MasterarbeitLatex/VorlageTeX/fazit.tex

\chapter{Zusammenfassung, Fazit und Ausblick}
Im letzten Kapitel wird nun eine kurze Zusammenfassung der gesamten Arbeit vorgestellt, ein abschließendes Fazit ermittelt und ein Ausblick gegeben.

\section{Zusammenfassung}
In dieser Arbeit sollte der Einsatz von Machine Learning für eine Roboternavigation mittels einer allgemeinen und speziell auf den Einsatzort trainierten Türdetektion mit allgemeiner Hindernisvermeidung untersucht werden. Die Hindernisvermeidung wurde durch ein vortrainiertes Depth-Estimation-Machine-Learning-Modell realisiert. Dieses extrahiert eine Tiefenkarte für einen Algorithmus zur Hindernisvermeidung. Die Türdetektion dient als Grundlage für einen Algorithmus zur Zielnavigation. \\
 Als Hardwareplattform diente ein Android-Smartphone, da hier CPU, GPU, Kamera und Betriebssystem in einem kompakten Gerät zusammengefasst sind. Dadurch hat sich auch eine Limitierung der Hardware ergeben. Die Implementierung der trainierten Machine-Learning-Modelle wurden mit dem Framework TensorFlow Lite und einer Türdetektion als Objektdetektion basierend auf der Single-Shot-MultiBox-Detector-Architektur realisiert. Das Training für die Türdetektion-Machine-Learning-Modelle wurde mittels der TensorFlow Object Detection API mit einem selbst angefertigten gelabelten Datensatz und auf Basis vortrainierter Netze durchgeführt. Anschließend wurden die verschiedenen Türdetektion-Netze evaluiert und in das TensorFlow-Lite-Format für die Inferenz auf dem Smartphone umgewandelt. Mit den trainierten Türdetektion- und Depth-Estimation-Modellen, den dazugehörigen Algorithmen und einem Zustandsautomat wurde die Roboternavigation durch ein Experiment mit mehreren Setups evaluiert. Hier wurde vor allem die allgemeine mit der speziell auf den Einsatzort trainierten Türdetektion verglichen und die Performance der Hindernisvermeidung und Gesamtnavigation aus Zielnavigation und Hindernisvermeidung untersucht.


\section{Fazit}
Diese Arbeit zeigt, dass es möglich ist eine funktionierende Roboternavigation auf Basis von Machine Learning im Computer Vision Bereich zu entwickeln. Die Ergebnisse aus der Evaluierung zeigen aber auch die Herausforderungen dieses Ansatzes. Die Türdetektionen müssen auf Fehldetektionen abgesichert werden. Zudem ist die Generalisierungsfähigkeit der trainierten Netze entscheidend für den Praxiseinsatz. In dieser Thematik lässt sich auch abschließend beantworten, dass eine allgemeine Türdetektion nicht mit dem Datensatz dieser Arbeit zuverlässig entwickelt werden kann. Die Türdetektion, die speziell auf die Türen in den Räumlichkeiten der codemanufaktur GmbH trainiert wurde, hat zu einer zuverlässigeren Zielnavigation geführt als die allgemeine Türdetektion. Der größte Schlüsselfaktor sind die Daten für das Training der Machine-Learning-Modelle, aber auch die Architektur der Netze auf die Eigenschaften Merkmale gut zu extrahieren bei effizienten Berechnungen.

\section{Ausblick}
In Zukunft werden weitere verbesserte Netze entwickelt werden, die die Fortschritte im Bereich von Computer Vision mittels Machine Learning verbessern werden. Dadurch werden auch die Möglichkeiten des Einsatzes von Machine Learning in der mobilen Robotik steigen. Die größten Herausforderungen bleiben dabei aber, die Daten für das Training dieser Machine-Learning-Modelle zu bekommen. Bisher muss man bei speziellen Problemstellungen wie einer Türdetektion selber die Daten beschaffen, daher wäre es wichtig Machine-Learning-Modelle zu trainieren, die auch bei geringerer Trainingsdatenmenge gut generalisieren können. Ein weiterer Punkt ist die Inferenz der Machine-Learning-Modelle weiter zu optimieren, damit auch nicht so leistungsfähige Hardware für Machine-Learning-Projekte eingesetzt werden kann.