DE4001493A1 - Verfahren und einrichtung zur selbsttaetigen steuerung von bewegbaren geraeten - Google Patents

Description

Die Erfindung betrifft ein Verfahren und eine Einrichtung zur selbsttätigen Steuerung oder Steuerungsunterstützung von autonom oder teilautonom bewegbaren Geräten, wie Fahr­ zeugen, Robotern etc., mit den Merkmalen des Oberbegriffs des Anspruchs 1.

Bei einem bekannten Verfahren wird zur Verarbeitung der Sensorsignale ein herkömmlicher Rechner eingesetzt, der auf dem Prinzip des "von Neuman-Rechners" basiert, welcher mit Rechenwerk, Leitwerk und Speicher versehen ist und über Programme gesteuert wird.

Bei komplexen Realzeitaufgaben wie der Sensordatenverarbei­ tung für eine autonome Steuerung eines Fahrzeugs oder eines Roboterarmes, hat der Einsatz eines solchen konventionellen Rechners die folgenden Nachteile:

• 1. Die Daten müssen in serieller Informationsverarbeitung von einem Rechenprogramm gesteuert durch das Rechenwerk geleitet und verrechnet werden. Dies ist zeitaufwendig.
• 2. Die Programmerstellung ist kompliziert und oft sehr zeitaufwendig.
• 3. Das Systemwissen muß vorher explizit bekannt sein.
• 4. Nur lineare Zusammenhänge sind abbildbar. Synergetische oder komplexe kybernetische Systeme sind nicht abbildbar.
• 5. Die Steuerung ist empfindlich bei Störungen der Sensor­ daten, des Verarbeitungsprogrammes und gegen Geräteaus­ fall (keine Fehlertoleranz).

Eine informationsverarbeitende Netzwerkstruktur, ein soge­ nanntes "Neuronales Netz", bezeichnet ein informationsverar­ beitendes System, das aus parallel arbeitsfähigen Prozesso­ ren besteht, die untereinander prinzipiell beliebig, meist jedoch nach hierarchischen Gesichtspunkten verknüpft sind, wobei die Prozessoren sowohl einfache als auch komplexe Rechenvorgänge ausführen können, die Verknüpfung der Prozes­ soren untereinander über multiplikative Verbindungen er­ folgt, welche über die Dauer der Informationsverarbeitung justierbar, also veränderlich gestaltet sind, und bestimmte Prozessoren des Systems die designierte Aufgabe übernehmen, mit der Umgebung Informationen auszutauschen.

Neuronale Netze sind bisher im wesentlichen Gegenstand theoretischer Untersuchungen mit dem Ziel gewesen, die durch die "von Neuman"-Architektur heutiger Rechner aufer­ legten Grenzen zu sprengen (Aufsatz "Natürliche und künst­ liche Intelligenz" von R. Opitz DE-Z Forum (Data General GmbH, 1984, S. 15-18)). Mithilfe von Strukturrechnern mit adaptiven, neuronalen Netzwerken, welche zahlreiche mitein­ ander verbundene Knoten, sogenannte Neuronen, aufweisen, suchen Forscher derzeit weltweit Funktionen bzw. Eigenschaf­ ten eines menschlichen Gehirnes zu verstehen, zu simulieren und letztendlich nachzubilden. Pragmatische Umsetzungen sind jedoch aufgrund fehlenden Verständnisses und von Trans­ ferschwierigkeiten der kybernetischen Zusammenhänge nicht anzutreffen. So sind keine praktischen Applikationen in industriell hergestellten Produkten bekannt.

Der Erfindung liegt die Aufgabe zugrunde, ein Verfahren und eine Einrichtung der im Oberbegriff des Anspruchs 1 angege­ benen Art zu schaffen, bei denen die selbsttätige Steuerung oder Steuerungshilfe von Geräten, die in einer mindestens ein Hindernis aufweisenden Umgebung sich bewegen und eine Fahr- oder Bewegungsaufgabe besitzen, mit dem Ziel einer kollisionsfreien Umfahrung des Hindernisses oder der Hinder­ nisse und einer umgebungsangepaßten Rangieraufgabenabwick­ lung verbessert werden.

