Orientierungs-Software für den Roboterhund

Neue Anwendungen der Mustererkennung sind marktreif - Mit dem Fotohandy finden sich Touristen an fremden Orten zurecht

von Hans-Arthur Marsiske

Velbert/Freiburg - Wenn der Aibo merkt, daß er müde wird, ist es Zeit, nach der Ladestation Ausschau zu halten. Anhand einer speziell gemusterten Säule erkennt der Roboterhund nicht nur, wo der elektronische Futternapf steht, sondern auch, aus welchem Winkel er sich ihm nähern muß, um seinen Akku mit den Kontakten zu verbinden. Zum Stillen seines Energiehungers ist der digitale Dackel also weniger auf menschliche Hilfe angewiesen als sein biologisches Vorbild - das braucht den zweibeinigen Büchsenöffner zum Überleben.

Aibo hilft eine Software namens ViPR (Visual Pattern Recognition, gesprochen: Viper). Der Hersteller Sony hat dieses Programm zur visuellen Mustererkennung von der US-Firma Evolution Robotics übernommen. Es ermöglicht neben dem autonomen Aufladen des Akkus auch die Erteilung von Befehlen an den Roboter mit Hilfe gemusterter Karten. Und wenn man dem Aibo das Cover einer Audio-CD zeigt, spielt er auf Wunsch die darauf gespeicherte Musik ab.

Solche Anwendungen, die eine Kommunikation zwischen Mensch und Roboter erlauben, sind in Japan sehr beliebt. Hierzulande sind die Menschen eher zurückhaltend mit derlei "Spielzeug". Doch die visuelle Mustererkennung taugt nicht nur zum Spielen mit Robotern. Hans-Günther Brosius von der europäischen Vertretung von Evolution Robotics in Velbert sieht noch ganz andere Anwendungen.

Touristen etwa, die sich fragen, vor welchem Gebäude sie gerade stehen, könnten mit einem Fotohandy ein Bild davon aufnehmen und an eine lokale Rufnummer schicken. Dort werden die fotografisch festgehaltenen Muster auf dem Foto mit einer Bilddatenbank abgeglichen. Kurz darauf schickt der verarbeitende Rechner eine SMS mit den wichtigsten Informationen über das Bauwerk an den Nutzer zurück. "Die Erkennungsrate bei unserer Gebäudeidentifikation liegt über 95 Prozent", sagt Brosius. "Dabei ist es egal, bei welchen Lichtverhältnissen oder aus welchem Winkel das Bild aufgenommen wird."

Der Trick besteht darin, nicht die kompletten Bilder zu vergleichen, sondern markante Merkmale wie etwa Ecken und Kanten herauszufiltern. "Pro Bild werden etwa 2000 Merkmale gespeichert", so Brosius. "Für die Identifikation ist aber in der Regel die Erkennung von fünf Merkmalen ausreichend." Das geht dann auch relativ schnell: Die ViPR-Technologie soll den Abgleich mit mehreren 10 000 Mustern in weniger als einer Sekunde bewältigen.

Hans Burkhardt zeigt sich von solchen Zahlen allerdings nicht beeindruckt. "Da würde ich erst einmal abwarten, ob die Gebäude auch erkannt werden, wenn zum Beispiel im Winter Schnee darauf liegt", sagt der Informatik-Professor von der Universität Freiburg. Er hat im Rahmen seiner Forschungen Systeme zur Mustererkennung mit ähnlichen Leistungen entwickelt, etwa zur automatischen Identifikation und Mengenbestimmung von Blütenpollen.

Gegenwärtig wird daran gearbeitet, das System robuster zu machen, so daß auch andere Staubpartikel erkannt werden und gewöhnliche Mikroskope statt der bisher verwendeten, teuren Laserscanner-Mikroskope verwendet werden können. Im wesentlichen geht es dabei um Mathematik. "Sie haben bei der Mustererkennung immer zwei Blöcke: die Merkmalsextraktion und die Klassifikation", erläutert Burkhardt. Für die Klassifikation der Merkmale wird in den letzten Jahren verstärkt mit sogenannten Support Vector Machines gearbeitet. Bei diesem Verfahren geht es darum, eine Linie oder Ebene zu finden und mathematisch zu beschreiben, die eine Menge verschiedener Objekte so durchschneidet, daß möglichst viele Objekte einer Klasse sich auf jeweils einer Seite befinden.

Auf diese Weise lassen sich nicht nur in Bildern Muster erkennen, sondern in ganz unterschiedlichen Dateiformaten, etwa in gesprochener Sprache. Zur Risikoabschätzung bei Kreditanträgen werden mittlerweile auch ökonomische Daten mit Hilfe von Support Vector Machines untersucht. "Die Mathematik der Mustererkennung ist in den verschiedenen Bereichen ähnlich", sagt Burkhardt. Schwierig wird es, wenn es richtig schnell gehen soll und Muster in Echtzeit erkannt werden sollen. "Vieles ist gelöst für den Fall, daß dem verarbeitenden Computer genug Zeit zur Verfügung steht", sagt Thomas Röfer, Informatiker an der Universität Bremen. Er leitet das German Team, das den Aibo-Robotern das Fußballspielen beibringt und bei der letzten RoboCup-Weltmeisterschaft den Titel holte.

Um diesen Erfolg bei der diesjährigen WM im Juli in Osaka zu wiederholen - was auch gelang -, wurde die Mustererkennung an einigen Stellen verbessert. "Die Kreuzungspunkte der Feldlinien werden jetzt besser erkannt", so Röfer. "Auch beim Tor wird die Form stärker berücksichtigt."

Für die Suche nach dem Ball sind die Verfahren der Mustererkennung dagegen immer noch viel zu langsam. Er wird daher weiterhin einfacher anhand der Farbe Orange identifiziert. Beim Roboterfußball muß also vorerst nicht das Runde ins Eckige, sondern das Orange ins Blaue - oder ins Gelbe, je nach Spielrichtung.

Artikel erschienen am Do, 18. August 2005