Viele Anwendungen in der mobilen und kognitiven Robotik erfordern einen Prädiktionsmechanismus, um die zukünftigen Aufenthaltsorte bewegter Objekte zu schätzen. Ein autonomes Auto muss beispielsweise die Absichten der anderen Verkehrsteilnehmer schätzen können, um Kollisionen zu vermeiden und die Verkehrsregeln einzuhalten. Ein Serviceroboter muss hingegen in der Lage sein, die Bewegungsspuren der Personen in seiner Umgebung vorherzusagen, um in einer sozial akzeptablen Art und Weise zu navigieren und die Passanten nicht zu behindern. Fast alle Prädiktionsalgorithmen, die in der Literatur zu finden sind, beschäftigen sich mit der Kurzzeitprädiktion und sind auf spezielle Problemstellungen angepasst. Die Lösung einer neuen Problemstellung, welche eine Langzeitprädiktion benötigt (z.B. ein personalisierter Shopping-Assistent, oder eine intelligente Stauvorhersage), ist daher oft mit umfangreichem Forschungs- und Entwicklungsaufwand verbunden. Das Ziel dieser Dissertationsschrift liegt darin, sich dieses Defizits anzunehmen und der wissenschaftlichen Gemeinschaft ein vielseitig einsetzbares Langzeitprädiktionsframework zur Verfügung zu stellen. Das Framework trifft keine Annahmen über das jeweilige System und kann somit auf einfache Art und Weise an die spezifischen Anforderungen der individuellen Problemstellung angepasst werden. Das Framework selbst besteht aus drei Elementen: - Ein topologisches Modell, welches mit Hilfe eines Clustering Algorithmus anhand von Beobachtungen erstellt wird. Daraus resultiert ein topologischer Graph, welcher den Zustandsraum effizient abbildet und eine praktikable Repräsentation von Trajektorien ermöglicht. - Ein probabilistisches Modell, welches den topologischen Graphen um Übergangswahrscheinlichkeiten und Wahrscheinlichkeitsverteilungen der Übergangszeiten ergänzt. - Das eigentliche Prädiktionsframework, welches beide Modelle integriert. Mit Hilfe eines flussbasierten Algorithmus errechnet es für eine gegebene Eingabetrajektorie die zukünftigen Aufenthaltswahrscheinlichkeitsverteilungen über den gesamten Zustandsraum. Die im Rahmen dieser Arbeit durchgeführten Experimente zeigen, dass das vorgestellte Langzeitprädiktionsframework für Bewegungstrajektorien in der Lage ist, sich mit mehreren State of the Art Algorithmen zu messen, ohne dabei auf problemspezifische Bewegungsmodelle zurückzugreifen, physikalische Gesetze zu beachten, oder einschränkende Annahmen über den Zustandsraum des Systems zu treffen. Weiterhin enthalten die Experimente umfangreiche Auswertungen und Ergebnisse, um einen aussagekräftigen Vergleich mit künftigen Prädiktionsalgorithmen zu ermöglichen.
Most applications of mobile and cognitive robotics require a prediction mechanism to estimate the future positions of moving objects. An autonomous car, for example, needs to determine the intentions of other traffic participants to avoid collisions and to obey the traffic rules. A service robot, on the other hand, needs to anticipate the paths of the surrounding pedestrians in order to move in a socially acceptable manner and to avoid awkward situations. Almost all prediction algorithms presented in literature mainly focus on the short term time horizon and usually give a solution tailored to a specific application. Thus, extensive research and development is necessary if new applications (e.g., a personalized shopping assistant or an intelligent traffic forecast) require a long term prediction mechanism. The goal of this thesis is to address this deficit and contribute a versatile long term prediction framework to the scientific community. It provides an algorithm which can easily be adapted to the individual task at hand by avoiding system specific assumptions such as motion characteristics, physical properties, or spatial restrictions. The framework consists of three elements: - A topological model which is based on observations and is created by utilizing a clustering algorithm. It incorporates a topological graph, sampling the state space efficiently and enabling a convenient representation of trajectories. -The topological model is enriched with a probabilistic model by encoding transitional probabilities and transitional time distributions into the graph. -Both models are integrated into the main prediction framework. By using a flow based algorithm, it provides the future probability distribution for a given input trajectory over the whole state space as a result. The experiments in this thesis show that the presented long term motion prediction framework is able to compete with a variety of state of the art algorithms. Furthermore, they include an extensive set of evaluations and results to enable an expressive comparison to future prediction algorithms.