Zur Lösung dieser Aufgabe dienen ein Verfahren mit den Merkmalen des Anspruchs 1 und eine Einrichtung mit den Merkmalen des Anspruchs 13.

Vorteilhafte Ausgestaltungen der Erfindung sind in den Unteransprüchen angegeben.

Mit besonderem Vorteil ist die Erfindung zur selbsttätigen Steuerung von Fahrzeugen wie auch als Fahr- oder Rangier­ hilfe einsetzbar. Die Fahrzeugsteuerung mit einem Verfahren und einer Einrichtung nach der Erfindung ermöglicht nämlich

• - eine Hinderniskollisionsvermeidung bei autonomer Fahrt, wobei sich eine Parallelfahrt zu Objekten, ein Durchfah­ ren von Toren und dgl. realisieren lassen;
• - eine Fahrhilfe für einen das Fahrzeug normalerweise führenden Fahrer, beispielsweise beim Parken, bei der Nahbereichsnavigation oder bei der Rückwärtsfahrt;
• - eine verbesserte Situationserkennung durch Klassifizieren einer Hindernis- oder Objektkontur;
• - kooperatives Verhalten bei Überholfahrt und Ausweichmanö­ vern;
• - Vermeidung von Auffahrunfällen.

Die Anwendung eines Verfahrens und einer Einrichtung nach der Erfindung ermöglicht aber nicht nur vorteilhafte Lösun­ gen im Straßenverkehr sondern auch von Transportaufgaben in Fabriken, auf Bahnhöfen und Flughäfen sowie im Baustellen­ verkehr mit komplexen unüberschaubaren Umgebungsbedingungen.

Durch die mindest zeitweise autonome Fahrzeugführung läßt sich menschliches Fehlverhalten bei der Fahrzeugführung weitgehend ausschalten.

Die Erfindung kann aber auch bei anderen bewegbaren Geräten, wie Robotern angewendet werden, bei denen die Steuerung der Roboterbewegung mithilfe herkömmlicher Rechner höchst um­ ständlich und zeitaufwendig ist und stets auch einer aufwen­ digen Programmierung bedarf, insbesondere in hostiler, chaotischer und dynamisch sich verändernder bzw. von vorne­ herein unbekannter Umgebung.

Eine Programmierung entfällt beim Einsatz eines neuronalen Netzwerkes. Es ist für die Zwecke der Erfindung möglich, einen herkömmlichen von-Neuman-Rechner zur Simulation eines neuronalen Netzes einzusetzen. Zum Bereitstellen höherer Realzeitfähigkeit werden vorteilhaft jedoch statt eines herkömmlichen Rechners "echte" neuronale Rechner eingesetzt, die über sogenannte Neurochips verfügen.

Die Erfindung ist im folgenden anhand von Zeichnungen mit weiteren Einzelheiten näher erläutert.

Es zeigen:

Fig. 1 ein Schema eines mit einer Steuerung gemäß der Erfindung ausgerüsteten autonomen oder teilauto­ nomen Fahrzeuges;

Fig. 2 ein Schema der Simulation der Lernphase einer autonomen Fahrzeugführung;

Fig. 3 ein Schema der Simulation der Kannphase einer autonomen Fahrzeugführung;

Fig. 4 und 5 Bildschirmdarstellungen während der Konfigura­ tionsphase und der Lernphase;

Fig. 6 und 7 Bildschirmdarstellungen vor dem Start der Lernphase und beim Training des neuronalen Netz­ werkes;

Fig. 8 eine kombinierte Bildschirmdarstellung während der Kannphase;

Fig. 9 ein Beispiel für den Aufbau eines neuronalen Netzwerkes nach der Erfindung für autonome Fahr­ zeugführung im Verkehr.

