One year in a forest: Analyzing the challenges of autonomous navigation in subarctic environments

Stellen Sie sich einen Roboter vor, der darauf programmiert ist, sich selbst durch einen Wald zu steuern, nicht auf einer asphaltierten Straße, sondern durch die rohe, unbeständige Wildnis des hohen Nordens. Damit diese Maschinen funktionieren, müssen sie jede Sekunde wissen, wo sie sich befinden. Normalerweise verlassen sie sich auf Signale von Satelliten, die hoch oben im Orbit kreisen, ganz ähnlich wie ein Smartphone GPS nutzt, um ein Café zu finden. Doch in den tiefen, subarktischen Wäldern Kanadas wird der Himmel oft von dichten Baumschichten verdeckt, und die Luft selbst kann die Signale verschlucken. Wenn das Satellitensignal ausfällt, muss sich der Roboter auf seine eigenen Augen und Sensoren verlassen, um zu navigieren – ein Prozess, der Odometrie genannt wird. Es ist ein wenig so, als würde man mit geschlossenen Augen durch einen dunklen Raum gehen und versuchen, die eigenen Schritte zu zählen, um zu wissen, wie weit man gekommen ist. Das Problem ist, dass sich der Raum verändert. Im Sommer ist der Wald grün und voller Blätter; im Winter ist er unter Metern von Schnee begraben, und die Bäume stehen kahl und nackt da. Für eine Maschine ist dieser saisonale Wechsel wie ein Raum, in dem sich plötzlich die Möbel umstellen, während man versucht, hindurchzugehen.

Dies ist die Herausforderung, der sich ein Forscherteam der Université Laval in Québec stellen wollte. Sie wollten wissen, ob die intelligenteste verfügbare Navigationssoftware heute in einem subarktischen borealen Wald ein ganzes Jahr überleben könnte. Sie haben dies nicht nur am Computer simuliert; sie bauten einen echten Roboter, ein Kettenfahrzeug in der Größe eines kleinen Autos, und schickten ihn hinaus in die Wildnis. Sie fuhren 64 Kilometer über Waldstraßen und abseits befestigter Wege, wobei sie Daten durch die Hitze des Sommers, den Verfall des Herbstes und den tiefen Frost des Winters aufzeichneten. Die Temperaturschwankungen waren extrem und betrugen mehr als 60 Grad Celsius zwischen den wärmsten Tagen und den kältesten Nächten. Das Ziel war es, neun verschiedene Navigationssysteme zu testen, die von einfachen Radzählmethoden bis hin zu komplexer künstlicher Intelligenz reichen, die versucht, in Echtzeit eine 3D-Karte der Welt zu erstellen. Sie wollten sehen, welche Systeme weiterarbeiten würden, wenn sich die Welt um sie herum komplett verändert, und welche einfach aufgeben würden.

Die Ergebnisse waren überraschend. Die Forscher fanden heraus, dass die anspruchsvollsten Systeme – jene, die Kameras nutzen, um die Welt zu „sehen“, oder komplexe Algorithmen verwenden, um detaillierte Karten zu erstellen – oft die fragilsten waren. Wenn die Jahreszeiten wechselten, hatten diese fortschrittlichen Systeme Schwierigkeiten, denselben Ort wiederzuerkennen. Eine Kamera, die einen Wald im Sommer sieht, sieht grüne Blätter und gesprenkeltes Sonnenlicht; im Winter sieht derselbe Wald aus wie ein Tunnel aus weißem Schnee und dunklen Stämmen. Die Software, die auf Daten aus Städten oder gemäßigten Klimazonen trainiert wurde, konnte die Verbindung nicht herstellen. Sie geriet durcheinander, verlor die Orientierung und wich vom Kurs ab. In vielen Fällen schnitten diese Hightech-Systeme schlechter ab als eine viel einfachere Methode, die lediglich zählt, wie oft sich die Räder gedreht haben, und einen Basissensor nutzt, um die Richtung zu schätzen. Diese einfache Methode, bekannt als propriozeptive Odometrie, kümmerte sich nicht darum, wie der Wald aussah. Sie interessierte sich nur für die Bewegung des Roboters selbst. Obwohl sie nicht perfekt war, erwies sie sich als bemerkenswert beständig und fiel weitaus seltener aus als ihre komplexen Verwandten, wenn sich der Schnee stapelte oder die Bäume mit Eis bedeckt waren.

Die Studie zeigte auch, dass das Hinzufügen von Komplexität zu dem System oft dazu führt, dass es eher kaputtgeht. Einige der fortgeschrittenen Softwares versuchten, ihre eigenen Fehler zu korrigieren, indem sie nach Orten suchten, die sie bereits besucht hatten – ein Prozess namens Loop Closure (Schleifenschluss). In einer Stadt funktioniert das gut, weil Gebäude das ganze Jahr über gleich aussehen. In der subarktischen Wildnis jedoch waren die „Landmarken“ unzuverlässig. Ein Schneehaufen im Winter könnte wie ein Busch im Sommer aussehen, oder ein Baum könnte durch einen Schneehaufen verborgen sein. Die Software versuchte, diese Merkmale abzugleichen, lag falsch und verursachte dann einen massiven Fehler in ihrer Position. Die Forscher fanden heraus, dass diese komplexen Systeme so empfindlich gegenüber der wechselnden Umgebung waren, dass sie oft komplett versagten und den Roboter auf dem Weg stoppten. Im Gegensatz dazu bewegten sich die einfacheren Systeme, die nicht versuchten, eine perfekte Karte der Welt zu erstellen, weiter, selbst wenn sie leicht vom Kurs abwichen.

