In robotic planetary exploration missions, robots are deployed to autonomously explore and map the large and unstructured environments of planetary surfaces. While a robot should be able to execute a mission task mainly autonomously, for space exploration missions, it is important to have the opportunity to observe and adapt the robotic exploration task. Operators and scientists require to supervise the robot at the available communication time slots and understand the decisions made by the robot. For this we propose a generalized concept for robotic exploration based on Multi-Criteria Decision Making (MCDM) to model, implement and conduct exploration tasks. Our general formulation supports scientists by designing the autonomous exploration behavior of a robot to reach specific missions goals. In robotic exploration tasks, robots repeatedly decide where to move next. We define locations at the boundary to unknown areas - exploration goals - and locations in already visited areas - revisiting goals - to be the solution space of this decision problem. To model a certain exploration behavior, the goal locations are evaluated by a set of criteria and conditions. The criteria and condition values for each goal location are compared, applying a MCDM method to find the next goal location, which best matches the defined mission goal. Thereby, we introduce two novel multi-attribute utility functions and transfer the Preference Ranking Organization Method for Enrichment Evaluation (PROMETHEE II) to solve decision making in robotic exploration. To cope with the limited computational resources of space rovers, we extend the PROMETHEE II algorithm to decrease the required computational resources. Applying our generalized concept, we examine four exploration use cases, deduced from the Exploration Roadmap of the International Space Exploration Coordination Group (ISECG). In the first use case, the robot has to autonomously survey a region of interest. To tackle the trade-off between exploration efficiency and map quality, we implement an integrated exploration, which applies active loop closing to optimize an underlying SLAM graph. In our second use case, we implement a directed exploration to increase the scientific output while exploring a region of interest. It incorporates knowledge about the probability of detecting a feature of interest, i.e., a specific type of rock requested by the scientists. As our third use case, we implement an exploration behavior in the fashion of drive-by science, whereby the robot is directed to a predefined point of interest, while simultaneously gathering new information about the environment on its way. For our fourth use case, we apply the same concept to model a multi-robot exploration task, which coordinates a heterogeneous team of two robots. We demonstrate all four use cases on real or simulated space rover prototype hardware. In a total of more than sixty experiments, we evaluate our methods and analyze the implemented exploration behaviors.     «

In robotic planetary exploration missions, robots are deployed to autonomously explore and map the large and unstructured environments of planetary surfaces. While a robot should be able to execute a mission task mainly autonomously, for space exploration missions, it is important to have the opportunity to observe and adapt the robotic exploration task. Operators and scientists require to supervise the robot at the available communication time slots and understand the decisions made by the...     »

Bei der Exploration von planetaren Oberflächen erkunden Roboter autonom fremde Umgebungen und bauen eine Karte dieser auf. Auch wenn ein Roboter in der Lage sein sollte, eine planetare Explorationsmission autonom durchzuführen, ist es unerlässlich, eine Möglichkeit zur Überwachung und gegebenenfalls zur Anpassung der Exploration zu haben. Operatoren und Wissenschaftler müssen den Roboter während der kurzen Zeitabschnitte, in denen eine Kommunikation zum Roboter aufgebaut werden kann, überwachen können. Wir schlagen ein allgemeines Konzept für robotische Exploration basierend auf multikriteriellen Entscheidungsverfahren vor, um verschiedene robotische Explorationsaufgaben zu modellieren, zu implementieren und auszuführen. Unsere allgemeine Formulierung ermöglicht es Wissenschaftlern, das Explorationsverhalten eines Roboters so zu gestalten, das verschiedene zuvor definierte Missionsziele erreicht werden können. Bei der robotischen Exploration entscheidet ein Roboter immer wiederholend, welchen Zielpunkt er als Nächstes ansteuert. Der Lösungsraum dieses Entscheidungsproblems beinhaltet dabei Zielpunkte an der Grenze zu bis dahin unbekannten Gebieten und Zielpunkte in Gegenden, die der Roboter bereits besucht hat. Um das Explorationsverhalten des Roboters zu modellieren, werden mehrere Kriterien und Konditionen über die Ziele ausgewertet. Um das nächst beste Ziel zu bestimmen, werden die Kriterien und Konditionen für die einzelenen Ziele mithilfe eines multikriteriellen Entscheidungsverfahrens verglichen. Wir stellen zwei neue multikriterielle Nutzenfunktionen vor und übertragen die bekannte Methode Preference Ranking Organization Method for Enrichment Evaluation (PROMETHEE II) auf das Entscheidungsproblem der robotischen Exploration. Die Rechenleistung eines Roboters, der für den Weltraumeinsatz konzipiert wurde, ist begrenzt. Darum erweitern wir PROMETHEE II, um die nötige Rechenleistung der Methode zu verringern. Wir leiten vier verschiedene Anwendungsfälle von der Exploration Roadmap der International Space Exploration Coordination Group (ISECG) ab und wenden unser allgemeines Konzept an, um diese Anwendungsfälle zu modellieren und zu untersuchen. Im ersten Anwendungsfall exploriert und vermisst der Roboter autonom eine unbekannte Region. Wir implementieren eine Explorationsstrategie, bei welcher aktiv nach Schleifenschlüssen im darunter liegenden SLAM Graphen gesucht wird, um diesen zu optimieren. Damit lösen wir den Konflikt zwischen einer effizienten Exploration und einer guten Kartenqualität. Im zweiten Anwendungsfall implementieren wir eine Explorationsstrategie, welche im ”Vorbeifahren” wissenschaftliche Entdeckungen machen soll. Der Roboter muss eine vorgegebene Reihe von globalen Zielen nacheinander ansteuern und während der Fahrt zu den einzelnen Zielpunkten möglichst viele neue wissenschaftliche Informationen über die Region, welche er traversiert sammeln. Im dritten Anwendungsfall stellen wir eine Explorationsstrategie vor, welche es zum Ziel hat, den wissenschaftlichen Ertrag zu erhöhen, während der Roboter eine Region exploriert. Dafür berücksichtigen wir die Wahrscheinlichkeit, ein Objekt von wissenschaftlichem Interesse an einem Ziel zu detektieren. Ein solches Objekt kann z. B. ein bestimmter Stein sein, der von Wissenschaftlern als wissenschaftlich relevant eingestuft wurde. In unserem fünften Anwendungsfall stellen wir eine Strategie vor, um ein heterogenes Team von Robotern zu koordinieren, welche gemeinsam eine Region explorieren. Dafür verwenden wir das gleiche allgemeine Konzept wie für die Anwendungsfälle, in denen nur ein Roboter alleine agiert. Wir demonstrieren alle vier Anwendungsfälle auf realen robotischen Systemen oder mithilfe einer Simulation. Insgesamt führen wir mehr als 60 Experimente durch, um alle Explorationsstrategien und unser allgemeines Konzept zu analysieren und zu validieren.     «

Bei der Exploration von planetaren Oberflächen erkunden Roboter autonom fremde Umgebungen und bauen eine Karte dieser auf. Auch wenn ein Roboter in der Lage sein sollte, eine planetare Explorationsmission autonom durchzuführen, ist es unerlässlich, eine Möglichkeit zur Überwachung und gegebenenfalls zur Anpassung der Exploration zu haben. Operatoren und Wissenschaftler müssen den Roboter während der kurzen Zeitabschnitte, in denen eine Kommunikation zum Roboter aufgebaut werden kann, überw...     »