NM

M. Sc. Nina Majer

  • FZI Forschungszentrum Informatik
    Embedded Systems and Sensors Engineering (ESS)
    Haid-und-Neu Str. 10-14
    76131 Karlsruhe

Lebenslauf

Studium der Mechatronik und Informationstechnik am Karlsruher Institut für Technologie (KIT) sowie an der Pennsylvania State University (PSU) mit dem Vertiefungsfach Regelungstechnik in der Mechatronik. 2020 Masterarbeit mit dem Titel „Safely Learning Predictive Adaptive Cruise Control for Highly Automated Vehicles“ am FZI.                                                                                                                                      
Seit April 2021 wissenschaftliche Mitarbeiterin in der Abteilung Control in Information Technology (CIT) im Bereich Embedded Systems and Sensors Engineering (ESS) am FZI.

Forschung

Kooperative Trajektorienplanung mehrerer mobiler Roboter

Bewegen sich mehrere mobile Roboter auf demselben Einsatzgebiet, können sich Kreuzungssituationen ergeben, die mit einer unkoordinierten, individuellen Bewegungsplanung nicht aufgelöst werden können. In bestehenden vollautomatischen Produktions- und Logistikketten werden derartige Szenarien vorwiegend über priorisierungsbasierte Verfahren koordiniert. Diese Koordination führt meistens zu einer Verlangsamung des Verkehrsflusses oder im Extremfall zu einer Verklemmung der Situation. Somit wird nicht die global optimale Lösung des Multi-Roboter-Trajektorienplanungsproblems erreicht, wenn als globales Gütekriterium die Gesamtzeit der Auflösung der Kreuzungssituation berücksichtigt wird.
Die Bestimmung dieser global optimalen Lösung des Problems im gekoppelten Zustandsraum der Roboter birgt jedoch einen hohen Berechnungsaufwand. Um den Echtzeitanforderungen gerecht zu werden, kann das gekoppelte Planungsproblem auf einem leistungsstarken Rechner, der als koordinierende Einheit dient, gelöst werden. Dadurch liegt jedoch eine Abhängigkeit der Roboter von der zentralen Koordinationseinheit vor. Die Unterbringung solcher Rechnereinheiten in die Infrastruktur an Orten, an denen potentiell Kreuzungssituationen auftreten können, ist zudem nicht praktikabel und wirtschaftlich.
Ziel dieser Forschung ist es daher, eine dezentrale und kooperative Trajektorienplanung zu entwickeln, mit der sich Kreuzungssituationen effizient und flüssig auflösen lassen. Dabei soll ein möglichst geringer Anteil an expliziter Kommunikation zwischen den Robotern notwendig sein.

Lehre

Publikationen


Safely Learning Model Predictive Control with Time-Variant State Constraints and its Application to Motion Planning
Kohrer, L.; Majer, N.; Schwab, S.; Hohmann, S.
2021. 2021 IEEE International Intelligent Transportation Systems Conference (ITSC): 19-22 September 2021, Indianapolis, IN, USA, 755–762, Institute of Electrical and Electronics Engineers (IEEE). doi:10.1109/ITSC48978.2021.9564934