Steffen Simon

Miro: Middleware for Autonomous Mobile Robots

Abstract Implementing software for autonomous mobile robots is a non-trivial task, because such robots incorporate several sensor systems and actuators that must be controlled simultaneously by a heterogeneous ensemble of networked computers and microcontrollers. Additionally, the use of modern software engineering technologies like object-oriented and distributed programming and client/server architectures is essential in order to maintain program code effectively. In this paper, we present Miro, a new CORBA-based robot programming framework which allows a rapid development of reliable and safe software on heterogeneous computer networks and supports the mixed use of several programming languages.

Object Classification Using Simple, Colour Based Visual Attention and a Hierarchical Neural Network for Neuro-symbolic Integration

An object classification system built of a simple colour based visual attention method, and a prototype based hierarchical classifier is established as a link between subsymbolic and symbolic data processing. During learning the classifier generates a hierarchy of prototypes. These prototypes constitute a taxonomy of objects. By assigning confidence values to the prototypes a classification request may also return symbols with confidence values. For performance evaluation the classifier was applied to the task of visual object categorization of three data sets, two real-world and one artificial. Orientation histograms on subimages were utilized as features.With the currently very simple feature extraction method, classification accuracies in the range of 69% to 90% were attained.

Object classification with simple visual attention and a hierarchical neural network for subsymbolic-symbolic coupling

An object classification system using a simple color based visual attention method, and a prototype based hierarchical classifier is established as a link between sub-symbolic and symbolic data processing. During learning the classifier generates a hierarchy of prototypes. These prototypes constitute a taxonomy of objects. By assigning confidence values to the prototypes a classification request may also return symbols with confidence values. For performance evaluation the classifier was applied to the task of visual object categorization of three data sets, two real-world and one artificial. Orientation histograms on sub-images were utilized as features. With the currently very simple feature extraction method, classification accuracies of about 75% to 90% were attained.

A Hierarchical Neural Object Classifier for Subsymbolic-Symbolic Coupling

A prototype based hierarchical classifier is established as a link between subsymbolic and symbolic data processing. During learning the classifier generates a hierarchy of prototypes. These prototypes constitute a taxonomy of objects. By assigning confidence values to the prototypes a classification request may also return symbols with confidence values.

3D object recognition for autonomous mobile robots utilizing support vector classifiers

We present a 3D visual object recognition system for an autonomous mobile robot. This object recognition system performs the following three tasks: object localisation in the camera images, feature extraction, and classification of the extracted feature vectors with support vector networks.

A Hierarchical Neural Network Model for Pattern Recognition

A hierarchical neural network architecture for classification tasks is proposed. This algorithm has been evaluated in an OCR problem. The basic components of the network architecture are LVQ and RBF networks.

Hierarchical Object Classification for Autonomous Mobile Robots

An adaptive neural 3D-object recognition architecture for mobile robot applications is presented. During training, a hierarchy of LVQ classifiers basedon feature vectors with increasingly higher dimensionality is generated. The hierarchy is extended exactly in those regions of the feature space, where objects cannot be distinguished using lowerdimensional feature vectors. During recall, this system can produce object classifications in an anytime fashion with increasingly more detailed and higher confident results. Experimental data obtained from application to two real-worldd ata sets are very encouraging. We foundman y of the confusion classes to represent meaningful concepts, with obvious implications for symbol grounding and integration of subsymbolic and symbolic representations.

Schritthaltende Objektklassifikation für einen autonomen mobilen Roboter

Der hier vorgestellte Ansatz zur schritthaltenden Objektklassifikation in einem autonomen mobilen Robotersystem wurde im Rahmen des Sonderforschungsbereichs Integration symbolischer und subsymbolischer Informationsverarbeitung in adaptiven sensormotorischen Systemen (SFB 527) entwickelt. Ziel dieses SFBs ist die Erforschung neuronaler und wissensbasierter Methoden zur symbolischen und subsymbolischen Informationsverarbeitung, sowie die Kombination und Integration dieser Verfahren auf einem autonomen mobilen Robotersystem [1]. Dieser Roboter soll sich in einer Buroumgebung zurecht finden, auf interaktiv gestellte Aufgaben reagieren konnen, beispielsweise Objekte suchen und einsammeln, Personen suchen und fuhren und mit Personen kommunizieren, sowie auf unerwartete Ereignisse in der Umwelt reagieren. Fur fast alle Aufgaben ist eine robuste und moglichst schnelle Objekterkennung unumganglich. Im folgenden wird der von uns implementierte Ansatz zur visuellen Objekterkennung beschrieben.

Ein hierarchischer neuronaler Klassifikator für die Erkennung von Einzelzeichen in mathematischen Formeltexten

In dieser Arbeit wird eine hierarchische neuronale Netzwerkarchitektur fur die Musterklassifikation vorgestellt. Die verwendeten Basisarchitekturen sind kompetitive LVQ- (learning vector quantization) und RBF-Netzwerke (radiale Basisfunktionen). Die Gesamtarchitektur des Klassifikators ist zweistufig. Die erste Klassifikatorstufe ist ein LVQ-Netz zur Grobklassifkation. Klassen die auf dieser Stufe an Verwechslungen beteiligt sind, werden zu Oberklassen, den sogenannten Verwechslungsklassen, zusammengefasst. Fur jede Verwechslungsklasse wird in der zweiten Stufe ein spezielles RBF-Netz aufgebaut, das zwischen den (wenigen) Klassen dieser Verwechslungsklasse diskriminiert. Die Verwechslungsklassen werden aus der Verwechslungsmatrix des LVQ- Klassifikators bestimmt. Sowohl die Gesamtarchitektur als auch die Parameter (= Gewichte der kunstlichen Neuronen) der LVQ/RBF-Netzwerke werden wahrend der zweistufigen Trainingsprozedur erzeugt. Der hierarchische Klassifikator ist fur Klassifikationsprobleme mit sehr vielen Klassen einsetzbar. Die Initialisierung der kunstlichen RBF-Neuronen durch die Prototypen des LVQ-Netzes liefert ein sehr effizientes Trainingsverfahren.