Marker-Constrained Pose-Graph Correction for Cross-Platform Georeferencing in GNSS-Denied Environments

In der Welt der autonomen Maschinen ist das exakte Wissen darüber, wo man sich befindet, der Unterschied zwischen einer erfolgreichen Mission und einem verlorenen Roboter. Wenn eine Drohne oder ein Bodenfahrzeug in offenen Feldern operiert, verlässt sie sich auf Satelliten, um ihren Standort zu bestimmen. Doch in dichten Wäldern, tiefen Häuserschluchten oder in Gebieten, in denen Signale absichtlich blockiert werden, verschwindet diese Satellitennavigation. Oh dies fehlt, müssen Maschinen auf ihre eigenen internen Sensoren zurückgreifen, um ihren Pfad zu schätzen. Diese Sensoren sind gut darin, Bewegungen für eine kurze Zeit zu verfolgen, aber sie driften unweigerlich ab, wie ein Kompass, der langsam aus der Bahn gerät. Auf einer langen Reise wächst dieser kleine Fehler zu einem massiven Fehler an, der die Maschine unsicher macht, ob sie vor einem Gebäude steht oder hundert Meter davon entfernt ist. Dieses Problem wird noch schwieriger, wenn verschiedene Arten von Maschinen, wie zum Beispiel fliegende Drohnen und laufende Roboter, eine Karte teilen müssen. Wenn sie sich nicht auf ein gemeinsames Koordinatensystem einigen können, können sie nicht effektiv zusammenarbeiten.

Um dies zu lösen, haben Forscher eine neue Methode entwickelt, die es Maschinen ermöglicht, sich ohne Satelliten zurechtzufinden, indem sie unsichtbare, vorab platzierte Markierungen verwenden. Diese Markierungen sind nicht die hellen, kontrastreichen Aufkleber, die man normalerweise in Robotik-Laboren sieht, welche eine verborgene Position in einem militärischen oder sicherheitstechnischen Kontext verraten würden. Stattdessen verwendete das Team winzige Kugeln aus speziellen Flüssigkristallen, die Licht auf eine Weise reflektieren, die für das menschliche Auge unsichtbar, aber für eine Kamera mit den richtigen Filtern perfekt klar ist. Durch das Platzieren einiger dieser Markierungen an bekannten Orten vor einer Mission schufen die Forscher ein verborgenes Gitter, das die Maschinen nutzen konnten, um ihre driftenden Pfade zu korrigieren. Das Ziel war es zu sehen, ob dieses System einen groben, driftenden Pfad eines leichten Sensors und eine detaillierte 3D-Karte eines schweren Sensors nehmen und beide in die korrekten realen Positionen bringen kann, ohne jemals ein Satellitensignal zu benötigen.

Die Forscher testeten diese Idee, indem sie zwei verschiedene Arten von Missionen simulierten: eine, die eine Drohne beim Fliegen durch die Luft nachahmte, und eine andere, die ein Bodenfahrzeug beim Bewegen entlang der Erde nachahmte. Sie verwendeten ein einzelnes Handgerät, das einen Laserscanner und eine Kamera trug, und bewegten es durch einen Kurs, der sowohl Flug- als das als Bodenfahrt repräsentierte. Um das verborgene Gitter zu erstellen, platzierten sie eine einzige physische Markierung an sechs verschiedenen vermessenen Stellen entlang der Route, wobei sie die Markierung von einem Ort zum nächsten bewegten, während sie Daten aufzeichneten. An jeder Stelle wurde die Markierung so positioniert, dass sie für das bloße Auge unsichtbar war und perfekt mit dem Hintergrund verschmolz, sich jedoch ein spezifisches Lichtmuster reflektierte, das die Kamera erkennen und identifizieren konnte. Das System nutzte diese Detektionen dann, um die interne Karte der Maschine zu korrigieren.