Im Schema nach Fig. 1 sind an einem Fahrzeug 2 insgesamt neun Ultraschallsensoren 4 mit Meßkeulen 8 angeordnet, deren Ausgangssignale an die Eingänge 8 eines Vorprozessors 10 zur binären Kodierung abgegeben werden. An den Ausgängen 12 dieses Vorprozessors 10 liegen siebenundzwanzig Ausgangs­ signale in binärer Form vor. Diese siebenundzwanzig Aus­ gangssignale werden an eine Eingangsschnittstelle eines insgesamt mit dem Bezugszeichen 14 bezeichneten neuronalen Netzwerkes eingegeben und von dort über die mit 16 bezeich­ neten Neuronen in Form von Ausgangssignalen 18 zu einer Wandlervorrichtung 20 weitergegeben, welche die Ausgangssig­ nale in Steuersignale 22 wandelt, deren Anzahl der Anzahl der auszuführenden Fahrfunktionen (Beschleunigen/Bremsen) entspricht. Diese Signale werden in insgesamt mit dem Be­ zugszeichen 24 bezeichnete Aktuatoren (Bremsen/Antriebe) des Fahrzeuges zur Auslösung der gewünschten Fahrfunktion einge­ geben, wie in Fig. 1 mit einer Fächer von Pfeilen angedeutet ist.

Die dadurch ausgelöste Fahrfunktion führt zu neuen Sensor­ signalen, die wie beschrieben erneut verarbeitet werden.

Fig. 2 zeigt ein Übersichtsschema einer Simulation der mit einem System nach Fig. 1 durchführbaren Steuerung mittels zweier Personalcomputer PC1 und PC2.

In dem mit 26 bezeichneten Block der Fig. 2 wird auf dem Bildschirm des PC1 ein sogenannter Fahrgrund durch Aufbauen von Hindernissen in einem zweidimensionalen Feld erstellt.

Im Block 28 wird durch fremdgesteuertes Führen des Fahrzeugs durch den Fahrgrund längs einer gewählten zu lernenden Bahn eine Lerndatei erstellt.

Im Block 30 wird auf dem Bildschirm des PC2 das neuronale Netzwerk 14 nach Fig. 1 mit der Lerndatei trainiert.

In Fig. 3 ist schematisch das Fahren des Fahrzeugs in der "Kannphase" dargestellt. Hier sind die beiden Personalcom­ puter PC1 und PC2 sehr interaktiv zusammengeschaltet. Auf dem Bildschirm des PC1 wird gemäß der Darstellung im Block 32 festgestellt, wie das Fahrzeug in dem mit Block 26 er­ stellten Fahrgrund autonom, d. h. von dem neuronalen Netzwerk 14 gesteuert fährt. Im Block 34 werden das trainierte Netz­ werk und die Sensoren auf dem Bildschirm des PC2 darge­ stellt.

In den Fig. 4 und 5 sind die Bildschirmdarstellungen gemäß den Blöcken 26 und 28 in Fig. 2 detailliert dargestellt.

In den Fig. 4 und 5 sind Hindernisse durch dunkel gefärbte Kreise 27, Rechtecke 29, 31 und einen Winkel 33 symbolisiert. Diese Hindernisse werden gemäß Fig. 4 zu der gezeigten Konfiguration, d. h. einem "Fahrgrund" durch Betätigen einer nicht gezeigten Maus plaziert. Unter dem eigentlichen Bildschirm 36 des PC1 sind Tasten 38 bis 46 gezeichnet, welche durch Antippen die Funktion "Laden", "Speichern", "neu", "Hilfe" und "zurück" ausführen können.

Bestehende Fahrgründe können verändert werden. Dazu ist das Feld "Laden" aufzurufen und der Name des Fahrgrundes anzu­ geben.

Mit "Speichern" können modifizierte oder neu erstellte Fahrgründe gespeichert werden.

Mit der Taste "neu" kann die Fläche jederzeit gelöscht und ein neuer Fahrgrund erstellt werden.

Durch Betätigen der Taste "zurück" kann die Konfigurati­ onsphase beendet und ins Hauptmenü gesprungen werden.

Gemäß der Darstellung in Fig. 5 wird nach Erstellen eines Fahrgrundes auf dem Bildschirm 36 des PC1 ein simuliertes Fahrzeug 50 in den Fahrgrund plaziert und fremdgesteuert längs eines Lernparcours durch den Fahrgrund gesteuert, der mittels einer strichpunktierten Linie 52 in Fig. 5 angedeu­ tet ist.

