Das Thema dieser Arbeit ist die Sturzklassifikation von zweibeinigen Laufrobotern. Es werden wahrscheinlichkeitsbasierte Methoden entwickelt, um den Zustand des Roboters einer bekannten Situation (z. B. Laufen, vermeidbarer Sturz nach vorn, unvermeidbarer Sturz zur Seite etc.) zuzuordnen, von der die optimale Regelungsstrategie bzw. Reflexreaktion bekannt ist. Als Reaktionen zur Sturzvermeidung werden reflexartig ausgeführte Ausfallschritte betrachtet. Die Sturzklassifikation erfolgt anhand von Merkmalen, die aus den Sensordaten des Roboters gewonnen werden. In einer Trainingsphase wird die Verteilung der Merkmale während typischer Tätigkeiten und bei Stürzen ermittelt. Bei dem ersten in dieser Arbeit untersuchten Klassifikationsansatz erfolgt die Klassifikation des Roboterzustands anhand dieser Verteilungen. Sturzsituationen lassen sich außerdem am charakteristischen zeitlichen Verlauf der Merkmale unterscheiden. Ein weiteres Verfahren beruht daher auf der Auswertung der Merkmalssequenzen mit Hilfe von Hidden-Markov-Modellen. Die Gewinnung der Trainingsdaten mit dem Roboter ist sehr zeitaufwändig und zieht ein großes Beschädigungsrisiko nach sich. Daher erfolgt das Anlernen der statistischen Modelle mit Hilfe von simulierten Sturzsituationen. An beispielhaften Sturzexperimenten wird gezeigt, dass sich die so parametrierten Modelle erfolgreich auf den realen Roboter übertragen lassen. Ein weiteres Thema der Arbeit ist die Untersuchung von online-fähigen Strategien zum Aufrichten eines gestürzten Roboters aus der Bodenlage. Es werden Lösungsansätze beschrieben, welche auf mehrstufigen Optimierungsverfahren beruhen.weiterlesen