Die Ergebnisse zeigten, dass dieser Ansatz bemerkenswert gut funktionierte. Vor der Korrektur driftete die interne Schätzung des Pfades der Maschine erheblich ab, was dazu führte, dass sie an einem Punkt, den sie zuvor besucht hatte, an der falschen Stelle landete. Nach Anwendung der markerbasierten Korrektur sank der Fehler in der drohnenähnlichen Sitzung um fast 98 Prozent und der Fehler in der bodenfahrzeugähnlichen Sitzung um mehr als 99 Prozent. Dies bedeutete, dass die Maschine, wenn sie zum Ausgangspunkt zurückkehrte, ihren Standort mit extremer Präzision kannte, obwohl sie nie einen Satelliten gesehen hatte. Das System verbesserte auch die Genauigkeit der detaillierten 3D-Karten, die es erstellte, indem es sie korrekt mit der realen Welt in Einklang brachte, ohne dass sie später manuell zusammengefügt werden mussten.

Ein wesentlicher Teil der Studie bestand darin, zu verstehen, wie die Platzierung dieser Markierungen die Ergebnisse beeinflusste. Das Team fand heraus, dass mehr Markierungen im Allgemeinen zu einer besseren Genauigkeit führten, was intuitiv ist. Sie entdeckten jedoch auch etwas Überraschendes darüber, wo man sie platzieren sollte. Der gesunde Menschenverstand legt nahe, dass Markierungen so weit wie möglich voneinander entfernt verteilt werden sollten, um ein breites Netz zu spannen. Doch die Daten zeigten, dass Markierungen, die in einer geraden Linie zwischen zwei anderen Markierungen platziert wurden, tatsächlich präziser vorhergesagt wurden als Markierungen an den scharfen Ecken oder Extrempunkten des Pfades. Dies geschah, weil der mathematische Prozess, der die Karte korrigiert, am besten funktioniert, wenn er die Lücken zwischen bekannten Punkten füllt, anstatt zu versuchen, das zu erraten, was weit über sie hinaus liegt. Diese Erkenntnis deutet darauf hin, dass für zukünftige Missionen der wichtigste Faktor nicht das Vermeiden von geraden Linien ist, sondern sicherzustellen, dass die Ränder des interessierenden Bereichs durch Markierungen abgedeckt sind.

Die Studie bewies auch, dass diese Methode es verschiedenen Maschinen ermöglicht, sich auf eine Karte zu einigen, ohne jemals direkt miteinander kommunizieren zu müssen. Die Forscher erstellten zwei separate, detaillierte 3D-Karten – eine aus dem simulierten Drohnenpfad und eine aus dem simulierten Bodenpfad. Jede Karte wurde unabhängig unter Verwendung der verborgenen Markierungen korrigiert. Als sie diese beiden Karten übereinanderlegten, stimmten sie mit einem Medianabstand von nur 58 Zentimetern zwischen den entsprechenden Punkten überein. Dieses Maß an Übereinstimmung geschah, ohne dass spezielle Software versuchte, die beiden Karten zwangsweise zur Deckung zu bringen, was beweist, dass die verborgenen Markierungen eine zuverlässige gemeinsame Sprache für verschiedene Arten von Maschinen boten.

Der gesamte Prozess war zudem schnell genug für den Echtzeitgebrauch. Der Computer benötigte weniger als ein Viertelsekunde, um den Pfad für eine gesamte Sitzung zu korrigieren, und die Kamera konnte die unsichtbaren Markierungen mit einer Rate von etwa 80 Mal pro Sekunde erfassen. Diese Geschwindigkeit, kombiniert mit der Tatsache, dass die Markierungen für das menschliche Auge unsichtbar sind und in jede Oberfläche getarnt werden können, macht das System hochgradig praktisch für Verteidigungs- und Sicherheitsoperationen, bei denen Sichtbarkeit ein Nachteil ist. Die Forscher merkten an, dass das System ein starker Proof-of-Concept ist, zukünftige Arbeiten jedoch notwendig sein werden, um es mit mehreren gleichzeitig eingesetzten Markierungen und auf tatsächlichen fliegenden und Bodenfahrzeugen zu testen, statt nur mit einem einzelnen Handgerät. Für den Moment demonstriert die Studie, dass autonome Maschinen mit nur wenigen sorgfältig platzierten, unsichtbaren Ankern in komplexen, signalfreien Umgebungen mit einer Präzision navigieren können, die zuvor schwer zu erreichen war.