Über die Tasten 38 bis 46 werden in diesem Fall die Funkti­ onen "Laden", "Start", "Stop", "Hilfe" und "zurück" einge­ stellt.

In dem rechts vom Bildschirm 36 dargestellten Feld 37 ist die Fahrtrichtung ablesbar, in welche das Fahrzeug 50 auf dem Bildschirm mittels einer Windrose fremdgesteuert wird.

Bevor ein neuronales Netzwerk trainiert werden kann, muß es dimensioniert und parametriert werden. Da neun Sensoren 4 am Fahrzeug 2 vorgesehen sind und deren Werte mit drei bit codiert werden, beträgt die Größe des Inputvektors und damit die Anzahl der Neuronen 16 an der Eingangsschnittstel­ le insgesamt siebenundzwanzig. Bei dem gezeigten Beispiel besteht der Outputvektor aus vier bit, obwohl acht Fahrmög­ lichkeiten in der Einheit 20 codiert sind.

Es besteht somit die Möglichkeit, die Topologie inklusive sogenannter "versteckter Ebenen" zu variieren, sowie die Lernparameter zu verändern. Diese Parameter werden im neuro­ nalen Simulator in einer Tabelle eingetragen. In dieser Tabelle entspricht ein Koeffizient I dem Lernparameter η und ein Koeffizient II dem Momenten-Term α. Für eine opti­ male Wahl der Parameter η, α werden in der Literatur für andere Fälle die Werte η=0,9 und α=0,6 empfohlen. Andere Werte können jedoch erfahrungsgemäß zu schnellerer Konver­ genz führen.

Nachfolgend wird die Durchführung einer Lernphase auf dem neuronalen Simulator anhand der Fig. 6 und 7 erläutert. Zu Beginn wird im Simulator ein neuronales Netzwerk mit sieben­ undzwanzig Input-Neuronen, vier Output-Neuronen und einer beliebigen Anzahl und Größe von versteckten Ebenen aufge­ baut. Dieses Netz wird mit Zufallswerten aus einem kleinen Wertebereich (-0,1/01) initialisiert. Nun kann der Lernvor­ gang gestartet werden. Die Input-Neuronen sind in dem Block 30 (gemäß Fig. 2), welcher den Bildschirm des PC2 symboli­ siert, mit der Bezugszahl 56 und die Output-Neuronen mit der Bezugszahl 58 bezeichnet. Unterhalb der Input-Neuronen 56 sind eine OK-Taste 60 und eine Löschtaste 62 dargestellt. Darunter sind drei Fenster 64, 66 und 68 dargestellt, wobei in den Fenstern 64, 66 der Hinweis erscheint, daß eine Kon­ vergenzdatei und eine Informationsdatei angelegt werden. Im Fenster 68 erscheint zur Bestätigung der Name der Lerndatei. Durch Anklicken der OK-Taste wird der Lernvorgang gestartet.

Die Konvergenzdatei dient dazu, den Ablauf des Lernvorganges bei längeren Lernzeiten (2 Stunden bis 3 Tage) nachvoll­ ziehen zu können. Nach jedem Lernzyklus, d. h. nach vollstän­ digem Durchlauf durch die Lerndatei, werden der globale Fehler des Netzes, die Anzahl der Zyklen und die Anzahl der Felder beim letzten Durchlauf der Lerndatei eingetragen.

Die Konvergenzdatei kann bei längerer Lerndauer bis zu 100 KB groß werden. Mithilfe der Konvergenzdatei kann ein Über­ schreiten lokaler Minima sowie die Konvergenzgeschwindigkeit erkannt werden.

Die Informationsdatei besteht in jedem Fall nur aus vier Zeilen. Diese Zeilen werden nach jedem Lernzyklus aufs neue in die Informationsdatei eingetragen. Der Inhalt sieht z. B. folgendermaßen aus:
Anzahl Lernschritte - 60 792
Anzahl Zyklen - 447
Anzahl Muster - 136
globaler Fehler - 0,057

Diese Datei gibt somit den aktuellen Lernzustand des neuro­ nalen Netzwerkes an. Dies ermöglicht ein Abbrechen des Lernvorgangs und ein späteres Weitertrainieren des Netzes.