Einer der kritischsten Befunde betraf den Unterschied zwischen den Sensoren selbst. Die Kameras, die in einer Stadt großartig darin sind, Details zu erfassen, waren am stärksten von den Jahreszeiten betroffen. Im Sommer konnte die Kamera viele Merkmale verfolgen, aber im Winter schuf der Schnee eine flache, merkmalslose weiße Oberfläche, die die Software verwirrte. Der Roboter fuhr über den Schnee, und die Kamera sah nichts als Weiß, was das Navigationssystem die Orientierung verlieren ließ. Radar und Lidar, die Radiowellen und Laserpulse nutzen, um Entfernungen zu messen, waren wesentlich widerstandsfähiger. Sie konnten durch den Schnee und die Dunkelheit sehen und hingen nicht vom visuellen Erscheinungsbild der Bäume ab. Dennoch hatten selbst diese Sensoren Probleme, wenn sich der Boden selbst veränderte. Wenn ein Roboter über einen Schneehaufen fuhr, neigte sich der Winkel des Fahrzeugs, was die Art und Weise veränderte, wie die Sensoren den Boden wahrnahmen. Diese physische Verschiebung, kombziniert mit der sich ändernden Landschaft, führte dazu, dass selbst die Radarsysteme Schwierigkeiten bekamen, wenn sie versuchten, eine neue Fahrt mit einer alten Karte abzugleichen.

Die Forscher testeten auch, ob ein Roboter einen Pfad in einer Jahreszeit lernen und in einer anderen wiederholen kann, eine Aufgabe, die als „Teach and Repeat“ (Lernen und Wiederholen) bekannt ist. Sie brachten dem Roboter eine Route im Sommer bei und baten ihn, denselben Pfad im Winter zu fahren. Die Ergebnisse waren gemischt. Die Lidar-basierten Systeme, die Laser nutzen, um eine 3D-Karte zu erstellen, konnten die Aufgabe in vielen Fällen bewältigen, hauptsächlich weil sie die hohen Bäume sehen konnten, die auch dann beständig blieben, wenn der Boden begraben war. Die Radarsysteme, die nur einen flachen Querschnitt der Welt sehen, und die Kamerasysteme, die auf visuellen Mustern basieren, scheiterten viel häufiger. Insbesondere das Radar war durch den wechselnden Winkel des Bodens verwirrt, wenn der Roboter über Schneehaufen fuhr, was zu einem Verlust der Ausrichtung mit der vor Monaten gelernten Karte führte. Die Kamerasysteme konnten schlichtweg nicht genügend visuelle Hinweise finden, um zu wissen, wo sie waren, besonders wenn der Roboter auf ungeräumten Straßen fuhr, auf denen der Schnee tief und gleichmäßig war.

Jenseits der Software stellte die physische Realität der subarktischen Umgebung eigene Herausforderungen dar, die die Forscher bewältigen mussten, nur um das Experiment überhaupt am Laufen zu halten. Die Kälte war ein ständiger Feind. Batterien verloren in den gefrierenden Temperaturen viel schneller an Energie, und die Ketten des Roboters, die eigentlich dazu gedacht waren, ihm die Bewegung über den Schnee zu ermöglichen, benötigten beim Drehen doppelt so viel Energie wie die Räder im Sommer. Das Team musste damit fertig werden, dass der Roboter im Schnee stecken blieb, nicht nur wegen der Tiefe, sondern wegen der Art des Schnees. Frischer, trockener Schnee im November ermöglichte es dem Roboter, Grip zu finden und sich zu bewegen, aber nasser, schwerer Schnee im April ließ die Ketten durchdrehen, ohne das Fahrzeug vorwärtszubewegen. Sensoren mussten sauber von Schnee und Eis gehalten werden, sonst würden sie gar nicht erst funktionieren. Selbst die „Ground Truth“ – die Referenzdaten, die verwendet wurden, um zu prüfen, ob der Roboter richtig lag – war schwer zu beschaffen. Das Team musste einen speziellen Kran benutzen, um den Roboter anzuheben und ihn in verschiedene Richtungen zu schütteln, um seine Sensoren zu kalibrieren, da die extreme Kälte und das raue Gelände eine Standardkalibrierung unmöglich machten.

Die Studie kommt zu dem Schluss, dass wir zwar große Fortschritte in der Roboternavigation gemacht haben, der subarktische Wald jedoch eine feindselige Grenze für autonome Maschinen bleibt. Die fortschrittlichsten Algorithmen, die in Städten oder kontrollierten Laboren wunderbar funktionieren, sind für die wilde, sich verändernde Welt des Nordens noch nicht bereit. Sie sind zu fragil, zu abhängig davon, dass die Welt genau so aussieht wie zu dem Zeitpunkt, als sie ihr beigebracht wurden. Die einfachsten Methoden, die auf der eigenen Bewegung des Roboters basieren, erwiesen sich als die zuverlässigsten, was darauf hindeutet, dass ein Roboter im tiefen Norden vorerst besser beraten ist, seinen eigenen Schritten zu vertrauen, als zu versuchen, die Umgebung zu erkennen. Die Forscher betonen, dass das Feld vorwärtskommen muss, indem es bessere Wege findet, diese Systeme unter realen Bedingungen zu testen, nicht nur in Simulationen. Sie schlagen vor, dass zukünftige Tests explizit berichten sollten, wie oft die Systeme versagen, und nicht nur, wie genau sie sind, wenn sie funktionieren. Bis dahin bleibt der Traum von einem Roboter, der den subarktischen Wald das ganze Jahr über durchstreift und dabei eigenständig durch den tiefen Schnee und die wechselnden Jahreszeiten navigiert, in weiter Ferne. Der Wald verändert sich, und die Maschinen sind noch nicht bereit, Schritt zu halten.