Learning-Based Dynamic Motion Primitives for a Forestry Crane

Abstract

Diese Arbeit untersucht den Einsatz von aufgabenparametrierten Dynamic Movement Primitives (Task Parameterized Dynamic Movement Primitives, TP-DMPs) für die Bewegungsplanung beim Greifen von Baumstämmen mit einem Forstkran. Zunächst werden die mathematischen Grundlagen durch die Erläuterung von Gaußschen Mischmodellen (Gaussian Mixture Models, GMMs), Dynamic Movement Primitives (DMPs) und TP-DMPs dargelegt. Anschließend werden sowohl ein kinematisches Modell des betrachteten Krans als auch der methodische Ansatz vorgestellt. Die Evaluierung erfolgt auf Basis eines synthetischen Datensatzes, der verschiedene Greifszenarien umfasst. Die Ergebnisse zeigen, dass das TP-DMP-Framework den Pfad des Kran-Endeffektors erfolgreich an variierende Aufgabenparameter anpasst, während die grundlegenden Charakteristiken der demonstrierten Bewegung beibehalten werden. Diese Arbeit verdeutlicht das Potenzial von TP-DMPs zur Steigerung der Autonomie und Effizienz von hydraulisch aktuierten Schwermaschinen in komplexen, natürlichen Umgebungen.

This thesis investigates the use of Task-Parameterized Dynamic Movement Primitives (TP-DMPs) for the task of motion planning for log grasping using a forestry crane. First, the mathematical foundations are laid out by explaining Gaussian Mixture Models (GMMs), Dynamic Movement Primitives (DMPs) and TP-DMPs. Afterwards a kinematic model of the considered crane is presented as well as an explanation of the considered approach. Evaluation is done on a synthetic dataset which includes diverse grasp scenarios. Results indicate that the TP-DMP framework successfully adapts the crane's end effector path to varying task parameters while maintaining the underlying characteristics of the demonstrated motion. This work demonstrates the potential for TP-DMPs to increase the autonomy and efficiency of heavy-duty hydraulic machinery in complex natural environments.