In Fig. 7 ist das Training des neuronalen Netzwerkes darge­ stellt. Wurde die OK-Taste 60 gedrückt, so ist die Darstel­ lung auf dem Bildschirm 30 etwa folgendermaßen:

Im Teil unterhalb der Input-Neuronen 56 werden die Anzahl der Muster, die Anzahl der Darstellungen, die Anzahl der Zyklen (Durchläufe durch die Lerndatei), die Anzahl der Fehler im aktuellen Zyklus sowie der globale Fehler, der nach jedem Zylkus neu berechnet wird, in der Zeile 70 ange­ zeigt. In der Sensorikzeile 72 werden aus der Lerndatei gelesene und in einen binären Input-Vektor kodierte Werte angezeigt. Oberhalb des Netzwerkes werden im Feld 74 der aktuelle Output des Netzes und im Feld 76 der gewünschte, d. h. der zu trainierende Output angezeigt.

Im Normalfall wird der globale Fehler stetig kleiner werden. Wenn der globale Fehler sich sehr nahe bei Null befindet und sich über mehrere Zyklen hinweg nicht mehr verändert, kann der Lernvorgang abgebrochen werden. Dabei muß der Fehler pro Zyklus nicht unbedingt Null sein. Bei sehr großen Lerndateien (mehr als 500 Muster) kann es zu sich widerspre­ chenden Lernmustern kommen. In diesem Fall wird der globale Fehler auf eine Zahl zwischen drei und zehn konvergieren und noch einige Fehler pro Zyklus aufweisen. Diese können selektiert und korrigiert werden. Trotzdem ist das Netz aus­ reichend trainiert und kann in der Kannphase ausprobiert werden. Der Lernvorgang wird mittels einer nicht dargestell­ ten "Escape"-Taste abgebrochen.

In Fig. 8 ist die Kannphase durch interaktives Zusammenwir­ ken der beiden Personalcomputer PC1 und PC2 und Darstellung von deren beiden Bildschirmen 28 und 30 dargestellt.

Durch Betätigen der Taste 38 wird ein gewünschter Fahrgrund im Bildschirm des PC1 dargestellt und das Fahrzeug 50 wie gezeigt positioniert.

Auf dem PC2 wird der Simulator gestartet und das zum Fahr­ grund gemäß PC1 trainierte neuronale Netz geladen und ge­ startet, wobei sich der in Fig. 8 rechts dargestellte Bild­ schirmaufbau ergibt. Durch Anwählen der Taste 40 wird die Simulation gestartet.

Auf dem Bildschirm 36 des PC1 sieht man das Fahrzeug 50 autonom durch das neuronale Netzwerk auf PC2 gesteuert um die Hindernisse herum fahren. Werden die Hindernisse ge­ schnitten oder überfahren, so bedeutet dies, daß

• - das Netz nicht ausreichend trainiert wurde,
• - die Lerndatei zu wenig Lernmuster enthielt,
• - die Lerndatei zu viele sich widersprechende Input-Output- Relationen aufwies,
• - ein falscher Fahrgrund geladen wurde.

Da durch Neupositionieren des Fahrzeuges und erneutes Star­ ten eine andere Bahn gefunden werden kann, sollten einige Starts an verschiedenen Ausgangspositionen ausprobiert werden.

Wenn auch kein perfektes Fahrverhalten erwartet werden kann, sollte doch ein prinzipiell an den aufgebauten Hinder­ nissen orientiertes Fahrverhalten, wie reflexives Ausweichen an den Hindernissen, offensichtlich werden.

Auf dem Bildschirm des PC2 erkennt man in der Zeile 70 die aktuellen Sensorik-Werte, den kodierten Input-Vektor, den Output-Vektor, sowie die aktuelle Fahrtrichtung des Fahrzeu­ ges 50.

Die Kannphase wird durch Drücken der Stop-Taste 42 beendet.

Bei dem beschriebenen Beispiel ist das autonome Fahren eines Fahrzeugs 50 nach dem Lernen eines Hindernisumfahrens auf einem vorgegebenen Fahrgrund (Fig. 4) dargestellt.

