Open Access

Robotic grasping has been a prevailing problem ever since humans began creating robots to execute human-like tasks. The problems are usually due to the involvement of moving parts and sensors. Inaccuracy in sensor data usually leads to unexpected results. Researchers have used a variety of sensors for improving manipulation tasks in robots. This thesis focuses specifically on grasping unknown objects using mobile service robots. An approach using convolutional neural networks to generate grasp points in a scene using RGBD sensor data is proposed. Two neural networks that perform grasp detection in a top down scenario are evaluated, enhanced and compared in a more general scenario. Experiments are performed in a simulated environmentas well as the real world. The results are used to understand how difference in sensor data can affect grasping and enhancements are made to overcome these effects and to optimize the solution. This thesis is an improvement on the works of Douglas Morrison, Peter Corke and Jürgen Leitner in their work Closing the Loop for Robotic Grasping: A Real-time, Generative Grasp Synthesis Approach and Fu-Jen Chu, Ruinian Xu and Patricio A. Vela in their work Real-world Multi-object, Multi-grasp Detection.

Es werden 1428 im Jahr 2013 verfügbare Neufahrzeugtypen hinsichtlich des CO2-Ausstoßes und der Fahrzeugparameter analysiert. Die gewonnenen Daten werden mit der CO2-Klassifizierung nach der PKW-EnVKV sowie den CO2-Flottenzielvorgaben nach EU-Verordnung 443/2009 verglichen. Unter Verwendung dimensionsanalytischer Methoden wird der Zusammenhang zwischen Kraftstoffverbrauch, Fahrzeugparametern wie Fahrzeugmasse, Höchstgeschwindigkeit und Beschleunigung aufgezeigt und physikalisch begründet. Durch Analyse der Kennzahlen lassen sich Fahrzeugtypen und Technologien mit hohem spezifischen Verbrauch identifizieren. Es wird deutlich, welche Technologien zu geringen spezifischen Verbräuchen führen. Die dimensionslosen Kennzahlen werden verwendet, um eine Abschätzung des Kraftstoffverbrauchs von Fahrzeugen nach heutigem Technologiestand zu machen.