BachelorArbeit.

Bachelorarbeit_Aufbau_Abd-Rahmen_Al-Skaf

Get Started. It's Free
or sign up with your email address
BachelorArbeit. by Mind Map: BachelorArbeit.

1. Medizinische Einleitung

1.1. Allgemein Endoskopie

1.2. Magen

1.3. Fremdkörper

1.4. Die Endoskope

1.5. Schlussfolge

2. Technische Umgebung

2.1. Unity als 3D-Raum

2.2. Python

2.2.1. mlagents

2.2.2. Tensorflow

2.3. Unity ML-Agents

3. Ergebnisse

3.1. Trainingsdokumentation

3.1.1. Aufklärende Einleitung

3.1.2. Tensorboarddaten kurz erklären

3.1.3. PPO_1

3.1.4. PPO_2

3.1.5. PPO_3

3.1.6. PPO_4

3.1.7. Erweiterung mit BC

3.1.8. BC_GrabCoin_1

3.1.9. BC_GrabCoin_2

3.1.10. Änderung der Aufgabe: nur noch greifen

3.1.11. BC_NoGrab_Coin_1

3.1.12. BC_NoGrab_Coin_2

3.1.13. Änderung der Aufgabe: Ohne Greifen mit Kugel statt Coin

3.1.14. BC_NoGrabSphere_1

3.1.15. Änderung der Aufgabe: Wieder greifen und Kugel statt Münze

3.1.16. BC_Grab_Sphere_1

3.1.16.1. Tabelle mit Ausganglage

3.1.16.1.1. Hyperparameter

3.1.16.1.2. Observations

3.1.16.1.3. Actions

3.1.16.1.4. Extrinsische Belohnungen

3.1.16.1.5. Simulationsänderungen

3.1.16.2. Ergebnissdaten des Trainings

3.1.16.3. Ergebnisse der Tests

3.1.16.3.1. Zähler im Text

3.1.16.3.2. Verhaltensweise (auch besondere Szenarien)

3.1.16.4. Erkenntnisse & Änderungen

3.1.17. Graphenüberlagerung

3.1.18. Verlaufstabelle

3.2. Ergebnisverhalten der Versuche

3.2.1. Verhalten des Agents

3.2.1.1. Annäherung zum Fremdkörper

3.2.1.1.1. Allgemein die Nutzung der Aktionen in Richtung Fremdkörper

3.2.1.1.2. Hürde: Bestimmung der Richtung des Fremdkörpers

3.2.1.2. Manöver

3.2.1.2.1. Zu große Vielfalt an Lagen des Fremdkörpers.

3.2.1.2.2. Beweis für oberes: Vergleich mit Münze und Kugel besser

3.2.1.2.3. Unkoordiniertes Abwechseln,Vor und zurück

3.2.1.3. Greifen

3.2.1.3.1. An sich schon Hürde, kein Training hat gegriffen

3.2.1.4. Zusammenfassend...

3.2.1.4.1. Annäherung:

3.2.1.4.2. Manöver

3.2.1.4.3. Greifen

4. Formales1

4.1. Deckblatt

4.1.1. Nach HFU Vorlage

4.2. Titel

4.3. Abstract

4.3.1. Worum geht es?

4.3.1.1. Simu+ Agent

4.3.1.2. Agent-Endo greift Fremdkörper trainieren

4.3.2. Wie vorgegangen

4.3.2.1. 3D-Modelle

4.3.2.1.1. E+F in M

4.3.2.1.2. E als Agent

4.3.2.2. PPO dann BC

4.3.2.3. Änderungen an Belohnungen/Aktionen/Observationen/Fremdkörpern

4.3.3. Die wichtigsten Ergebnisse

4.3.3.1. Hürden

4.3.3.2. Konflikt

4.3.4. Was bedeuten die Ergebnisse

4.4. Inhaltsverzeichnis+ Abbildungsverzeichnis

4.5. Abkürzungsverzeichnis

5. Realisierung

5.1. Simulation

5.1.1. Enviroment/Körper

5.1.2. Endoskop Modell

5.1.2.1. aufbau

5.1.3. Virtueller Nachbau der Fremdkörper

5.1.3.1. Münze oder Kugel

5.2. Endoskop als Agent

5.2.1. Allgemeine Komponeneten der Unity Agents

5.2.2. Agent_Code

5.2.2.1. Komplett mit kommentaren

5.2.3. Eigenschaften des 3D-Endoskops

5.2.3.1. Observations

5.2.3.1.1. CNN der Kamera

5.2.3.2. Actions

5.3. Training

5.3.1. Aufgabe

5.3.1.1. allgemein

5.3.1.2. wann erfolg/fehlschlag

5.3.1.3. positinierung der Münze

5.3.2. Simulationsaufbau

5.3.2.1. Zusammenhang zwischen Objekten

5.3.2.2. Positionierung und Rotation des Fremdkörpers

5.3.2.2.1. Vorteile

5.3.2.2.2. code

5.3.3. Zielverhalten definieren.