Jedoch läßt sich die Erfindung auch auf mehrere solche Fahrzeuge zum Trainieren kooperativen Fahrverhaltens solcher mehrerer Fahrzeuge anwenden. Dabei ist nach dem Erstellen eines Fahrgrundes und einer Lerndateigenerierung sowie einem Training am Lernfahrzeug ein trainiertes Netz zur Steuerung aller Fahrzeuge anzustreben, wobei die Fahrzeuge frei wählbar positionierbar sind und ein kollisionsfreies simultanes autonomes Fahren aller Fahrzeuge das endgültige Lernziel ist.

Ein Beispiel für den Aufbau der Gesamtarchitektur eines Lernfahrzeuges mit neuronalem Netzwerk ist in Fig. 9 darge­ stellt. Es beinhaltet Fahrstrategie, Wegplanung, Objekter­ kennung, Landkarten und ein Lernmodul.

Dabei sind in den beiden unteren ovalen Feldern 80, 82 Sen­ soren für die Gesamtposition des Fahrzeuges und Entfernungs­ meßsensoren sowie in dem oberen ovalen Feld 84 Aktuatoren zur Betätigung der verschiedenen Fahrfunktionen angedeutet.

Das Feld 86 enthält eine map mit Umgebungshindernissen, während das Feld 88 eine map mit sonstigen Umgebungseigen­ schaften enthält.

Im Feld 90 ist ein Hindernis-Klassifizierer angedeutet. Den Feldern 86, 88, 90 sind Felder 92, 94, 96 nachgeschaltet. Dabei enthält das Feld 92 einen Modul für Lernen nach einem über­ geordneten Lernziel. Das Feld 94 enthält eine Optimierungs- Vorrichtung für die Wegplanung. Das Feld 96 enthält einen Baustein zum Entwickeln von Fahrstrategien. Zwischen das Aktuatorik-Feld 84 und die Felder 94, 96 ist eine Steuerein­ richtung zur assoziativen Aktuatorik-Steuerung angeordnet.

Mit dem beschriebenen Verfahren und der beschriebenen Ein­ richtung gemäß der Erfindung lassen sich folgende vorteil­ hafte Wirkungen erzielen:

• 1. Beim Training eines Simulationsfahrzeuges mit Sensorik, Aktuatorik und einem neuronalen Netzwerk stellte sich heraus, daß gefahrene Bahnen in Hinderniskursen teilweise abstrahiert (Reflexverhalten) gespeichert wurden und nach Wiederabruf ein ähnliches Fahrverhalten durch das Netzwerk für das Fahrzeug erzielbar war.
• 2. Es war nicht wie bisher notwendig, Fahrzeugsteuerungen und Fahrverhalten mit erheblichem Aufwand zu pro­ grammieren.
• 3. Die Fehlertoleranz gegen Sensorstörungen war sehr hoch.
• 4. Neben dem Training von Einzelhindernisfahrten waren sehr komplexe Fahrsituationen ohne mathematische Aufbereitung erlernbar.
• 5. Bei Verwendung mehrerer Fahrzeuge mit Steuerung war durch ein Netzwerk kooperatives Fahrverhalten erreichbar (Ausweichmanöver, Fahrstrategien).
• 6. Es konnte eine vollkommen neue Art und Qualität der Leistungserzeugung durch "Lernen an Beispielen" mittels einer Lernphase (Training durch Beispiele) und einer Kannphase (Abruf der Informationen aus dem Netz) und die Informationsspeicherung erreicht werden.
• 7. Die Abdeckung komplexer Informationsrepräsentationen ist sehr hoch.
• 8. Die Abrufzeitkonstante liegt im Bereich von Millisekun­ den. Dies ist um Faktoren höher als konventionelle KI- Systeme und eignet dieses Verfahren für diverse Realzeit­ aufgaben der Regelung und Steuerung von kybernetischen Prozessen.
• 9. Das Lernen nach dem beschriebenen Beispiel kann durch Lernen nach einem übergeordneten Lernziel (Reinforcement Learning) und ein Versuchsmodul ersetzt werden. Damit entstehen Systemarchitekturen.
• 10. Die simulierten Netzwerke können nach Training in neuro­ nale VLSI-Implementationen umgesetzt und in Produkten verwendet werden.

