LoCal-RIO: Radar-Inertial Odometry with Loop-Closure IMU Bias Calibration

Autonome Roboter, von Lieferbots zu selbstfahrenden Autos, verlassen sich auf ein ständiges, internes Gefühl dafür, wo sie sich befinden und wie sie sich bewegen. Unter klaren, sonnigen Bedingungen sind Kameras und Laserscanner für diese Aufgabe hervorragend geeignet und zeichnen ein detailliertes Bild der Welt, um die Maschine zu führen. Wenn jedoch die Luft voller Nebel, Staub oder Rauch ist oder das Licht versagt, werden diese optischen Sensoren oft blind. Um in diesen schwierigen Umgebungen zu navigieren, greifen Ingenieure auf Millimeterwellen-Radar zurück. Im Gegensatz zu Licht können Radarwellen visuelle Hindernisse durchdringen, von Wänden und Objekten abprallen und so eine grobe Karte der Umgebung erstellen. Doch das Radar hat selbst eine erhebliche Schwachstelle: Während es exzellent darin ist zu messen, wie schnell sich der Roboter auf Objekte zu oder von ihnen weg bewegt, fällt es ihm schwer, dem Roboter mitzuteilen, in welche Richtung er schaut. Ohne ein zuverlässiges Gefühl für die Richtung kann ein Roboter vom Kurs abkommen und langsam Fehler anhäufen, die schließlich dazu führen, dass er glaubt, sich an einem völlig anderen Ort zu befinden, als er tatsächlich ist.

Ein Forschungsteam des Skolkovo Institute of Science and Technology hat ein neues System namens LoCal-RIO entwickelt, um genau dieses Problem zu lösen. Ihre Arbeit konzentriert sich auf die Fusion von Radardaten mit Messungen einer Inertialen Messeinheit (IMU), einem kleinen Sensorpaket, das Beschleunigungssensoren und Gyroskope enthält, die Bewegungen verfolgen. Die zentrale Herausforderung, die sie bewältigt haben, besteht darin, dass Standardmethoden zur Kombination dieser Sensoren über lange Distanzen oft scheitern, da das Radar nicht in der Lage ist, die Drift der Gyroskope zu korrigieren. Die Forscher fanden heraus, dass sie den Roboter auf Kurs halten können, indem sie die unmittelbare Bewegungsverfolgung des Roboters von seinem langfristigen Aufbau der Karte trennen und indem sie eine clevere Methode verwenden, um die internen Fehler des Sensors nur dann zu korrigieren, wenn der Roboter eine vollständige Schleife durchläuft – selbst in großen, verwirrenden Innenräumen wie Tiefgaragen oder mehrstöckigen Bibliotheken.

Das System arbeitet auf zwei verschiedenen Ebenen, die zusammenwirken wie ein Pilot und ein Navigator. Die erste Ebene, der Navigationsgraph, läuft ständig und schnell ab, indem er die Geschwindigkeitsmessungen des Radars mit den Bewegungsdaten der IMU fusioniert, um einen glatten, Echtzeit-Pfad zu erzeugen, dem der Roboter folgen kann. Dieser Teil des Systems ist darauf ausgelegt, schnell und reaktionsschnell zu sein, damit der Roboter sofort auf seine Umgebung reagieren kann. Da das Radar jedoch die Richtung des Roboters nicht perfekt bestimmen kann, akkumuliert diese schnelle Verfolgungsebene zwangsläufig kleine Fehler, wodurch die interne Karte des Roboters langsam von der Realität abweicht. Die zweite Ebene, der Mapping-Graph, arbeitet im Hintergrund. Er macht Momentaufnahmen der Position des Roboters zu Schlüsselmomenten und erstellt eine globale Karte der Umgebung. Diese Ebene arbeitet langsamer, aber gründlicher und ist in der Lage zu erkennen, wenn der Roboter an einen Ort zurückgekehrt ist, den er bereits besucht hat.

