Mit Hilfe dynamischer Systeme werden in der Robotik Objekte der realen Welt modelliert. Diese beinhalten Parameter, die unmittelbaren Einfluss auf die Güte der Modelle haben. In der Domäne von humanoiden Fußball spielenden Robotern werden damit u.a. Ball und Hindernisse, wie beispielsweise das Tor und gegnerische Spieler und nicht zuletzt auch die Selbstlokalisierung des Roboters umgesetzt.

Für die Modelle des Teams FUmanoid wurden die Parameter bislang manuell justiert, was einen zeitwändigen Prozess darstellt. In dieser Arbeit wird am Beispiel des auf einem erweiteren Kalman Filter basierenden Ballmodells gezeigt, dass die Paramteroptimierung solcher Modelle automatisierbar ist und auch bessere Ergebnisse liefert.

Zur Optimierung wurde ein Optimierungsframework implementiert, welches Partikelschwarmoptimierung (PSO), eine stochastische, populationsbasierte Metaheuristik aus der Kategorie Schwarmintelligenz, verwendet. Mit Hilfe des Frameworks lassen sich vergleichbar gute Parametersätze wie die manuell justierten in kurzer Zeit aber auch bessere bei längerer Ausführung bestimmen. Dank der Parallelisierung des Frameworks konnte eine bis zu 30-fache Beschleunigung des Optimierungsprozesses erreicht werden. Das Framework wurde in einer eigens entwickelten Clusterumgebung mit bis zu 11 Knoten und 67 CPU-Kernen getestet.

Zusammenfassend lässt sich sagen, dass PSO erfolgreich auf die Bestimmung von Ballmodel-Parameter angewendet werden kann und wirft die Frage auf, ob eine Optimierung der Hindernismodell- und Selbstlokaliserungsparameter ebenfalls erreicht werden kann.