SUPER ODOMETRY 2.0: Resilient Odometry via Hierarchical Adaptation

Roboter müssen, genau wie Menschen, wissen, wo sie sich befinden und wie sie sich bewegen, um Aufgaben bewältigen zu können. Diese Fähigkeit, bekannt als Odometrie, ist die ständige interne Berechnung von Position und Orientierung, die es einer Maschine ermöglicht, von Punkt A nach Punkt B zu navigieren. Seit Jahrzehnten verlassen sich Ingenieure auf externe Sensoren, um dieses Bild der Welt aufzubauen. Kameras fungieren als Augen und erfassen visuelle Merkmale wie Ecken und Texturen, während Laserscanner die Geometrie von Wänden und Hindernissen kartieren. Diese Werkzeuge funktionieren wunderbar in klaren, gut beleuchteten, strukturierten Umgebungen. Die reale Welt ist jedoch oft chaotisch. Dicker Rauch, blendender Schnee, pechschwarze Tunnel oder ein plötzlicher Lichtverlust können eine Kamera blenden und einen Laserstrahl streuen. Wenn diese externen Sinne versagen, kann ein Roboter schnell die Orientierung verlieren, vom Kurs abkommen oder komplett stehen bleiben. Diese Fragilität war lange Zeit eine Barriere für den Einsatz autonomer Maschinen an den gefährlichsten oder unvorhersehbarsten Orten, wie etwa in Katastrophengebieten oder tief unter der Erde in Minen.

Ein Forscherteam der Carnegie Mellon University und der University at Buffalo hat ein neues System namens „Super Odometry“ entwickelt, um dieses Problem zu lösen. Anstatt sich ausschließlich auf externe Sensoren zu verlassen, die leicht durch die Umgebung getäuscht werden können, lernt ihr System, dem internen Bewegungsgefühl eines Roboters zu vertrauen – ganz ähnlich wie ein Mensch, der sich in einem dunklen Raum orientiert, indem er seine eigenen Schritte spürt. Die Forscher entwickelten ein Framework, das nicht einfach nur Sensoren ein- und ausschaltet, sondern seine gesamte Strategie dynamisch anpasst, basierend darauf, wie schlecht die Bedingungen sind. Sie testeten dieses System mit einer Flotte von Robotern, darunter fliegende Drohnen, fahrbare Fahrzeuge und laufende Maschinen, und führten sie über mehr als 200 Kilometer durch herausforderndes Gelände. Die Ergebnisse zeigten, dass das System eine präzise Navigation beibehalten konnte, selbst wenn Kameras und Laser völlig nutzlos waren, wie etwa in dichtem Rauch oder völliger Dunkelheit, indem es sich stark auf die Daten eines internen Bewegungssensors stützte.

Der Kern dieses neuen Ansatzes ist eine Hierarchie von Anpassungen, die einsetzt, wenn sich die Bedingungen verschlechtern. In einer normalen Umgebung nutzt der Roboter seine Kameras und Laserscanner, um seinen Pfad zu verfolgen. Aber wenn die Luft mit Rauch gefüllt ist oder das Licht schwindet, gerät das System nicht in Panik; es ändert einfach seinen Fokus. Der erste Schritt besteht darin, selektiver bei den visuellen Details zu werden, denen es vertraut, indem es unscharfe oder verwirrende Teile des Bildes ignoriert. Wenn die Umgebung geometrisch verwirrend wird, wie etwa in einem langen, leeren Korridor, in dem Wände identisch aussehen, lenkt das System seine Aufmerksamkeit auf die Richtungen, in denen es noch zuverlässige Informationen finden kann, und ignoriert die Richtungen, in denen es sich verloren fühlt. Wenn die Verschlechterung gemischt auftritt, also einige Sensoren ausfallen, während andere kämpfen, passt das System seine Vertrauensgewichtung dynamisch an, indem es sich stärker auf den Sensor verlässt, der noch gut funktioniert.

Die bedeutendste Innovation findet statt, wenn alle externen Sensoren vollständig versagen. In Szenarien wie einem dicht rauchgefüllten Raum oder einem Schneesturm, in denen weder Augen noch Laser etwas sehen können, greift das System auf ein erlerntes internes Modell zurück. Dieses Modell basiert auf einer Inertialen Messeinheit (IMU), einem kleinen Chip im Inneren des Roboters, der Beschleunigung und Rotation misst. Historisch gesehen wurden diese Chips als sekundäre Werkzeuge behandelt, die nur dazu dienten, die Daten von Kameras zu glätten. Die Forscher hingegen trainierten ein Deep-Learning-Netzwerk mit über 100 Stunden Daten von verschiedenen Robotern und brachten ihm bei, Bewegungen rein aus den internen Bewegungsdaten vorherzusagen. Dies ermöglichte es dem Roboter, seine Position zu schätzen, selbst wenn er nichts sehen konnte. Das System ist so konzipiert, dass es, wenn die externen Sensoren funktionieren, dieses interne Modell ständig lehrt und verfeinert. Aber wenn die Außenwelt unsichtbar wird, übernimmt das interne Modell und bietet ein zuverlässiges Fallback, das den Roboter in Bewegung hält.

