Refine
Year of publication
Document Type
- Conference Proceeding (31)
- Contribution to a Periodical (3)
- Report (1)
Conference Type
- Sonstiges (14)
- Konferenzartikel (12)
- Konferenz-Abstract (5)
Is part of the Bibliography
- yes (35)
Keywords
- RoboCup (19)
- Roboter (4)
- Humanoider Roboter (2)
- Agentbasierter Transport (1)
- Humanoid Robots (1)
- Informatik (1)
- Kosten (1)
- Lastkraftwagen (1)
- Logistik (1)
- Logistikunternehmen (1)
Institute
- Fakultät Elektrotechnik und Informationstechnik (E+I) (bis 03/2019) (35) (remove)
Open Access
- Open Access (31)
- Bronze (20)
- Closed Access (4)
- Diamond (1)
- Grün (1)
In their famous work on prospect theory Kahneman and Tversky have presented a couple of examples where human decision making deviates from rational decision making as defined by decision theory. This paper describes the use of extended behavior networks to model human decision making in the sense of prospect theory. We show that the experimental findings of non-rational decision making described by Kahneman and Tversky can be reproduced using a slight variation of extended behavior networks.
Große Logistikunternehmen stehen in den letzten Jahren zunehmend vor neuen Herausforderungen. Zum einen steigt die Menge zu transportierender Güter jährlich, zum anderen entstanden durch Verschmelzungen großer Logistikunternehmen, wie z. B. Deutsche Post, Danzas und Exel oder UPS und Fritz, riesige Fahrzeugflotten, deren effiziente Planung die Unternehmen vor enorme Probleme stellt. Die einzige Möglichkeit, diese meist heterogenen, also aus vielen verschiedenen Verkehrsmitteln bestehenden Flotten mit herkömmlichen Mitteln effizient zu planen, ist die Aufteilung in (regionale) Geschäftsbereiche. Dadurch können viele Synergieeffekte nicht genutzt werden, was unter anderem zu unnötig hohen Transportkilometerleistungen und Leerfahrten führt. Im Rahmen des Forschungsprojekts Attractive (Programm IngenieurNachwuchs) wurden neue Algorithmen entwickelt, mit deren Hilfe dieOptimierung von Transportaufträgen unter realen Be-dingungen und in realistischen Größenordnungen möglich wird. In diesem Artikel wird kurz auf die Optimierung eingegangen, und dann werden die ersten gewonnenen Ergebnisse zusammengefasst.
Seit 1997 finden jährlich Weltmeisterschaften im Roboterfußball statt. Dabei wird in verschiedenen Ligen teils mit echten, teils mit simulierten Robotern Fußball gespielt. In der small size league spielen fünf gegen fünf Roboter auf einem 5x4,5 m großen Feld. Die Steuerung der Roboter wird von einem externen Rechner übernommen, der seine Information von einer über dem Feld angebrachten Kamera erhält. In der middle size league spielen vier gegen vier Roboter auf einem 8x12 m großen Feld. Hier müssen im Unterschied zur small size league die Roboter vollständig autonom sein, d.h., alle Sensoren und auch die Entscheidungslogik muss auf dem Roboter selbst untergebracht sein. Dasselbe gilt für die four legged robot league, bei der jeweils vier Sony Aibo Roboter gegeneinander antreten (Abbildung 1.11-1), sowie für die Königsklasse, der humanoid league, bei der jeweils drei zweibeinige Roboter gegeneinander spielen. Daneben existieren zwei Simulationsligen: die seit 1997 existierende 2D simulation league, bei der elf gegen elf gespielt wird und die seit 2005 im Programm befindliche 3D simulation league, bei der im Gegensatz zur 2D league tatsächlich existierende zweibeinige Nao-Roboter simuliert werden. In dieser Liga hat sich erstmals eine Mannschaft der Hochschule Offenburg für die Weltmeisterschaft 2009 qualifiziert. Neben Fußballrobotern gibt es auch Ligen für Hausroboter (RoboCup@Home) und Rettungsroboter (RoboCup Rescue). Inzwischen ist die RoboCup WM mit der zugehörigen Konferenz zum größten Robotik-Event weltweit avanciert.
In this paper we show that a model-free approach to learn behaviors in joint space can be successfully used to utilize toes of a humanoid robot. Keeping the approach model-free makes it applicable to any kind of humanoid robot, or robot in general. Here we focus on the benefit on robots with toes which is otherwise more difficult to exploit. The task has been to learn different kick behaviors on simulated Nao robots with toes in the RoboCup 3D soccer simulator. As a result, the robot learned to step on its toe for a kick that performs 30% better than learning the same kick without toes.
This paper describes the magmaOffenburg 3D simulation team trying to qualify for RoboCup 2009. It focuses on two distinctive features of the team: decisions making using extended behavior networks and its software architecture and implementation in Java to open the simulation for the Java community.
This paper describes the magmaOffenburg 3D simulation team trying to qualify for RoboCup 2010. While last year’s TDP focused on decisions making using extended behavior networks and on its software architecture and implementation in this year we describe the tool set that was created for RoboCup 3D. It contians a GUI for agent- and world state visualization, for evaluation of localization algorithms and benchmarks in general, a visual editor for Extended Behavior Networks creation and debugging, a live movement tool to interact with the joints and finally a tool for editing behavior motor files.
After having described many different aspects of our team software in previous years, in this paper we take the freedom to describe the magmaChallenge framework provided by the magmaOffenburg team. The framework is used as a benchmark tool to run different challenges like the running challenge in 2014 or the kick accuracy challenge in 2015. This description should serve as a documentation to simplify the maintenance by the community and to add new benchmarks in the future.