Claims (15)

1. Verfahren zur selbsttätigen Steuerung von autonom oder teilautonom bewegbaren Geräten mit die Umgebung auf­ nehmenden Ortungssensoren zum Abgeben von Sensorsig­ nalen, welche für den Abstand des Gerätes von minde­ stens einem Hindernis oder Objekt charakteristisch sind, und mit einer Verarbeitungseinheit, in welche die Sensorsignale eingegeben werden, und welche minde­ stens ein Steuersignal für Antriebe/Bremsen des Gerätes zum Beschleunigen/Abbremsen der jeweiligen Bewegung des Gerätes abgibt, um eine Kollision mit dem Hindernis zu vermeiden und gewünschtes Fahr- und Bewegungsverhal­ ten zu erzeugen, dadurch gekennzeichnet, daß die Verarbeitungseinheit als informationsver­ arbeitende Netzwerkstruktur ("neuronales Netz") ausge­ bildet oder simuliert ist, daß das Gerät in einer Lernphase aus einer begrenzten Anzahl ausgewählter Situationen fremdgesteuert einen Bewegungsablaufzyklus ausführt, daß die dabei gewonnenen Sensor- und Aktua­ tor-Datensätze der Netzwerkstruktur in einer Lernphase wiederholt eingegeben und der Bewegungsablaufzyklus lehrhaft vorgegeben werden, und daß bei Unterschreiten eines vorgegebenen globalen Fehlers die Lernphase abgeschlossen und zu einer Kannphase übergegangen wird, in welcher das Gerät in bekannter oder unbekann­ ter Umgebung autonom den oder einen in unbekannter Umgebung durch die Objekte beeinflußten gelernten Bewegungablaufzyklus mindestens angenähert ausführt.

2. Verfahren nach Anspruch 1, dadurch gekenn­ zeichnet, daß in einer Datenerfassungsphase die Sensor-/Aktuator-Datensätze bei jeder Durchführung des fremdgesteuerten Bewegungsablaufzyklus in eine Lerndatei eingespeichert werden.

3. Verfahren nach Anspruch 2, dadurch gekenn­ zeichnet, daß in jedem Lernzyklus während der Lernphase die Lerndatei vollständig mehrmals und lern­ adäquat zusammengestellt durchlaufen (zu Vermeidung von Verlernen) und die Anzahl der Zyklen, der globale Fehler und die Anzahl der Fehler beim Durchlauf der Lerndatei in eine Konvergenzdatei eingetragen werden, und daß bei Überschreiten einer vorgegebenen Konver­ genzmarke der Lernzyklus beendet wird.

4. Verfahren nach Anspruch 2 oder 3, dadurch ge­ kennzeichnet, daß in der Lernphase eine Informationsdatei, enthaltend die Anzahl der Lern­ schritte, die Anzahl der Zyklen, die Anzahl der Lern­ muster (Fahrgründe) und den globalen Fehler, erstellt wird.

5. Verfahren nach einem der vorangehenden Ansprüche, dadurch gekennzeichnet, daß das Gerät ein Fahrzeug und der Bewegungsablaufzyklus ein Fahr­ zyklus längs einer Bahn mit dem Fahrzeug in einer das mindestens eine Hindernis aufweisenden Umgebung (Fahr­ grund) sind.

6. Verfahren nach einem der Ansprüche 1 bis 4, dadurch gekennzeichnet, daß das Gerät ein Robo­ ter und der Bewegungsablaufzyklus ein kinematischer dreidimensionaler Ablauf längs einer Bewegungsbahn mit dem Roboter in einer mindestens ein Hindernis aufwei­ senden Umgebung (Fahrgrund) ist.

7. Verfahren nach einem der vorangehenden Ansprüche, dadurch gekennzeichnet, daß die Or­ tungssensoren jeweils problemisomorph aufgebaut werden und die gewonnenen Sensorsignale aller Sensoren für die informationsverarbeitende Netzstruktur gemeinsam zu mindestens einem Steuersignal (Eingabevektor) verar­ beitet werden.