Um dieses Konzept zu beweisen, unterzogen die Forscher ihr System einer Reihe strenger Tests. Sie steuerten einen laufenden Roboter auf einer kontinuierlichen Route über einen Universitätscampus, die mehr als 13 verschiedene Arten schwieriger Bedingungen beinhaltete. Der Roboter navigierte durch dunkle, merkmalslose Korridore, steile Treppen und Bereiche mit intensiven visuellen Störungen wie Linseneffekten und weißen Wänden. Schließlich betrat der Roboter eine Zone, die mit dichtem Rauch gefüllt war, der seine Sicht und die Lasersensoren vollständig verdeckte. Während der gesamten 2.966 Meter langen Reise versagte das System nie. Es hielt einen finalen Positionsfehler von nur 20 Zentimetern ein, eine bemerkenswert niedrige Driftrate von 0,006 Prozent. Diese Leistung wurde erreicht, ohne komplexe Backend-Tricks anzuwenden oder darauf zu warten, Fehler nachträglich zu korrigieren; das System korrigierte sich selbst in Echtzeit während der Bewegung.

Das Team testete auch die Fähigkeit des Systems, plötzliche Sensorausfälle zu bewältigen. In einem Experiment blockierten sie die Sensoren des Roboters physisch mit Karton – zuerst wurde die Seite abgedeckt, dann die Front und schließlich alle Ansichten sowohl der Kamera als auch des Laserscanners. Das System erkannte diese Blockaden sofort und passte seine Abhängigkeit von den verbleibenden Sensoren an. Als die Kamera blockiert wurde, stützte sich das System auf den Laserscanner; als der Laser blockiert wurde, stützte es sich auf die Kamera. Als beide blockiert waren, übernahm das erlernte interne Bewegungsmodell die Führung. Der Roboter setzte seine Umgebungskartierung und Pfadverfolgung mit hoher Genauigkeit fort, was demonstrierte, dass das System den totalen Verlust der externen Wahrnehmung über längere Zeiträume überleben kann.

Weitere Validierungen erfolgten durch Tests des Systems auf verschiedenen Robotertypen, von Autos und Drohnen bis hin zu vierbeinigen Maschinen und Handgeräten. Die Forscher fanden heraus, dass das interne Bewegungsmodell, das sie trainiert hatten, hochgradig generalisierbar war. Ein Modell, das mit Daten vieler verschiedener Robotertypen trainiert wurde, schnitt besser ab als Modelle, die speziell für nur einen Typ trainiert wurden. Dies bedeutete, dass das System auf einen neuen Roboter eingesetzt werden konnte, ohne ihn von Grund auf neu trainieren zu müssen. Noch beeindruckender war, dass sich das System in Echtzeit an einen völlig neuen Roboter anpassen konnte. In einem Test mit einem großen Allradfahrzeug nutzte das System nur 60 Sekunden an Daten, um sein internes Modell anzupassen, die spezifischen Bewegungsmuster des neuen Fahrzeugs zu erlernen und die Genauigkeit sofort zu verbessern.

Die Forscher verglichen ihre Methode mit den besten bestehenden Technologien auf diesem Gebiet. In Standardtests mit geometrischer und gemischter Degradation erreichte ihr System eine durchschnittliche Fehlerrate, die 54 Prozent niedriger war als die des zweitbesten Verfahrens. Viel wichtiger war jedoch, dass während andere Systeme unter extremsten Bedingungen, wie etwa den dichten Rauchtests, komplett versagten, Super Odometry weiter funktionierte. Die Studie schloss explizit die Idee aus, dass das bloße Hinzufügen von mehr Sensoren oder das Mitteln ihrer Daten ausreicht, um diese Probleme zu lösen. Stattdessen zeigten sie, dass ein starrer Ansatz scheitert, wenn sich die Umgebung ändert, und dass eine flexible, hierarchische Strategie erforderlich ist, um Sicherheit und Funktionalität aufrechtzuerhalten.

Diese Arbeit stellt einen bedeutenden Schritt dar, um Roboter in der realen Welt wahrhaft autonom zu machen. Indem sie den internen Bewegungssensor zu einer primären Rolle erhoben und ein System geschaffen haben, das nahtlos zwischen verschiedenen Strategien je nach Schwere der Umgebung wechseln kann, haben die Forscher ein Fundament für Roboter geschaffen, die unter allen Bedingungen sicher operieren können. Ob es sich um eine Rettungsdrohne handelt, die durch ein rauchgefülltes Gebäude fliegt, einen Rover, der eine dunkle Höhle erkundet, oder ein Fahrzeug, das durch einen Schneesturm fährt – dieses System stellt sicher, dass der Roboter niemals wirklich den Weg verliert. Die Ergebnisse, die über 8-hundert Betriebsstunden während sechs Jahren Entwicklung gesammelt wurden, legen nahe, dass die Ära der fragilen, umgebungsabhängigen Roboter dem Ende entgegengeht und durch Maschinen ersetzt wird, die sich überall anpassen und behaupten können, wohin auch immer sie geschickt werden.