5.3.3.1. bewgen,rota,biegen,zangenRota,NochmalVor,zugreifen

5.3.3.2. Manöver bei Schräglage des Fremdkörper

5.3.3.3. Wand vermeiden

5.3.4. Algorithmen des Trainings

5.3.4.1. Reinforcement Learning allgemein

5.3.4.2. PPO

5.3.4.2.1. Allgemein

5.3.4.2.2. Hyper aufzählen und erklären

5.3.4.3. BC

5.3.4.3.1. Allgemein

5.3.4.3.2. Hyper aufzählen und erklären

5.3.4.4. Methode

5.3.5. Extrinsische Belohnungen

5.4. Tesing

6. Formales2

6.1. Nachwort

6.2. Literaturverzeichnis

6.3. Tabellenverzeichnis

6.4. Eidesstattliche Erklärung

6.5. Danksagung

7. Schluss

7.1. Fazit

7.1.1. Ziel nochmal erwähnen ?

7.1.2. Ergebnisse zusammenfassen

7.1.2.1. Agent-Verhalten

7.1.2.1.1. Viel Bewegun nach Vorne, auch mit Bremsverhalten

7.1.2.1.2. Erst später Rota,Biegung

7.1.2.1.3. Keine versuche mit Koordinierten Manöver

7.1.2.1.4. kein methodisches Zugreifen

7.1.3. Schlussfolgerung ziehen

7.1.3.1. Bestimmung der Position eine Hürde

7.1.3.1.1. Richtungsvektor on/off

7.1.3.1.2. Nur CNN braucht längeres training

7.1.3.2. Manöver sind große Hürde

7.1.3.2.1. zu große Vielfalt

7.1.3.2.2. Coin vs Sphere

7.1.3.3. kein greifen wegen Belohnunskonflikt: zwischenschritte vs endReward

7.1.3.4. Viel Bewegung nach vorne, weil dies schnelle belohnungen verspricht

7.1.4. Widersprüche ansprechen

7.1.4.1. Hinterfragen der eigenen Vorgehensweise

7.1.4.1.1. Nur Abstrakte Form

7.1.4.1.2. Positionierung des Fremdkörpers unabhängig von Erfolg

7.1.4.2. Geltungsbereich einschränken

7.1.5. weitere Forschung oder Maßnahmen empfehlen

7.1.5.1. Deteilreiche simulation

7.1.5.2. Manöver herausstellen und einzeln trainieren durch curriculum

7.1.5.3. Belohnungen Anpassen dass kein Konflikt entsteht

7.1.6. Ausblick

7.1.6.1. Was möglich ist?

7.1.6.1.1. So deteilreich dass wir auf realität übetragen könen

7.1.6.2. Auch was besser gemacht werden sollte.

8. Evaluierung der Realisierung

8.1. Evaluierung der Simulation

8.1.1. Zur Umsetzung Abstrakte Form der Realität (ungenauer)

8.1.1.1. Körper könnte realistischer sein: Animationen gehen noch

8.1.1.2. Endskop-Funktionen lassen sich gut übertragen

8.1.1.3. Fremdkörper lässt sich gut simulieren

8.1.2. Physik

8.1.2.1. Nur so gut wie Rechenleistung es zulassen

8.1.2.2. Collision von Unity müssen besser werden.

8.1.2.2.1. Hat auch Aktionen beeinflusst, da diese nicht schneller sein durften als die Collision detection

8.2. Evaluierung der Versuche

8.2.1. Lernmethoden

8.2.1.1. PPO alleine nicht so gut, weil sehr unwahlscheinlich/hürdenreich dass die gesamte Aufgabe gelöst wird.

8.2.1.2. BC hat bisschen geholfen, allerdings konnte nicht jede Situation dargestellt werden

8.2.2. Belohnungen gut?

8.2.2.1. Zwischenschritte vs Greifen hervorheben

8.2.2.1.1. Belohnungen für all vorherigen Zwischenschritte sind guter Gedanke, können aber reichen ohne dann weitere zu erfordern

8.2.3. Schwierigkeitsgrad: Lösen der Aufgabe und höherer Schwierigkeitsgrad 'ne gute Sache?

9. Einleitung

9.1. Allgemeine Einleitung

9.1.1. Relevanz&Frage

9.1.2. Simu Aufbau

9.1.3. Unity-ML-Agents

9.1.4. Aufgabe des Agents

9.1.5. Aufbau der BA

9.2. Ziel der Bachelorarbeit

9.2.1. Simu+Agent

9.2.2. Zielverhalten

9.2.2.1. näherung

9.2.2.2. manö

9.2.2.3. greifen

9.2.3. Erkenntnisgewinnung zu Hürden