Der Durchbruch in LoCal-RIO liegt darin, wie diese beiden Ebenen miteinander kommunizieren. In vielen bisherigen Systemen, wenn der Hintergrund-Mapper feststellte, dass der Roboter abgedriftet war, setzte er die Position des Roboters einfach abrupt an den korrekten Ort auf der Karte zurück. Dies korrigierte zwar die Karte, verursachte aber einen plötzlichen, ruckartigen Sprung in der internen Wahrnehmung des Roboters, was die Steuerungssysteme, die das Fahrzeug lenken, verwirren konnte. Die Forscher erkannten, dass die wahre Quelle der Drift nicht die Position des Roboters war, sondern ein winziger, beständiger Fehler in der Messung des Gyroskops. Anstatt die Position des Roboters springen zu lassen, nutzt ihr System den Moment eines „Loop Closures“ – wenn der Roboter erkennt, dass er an einen zuvor besuchten Ort zurückgekehrt ist –, um genau zu berechnen, wie sehr das Gyroskop gelogen hat. Es passt dann ruhig den internen Bias des Sensors an und korrigiert so die Ursache der Drift, ohne jemals die aktuelle Position oder Geschwindigkeit des Roboters zu stören. Dies ermöglicht es dem Roboter, sich weiterhin reibungslos zu bewegen, während sein interner Kompass allmählich genauer wird.

Um dies zu ermöglichen, musste das Team mit der unordentlichen Natur von Radardaten fertig werden, die oft voller falscher Echos und Rauschen sind. Sie entwickelten eine Filtertechnik, die starke, klare Reflexionen von soliden Objekten priorisiert und schwächere, verwirrende Signale, die von mehreren Oberflächen abprallen, ignoriert. Dies stellt sicher, dass die erstellte Karte scharf und zuverlässig ist. Darüber hinaus enthält das System eine strenge Sicherheitsprüfung, bevor es eine Korrektur akzeptiert. Es vertraut einem einzelnen Loop Closure nicht sofort; stattdin wartet es, bis der Roboter mehrere weitere Schleifen vollendet und bestätigt hat, dass der neue Pfad konsistent mit dem alten ist. Erst dann wendet es die Korrektur auf den Bias des Sensors an, um sicherzustellen, dass der Roboter niemals aus einem Fehler lernt.

Das Team testete sein System in einer Vielzahl anspruchsvoller realer Umgebungen, darunter eine große Tiefgarage, eine Bibliothek mit Holzregalen und ein Campusgebäude mit komplexen, gekrümmten Korridoren. In diesen Tests bildete das System erfolgreich tausende Meter Wegstrecke ab und behielt dabei einen hohen Grad an Genauigkeit bei, wo andere radargestützte Systeme versagt hätten. In einem spezifischen Test mit einer Gesamtschleifendistanz von über 2.200 Metern hielt das System den Pfad des Roboters an der tatsächlichen Geometrie des Gebäudes aus und demonstrierte damit, dass es in der Lage ist, repetitive Muster und Oberflächen mit geringer Reflektivität zu handhaben, die Roboter normalerweise verwirren. Die Ergebnisse zeigten, dass durch die Konzentration auf die Kalibrierung der internen Sensorfehler anstatt nur auf das Korrigieren der Karte, der Roboter mit einer Präzision navigieren konnte, die mit teureren und fragileren laserbasierten Systemen konkurriert, aber die Robustheit besitzt, die für den Betrieb in nebligen, staubigen und dunklen Umgebungen erforderlich ist, in denen andere Technologien versagen.

Dieser Ansatz stellt einen bedeutenden Schritt nach vorn dar, um autonome Roboter in der realen Welt wirklich zuverlässig zu machen. Indem er die Drift des Sensors als korrigierbaren Fehler anstatt als unvermeidbaren Makel behandelt und sicherstellt, dass Korrekturen sanft und sicher angewendet werden, bietet LoCal-RIO einen Weg zu Robotern, die in den schwierigsten Bedingungen explorieren und operieren können, ohne sich zu verirren. Das System beweist, dass mit dem richtigen mathematischen Rahmenwerk die Einschränkungen des Radars in eine Stärke verwandelt werden können, sodass Maschinen klar sehen können, selbst wenn die Welt um sie herum verdeckt ist.