwendet werden können.
 
 \section{Methodik}
 Realisiert wird die Navigation auf Basis von Machine Learning durch die Objektdetektion von Türen und der Hindernisvermeidung durch Depth Estimation, also der Schätzung einer Tiefenkarte aus einem RGB-Bild. Die verwendetete Hardware für die Ausführung der Machine-Learning-Modelle ist ein Smartphone, dessen Kamera für die Aufnahme der Eingabedaten der Netze benutzt wird. Die entwickelte App auf dem Smartphone verarbeitet die Ausgaben der Machine-Learning-Modelle, bietet ein grafisches Interface und sendet schließlich Steuerbefehle per Bluetooth zum Roboter. Für die Evaluierung der trainierten Netze wird die COCO-Metrik \cite{cocoEval.8252021} verwendet. Für die Evaluierung der Roboternavigation wird auf ein Experiment in den Räumlichkeiten der codemanufaktur GmbH zurückgegriffen.
 
 \section{Aufbau der Masterarbeit}
Im Kapitel \ref{sec:grundlagen} Theoretische Grundlagen wird auf die nötigen Grundlagen und den Möglichkeiten von Computer Vision und Machine Learning eingegangen. Zudem werden die Architekturen der später verwendteten Machine-Learning-Modelle aufgezeigt. \\
Anschließend wird auf die Methodik und Vorarbeiten zum Thema dieser Arbeit eingegangen. Dies beinhaltet die verwendtete Hardware, Frameworks, das Trainieren und Evaluieren der Machine-Learning-Modelle, relevanten Algorithmen und die Evaluierung der Roboternavigation mittels Experiment.
Im darauffolgenden Kapitel werden die Ergebnisse aus dem Experiment der Roboternavigation aufgezeigt.\\
Danach findet die Diskussion der gewonnenen Erkenntnisse und Ergebnisse dieser Arbeit statt.
Abschließend wird eine Zusammenfassung, ein Fazit und ein Ausblick gegeben.