Fortgeschrittene 3D-LiDAR-Lokalisierung verbessert Roboter-Positionsgenauigkeit

Universidad Miguel Hernández de Elche, Spanien

So „sieht“ der Roboter seine Umgebung mit dem an der UMH entwickelten System. Die 3D-LiDAR-Punktwolken-Darstellung ermöglicht die Extraktion globaler und lokaler struktureller Merkmale zur Schätzung der Roboter-Pose – seiner präzisen Position und Orientierung im Raum. (Bild: Universidad Miguel Hernández de Elche)

Mobile Roboter müssen kontinuierlich ihre Position schätzen, um autonom zu navigieren. Satellitenbasierte Navigationssysteme sind jedoch nicht immer zuverlässig: Signale können nahe Gebäuden degradieren oder in Innenräumen unavailable werden. Um sicher und effizient zu operieren, müssen Roboter ihre Umgebung mit Onboard-Sensoren und robusten Lokalisierungsalgorithmen interpretieren.

Forscher an der Miguel Hernández Universität Elche (UMH) in Spanien haben ein hierarchisches Lokalisierungssystem entwickelt, das die Roboterpositionierung in großen, sich verändernden Umgebungen signifikant verbessert. Die Methode adressiert eines der herausforderndsten Probleme in der mobilen Robotik: das sogenannte „entführte Roboter“-Problem, bei dem ein Roboter Wissen über seine initiale Pose verliert, nachdem er bewegt, ausgeschaltet oder verschoben wurde.

Die Studie, veröffentlicht im International Journal of Intelligent Systems, stellt MCL-DLF (Monte Carlo Localization – Deep Local Feature) vor, ein Coarse-to-Fine 3D-LiDAR-Lokalisierungsframework, designed für Langzeitnavigation in großen Umgebungen. Das System wurde über mehrere Monate auf dem UMH Elche Campus unter variierenden Umweltbedingungen validiert, einschließlich sowohl Indoor- als auch Outdoor-Szenarien.

Der vorgeschlagene Ansatz ahmt nach, wie Menschen sich in unbekannten oder sich verändernden Umgebungen orientieren. Zuerst führt der Roboter einen groben Lokalisierungsschritt durch, identifiziert seine approximative Region basierend auf globalen strukturellen Merkmalen, extrahiert aus 3D-LiDAR-Punktwolken, wie Gebäuden oder Vegetation.

Sobald diese Region eingegrenzt ist, führt das System eine feine Lokalisierung durch, analysiert detaillierte lokale Merkmale, um die exakte Position und Orientierung des Roboters zu schätzen.

„Das ist ähnlich wie Menschen zuerst einen allgemeinen Bereich erkennen und dann auf kleine unterscheidende Details vertrauen, um ihren präzisen Standort zu bestimmen“, erklärt UMH-Forscherin Míriam Máximo, Erstautorin der Studie. Die Arbeit wurde von Mónica Ballesta und David Valiente geleitet, ebenfalls Forscher am UMH's Engineering Research Institute of Elche (I3E). Um Mehrdeutigkeit in visuell ähnlichen Umgebungen zu vermeiden, integriert die Methode Deep-Learning-Techniken, die automatisch diskriminative lokale Merkmale aus 3D-Punktwolken extrahieren.

Anstatt auf vordefinierte Regeln zu vertrauen, lernt der Roboter, welche Umgebungsmerkmale für die Lokalisierung am informativsten sind. Diese gelernten Merkmale werden mit probabilistischer Monte-Carlo-Lokalisierung kombiniert, die mehrere Pose-Hypothesen aufrechterhält und sie aktualisiert, wenn neue Sensordaten empfangen werden.

Eine große Herausforderung in der Langzeitroboter-Navigation ist Umweltvariabilität. Außenräume ändern sich über Zeit durch jahreszeitliche Verschiebungen, Vegetationswachstum oder Beleuchtungsunterschiede, was das Erscheinungsbild signifikant verändern kann.

Die Forscher berichten, dass MCL-DLF höhere Positionsgenauigkeit als konventionelle Ansätze erreicht, während es vergleichbare oder überlegene Orientierungsschätzungen in bestimmten Trajektorien beibehält. Wichtig: Das System zeigt geringere Variabilität über Zeit, was seine Robustheit gegenüber jahreszeitlichen und strukturellen Änderungen bestätigt.

Zuverlässige Lokalisierung ist fundamental für Servicerobotik, Logistikautomatisierung, Infrastrukturinspektion, Umweltmonitoring und autonome Fahrzeuge. In all diesen Domänen hängt sichere Operation von stabiler und präziser Positionsschätzung in realen, dynamischen Bedingungen ab.

Obwohl vollautonome Navigation eine zentrale Herausforderung in der Robotik bleibt, bringt diese Arbeit Roboter näher an zuverlässigen Betrieb in großen, sich verändernden Umgebungen ohne externe Positionierungsinfrastruktur.

Für weitere Informationen kontaktieren Sie Angeles Gallar unter dieser E-Mail-Adresse, die vor Spambots geschützt wird. Sie benötigen JavaScript, um sie anzuzeigen.; +34 965-222-569.