@book{2025:seel:bestrken,
title = {Bestärkendes Lernen zur automatisierten Erkundung und Kartographierung von Indoor-Umgebungen mittels unbemanntem Luftfahrtsystem},
year = {2025},
note = {In dieser Arbeit wird die automatisierte Indoor-Erkundung und
-Kartographierung als Schlüsselverfahren zur Digitalisierung von
Umgebungsstrukturen in der Fabrikplanung untersucht. Aus dem
Anwendungsfall werden vier Anforderungen abgeleitet, deren Erfüllung
in anderen aktuellen Arbeiten nur teilweise erfolgt. Zur Schließung
dieser Lücke wird ein integrierter Reinforcement-Learning-Algorithmus
in einer entwickelten Simulationsumgebung mit UAS, virtueller
Indoor-Struktur und mehreren Agenten evaluiert. Vier
Versuchskonfigurationen variieren Sensorausrichtung und
Netzarchitektur (CNN vs. MLP). Die Bewertung erfolgt mittels
Konvergenzanalyse und leistungsbezogener Kennzahlen. Ergebnisse
zeigen, dass der Algorithmus in mindestens einer Konfiguration beide
Teilaufgaben integriert löst. Geneigte Sensoren verschlechtern das
Lernverhalten, während CNN-Architekturen MLP-Netze deutlich
übertreffen. Die Machbarkeit einer Navigationslösung unter den
gegebenen Anforderungen wird bestätigt.},
edition = {1},
publisher = {TEWISS},
address = {Garbsen},
series = {Berichte aus dem IPH},
volume = {01/2025},
author = {Seel, Andreas}
}