8. Verfahren nach einem der vorangehenden Ansprüche, dadurch gekennzeichnet, daß sowohl Objekte bzw. Objektkonturen als auch Objektklassi­ fikationen zum Training des Netzwerkes gemeinsam als Eingabegröße (Vektor) benutzt werden und gemeinsam die Abbildung der Aktuatorik-Datensätze erzeugen.

9. Verfahren nach einem der vorangehenden Ansprüche, dadurch gekennzeichnet, daß weiter­ gehendes selbsttätiges Lernen mit Vorgabe eines Lern­ zieles (Lernsätze) durch Einfügung und Verwendung eines Probier- und Bewegungszyklus mit begrenzter Anzahl von Versuchen durchgeführt wird und positive Reaktionen im Netzwerk gespeichert werden, während negative Verhalten verfallen (Selbstadaption).

10. Verfahren nach einem der vorangehenden Ansprüche, dadurch gekennzeichnet, daß globale Bewegungsstrategien und Abläufe mit lokal/situativen trainierten Verhaltensrepräsentationen kombiniert werden, und im Eingabevektor des Netzwerkes Anteile der Bewegungsstrategie mit trainiert werden, die in der Kannphase durch höhere Hierarchien im Sinne von hierarchischen Netzwerkarchitekturen eingerichtet und gesetzt werden.

11. Verfahren nach einem der vorangehenden Ansprüche, dadurch gekennzeichnet, daß Bewegungsabläufe unter Verwendung von vergangenen zeit­ stufenweise vorhergehenden Bewegungsmustern mit Gewich­ tungsstufen in der Trainingsphase im Eingabevektor benutzt werden und in der Kannphase dadurch Prozeduren der Bewegung berücksichtigt und erzeugt werden.

12. Verfahren nach einem der vorangehenden Ansprüche, dadurch gekennzeichnet, daß herkömm­ liche Rechner mit simulierten neuronalen Netzwerken, Hybridsysteme mit speziell angepaßten Elementen und/oder Neurochips verwendet werden.

13. Einrichtung zur selbsttätigen oder unterstützenden Steuerung von autonom oder teilautonom bewegbaren Geräten, wie Fahrzeugen, mit die Umgebung aufnehmenden Ortungssensoren zum Bilden von Sensorsignalen, welche für den Abstand des Gerätes von mindestens einem Hin­ dernis, einer Objektkontur od. dgl. charakteristisch sind, und mit einer Verarbeitungseinheit, in welche die Sensorsignale eingegeben werden, und welche Steuer­ signale für Antriebe/Bremsen des Gerätes zum Beschleu­ nigen/Abbremsen der jeweiligen Bewegung des Gerätes abgibt, dadurch gekennzeichnet, daß die Verarbeitungseinheit eine informationsverarbeitende Netzwerkstruktur (neuronales Netz) mit einer der Anzahl der Sensorsignale entsprechenden Anzahl von Eingabe- Schnittstellen, einer Vielzahl von Neuronen (Knoten­ punkten) und einer der Anzahl von Antriebs-/Bremsfunk­ tionen entsprechenden Anzahl von Ausgabe-Schnittstellen für das mindestens eine Steuersignal ist.

14. Einrichtung nach Anspruch 13, bei dem die Sensoren an einem Fahrzeug angebracht sind, das sich autonom in einer vorgegebenen Umgebung bewegen soll, dadurch gekennzeichnet, daß die Sensoren als sowohl sendende als auch empfangende Sensoren, insbe­ sondere als Ultraschallsensoren oder Mikrowellen­ sensoren, ausgebildet sind, die synchron mit einer Taktzeit betätigt werden, welche gleich oder größer als die einem vorgegebenen größten Hindernisabstand entsprechende Laufzeit (Summe aus Hin- und Rücklauf­ zeit) eines Sensorimpulses bei einer vorgegebenen maximalen Fahrzeuggeschwindigkeit ist.

15. Einrichtung nach Anspruch 13 oder 14, dadurch ge­ kennzeichnet, daß die Anzahl der Neuronen an den Eingabe-Schnittstellen gleich dem Produkt aus der Anzahl Sensoren multipliziert mit der Informations­ anzahl (z. B. 3 bit) parallel je Sensorsignal ist.