Reinforcement Learning

In der heutigen Welt finden Roboter in Industrie und privaten Haushalten zunehmende Verbreitung. Gerade bei kommerziellen Geräten für den Hausgebrauch, wie bspw. autonomen Staubsaugern, ist die Navigation und die Berücksichtigung von umherlaufenden Menschen jedoch oft noch unzureichend. Um die nötige Sicherheit zu gewährleisten, müssen Modelle gefunden werden, die menschliche Bewegungen berücksichtigen und dadurch Kollisionen verhindern können. In dieser Arbeit wird mithilfe von Reinforcement Learning, einem Verfahren zur Entwicklung von Problemlösungsstrategien in unbekannten Domänen, ein Ansatz entwickelt, der durch Extrapolation auf Basis der gegebenen Situation zukünftige Zustände vorausahnt und daraus ein Zustandssignal kodiert, das effiziente Navigation in Heimumgebungen ermöglicht und dabei die Bewohner berücksichtigt und schützt. Die entworfene Lösung funktioniert selbst in unbekannten Wohnräumen sehr gut und ist in ihrer Komplexität unabhängig von der Anzahl der zu berücksichtigenden Bewohner.