Fortschrittliche 3D-LiDAR-Lokalisierung verbessert die Genauigkeit der Roboterpositionierung

Universidad Miguel Hernández de Elche, Spanien

So „sieht“ der Roboter seine Umgebung mit dem an der UMH entwickelten System. Die 3D-LiDAR-Punktwolkendarstellung ermöglicht die Extraktion globaler und lokaler Strukturmerkmale, um die Pose des Roboters – seine genaue Position und Ausrichtung im Raum – abzuschätzen. (Bild:Universidad Miguel Hernández de Elche)

Mobile Roboter müssen ihre Position kontinuierlich schätzen, um autonom navigieren zu können. Allerdings sind satellitengestützte Navigationssysteme nicht immer zuverlässig:Die Signale können in der Nähe von Gebäuden schlechter werden oder in Innenräumen nicht mehr verfügbar sein. Um sicher und effizient zu arbeiten, müssen Roboter ihre Umgebung mithilfe integrierter Sensoren und robuster Lokalisierungsalgorithmen interpretieren.

Forscher der Miguel-Hernández-Universität Elche (UMH) in Spanien haben ein hierarchisches Lokalisierungssystem entwickelt, das die Roboterpositionierung in großen, sich verändernden Umgebungen deutlich verbessert. Die Methode befasst sich mit einem der anspruchsvollsten Probleme in der mobilen Robotik:dem sogenannten „Kidnapped Robot“-Problem, bei dem ein Roboter das Wissen über seine ursprüngliche Pose verliert, nachdem er bewegt, ausgeschaltet oder verschoben wurde.

Die Studie wurde im International Journal of Intelligent Systems veröffentlicht stellt MCL-DLF (Monte Carlo Localization – Deep Local Feature) vor, ein grobes bis feines 3D-LiDAR-Lokalisierungsframework, das für die Langzeitnavigation in großen Umgebungen entwickelt wurde. Das System wurde über mehrere Monate hinweg auf dem Campus der UMH Elche unter verschiedenen Umgebungsbedingungen validiert, darunter Innen- und Außenszenarien.

Der vorgeschlagene Ansatz ahmt nach, wie Menschen sich in unbekannten oder sich verändernden Umgebungen orientieren. Zunächst führt der Roboter einen groben Lokalisierungsschritt durch und identifiziert seine ungefähre Region basierend auf globalen Strukturmerkmalen, die aus 3D-LiDAR-Punktwolken extrahiert wurden, wie z. B. Gebäuden oder Vegetation.

Sobald dieser Bereich eingegrenzt ist, führt das System eine Feinlokalisierung durch und analysiert detaillierte lokale Merkmale, um die genaue Position und Ausrichtung des Roboters abzuschätzen.

„Das ähnelt der Art und Weise, wie Menschen zunächst einen allgemeinen Bereich erkennen und sich dann auf kleine Unterscheidungsdetails verlassen, um ihren genauen Standort zu bestimmen“, erklärt UMH-Forscherin Míriam Máximo, Hauptautorin der Studie. Die Arbeit wurde von Mónica Ballesta und David Valiente geleitet, ebenfalls Forscher am Engineering Research Institute of Elche (I3E) der UMH. Um Mehrdeutigkeiten in visuell ähnlichen Umgebungen zu vermeiden, integriert die Methode Deep-Learning-Techniken, die automatisch diskriminierende lokale Merkmale aus 3D-Punktwolken extrahieren.

Anstatt sich auf vordefinierte Regeln zu verlassen, lernt der Roboter, welche Umgebungsmerkmale für die Lokalisierung am aussagekräftigsten sind. Diese erlernten Funktionen werden mit der probabilistischen Monte-Carlo-Lokalisierung kombiniert, die mehrere Posenhypothesen verwaltet und diese aktualisiert, wenn neue Sensordaten empfangen werden.

Eine große Herausforderung bei der langfristigen Roboternavigation ist die Umgebungsvariabilität. Außenräume verändern sich im Laufe der Zeit aufgrund saisonaler Veränderungen, Vegetationswachstum oder Beleuchtungsunterschieden, was das Erscheinungsbild erheblich verändern kann.

Die Forscher berichten, dass MCL-DLF eine höhere Positionsgenauigkeit als herkömmliche Ansätze erreicht und gleichzeitig vergleichbare oder bessere Orientierungsschätzungen in bestimmten Flugbahnen beibehält. Wichtig ist, dass das System im Zeitverlauf eine geringere Variabilität aufweist, was seine Robustheit gegenüber saisonalen und strukturellen Veränderungen bestätigt.

Zuverlässige Lokalisierung ist von grundlegender Bedeutung für Servicerobotik, Logistikautomatisierung, Infrastrukturinspektion, Umweltüberwachung und autonome Fahrzeuge. In all diesen Bereichen hängt ein sicherer Betrieb von einer stabilen und präzisen Positionsschätzung unter realen, dynamischen Bedingungen ab.

Obwohl die vollständig autonome Navigation nach wie vor eine zentrale Herausforderung in der Robotik darstellt, bringt diese Arbeit Roboter einem zuverlässigen Betrieb in großen, sich verändernden Umgebungen ohne externe Positionierungsinfrastruktur näher.

Für weitere Informationen wenden Sie sich bitte an Angeles Gallar unter Diese E-Mail-Adresse ist vor Spambots geschützt. Sie müssen JavaScript aktivieren, damit Sie es sehen können.; +34 965-222-569.