Universal Navigation Interface: Robot-Free Data for Wheeled Robot Navigation

Mobile Roboter halten zunehmend Einzug in unseren Alltag, wobei sie mit der Aufgabe betraut sind, Pakete auszuliefern, Infrastrukturen zu inspizieren oder Menschen, die darauf angewiesen sind, Mobilität zu bieten, Unterstützung zu leisten. Damit diese Maschinen sicher durch die belebten, unebenen Welt der städtischen Bürgersteige navigieren können, müssen sie lernen, sich so zu bewegen wie Menschen: indem sie ihre Umgebung beobachten und entscheiden, wohin sie als Nächstes gehen. Der effektivste Weg, einem Roboter diese Fähigkeit beizubringen, besteht darin, ihm tausende Beispiele erfolgreicher Fahrten zu zeigen – ein Prozess, der als das Sammeln von Navigationsdaten bekannt ist. Traditionell war das Sammeln dieser Daten ein langsames und teures Unterfangen, bei dem Forscher einen Roboter physisch durch Stadtviertel steuern mussten, wobei jede Abbiegung und jedes Hindernis sorgfältig aufgezeichnet wurde. Diese Methode begrenzt die Menge der gesammelten Daten und schränkt die Vielfalt der Umgebungen ein, aus denen ein Roboter lernen kann, da das Bewegen schwerer, spezialisierter Ausrüstung an jeden neuen Standort oft unpraktisch ist.

Die zentrale Herausforderung besteht darin, einen Weg zu finden, einem Roboter das Bewegen beizubringen, ohne tatsächlich den Roboter selbst einzusetzen. Wenn ein Mensch einfach einen Pfad gehen und diesen Pfad aufzeichnen könnte, wäre es weitaus einfacher, die riesigen Mengen an Informationen zu sammeln, die für das Training dieser Maschinen benötigt werden. Ein einfacher menschlicher Spaziergang ist jedoch kein perfekter Ersatz. Menschen können problemlos Bordsteine übersteigen, Treppen steigen oder durch enge Lücken schlüpfen, die ein Radroboter niemals bewältigen könnte. Wenn ein Roboter von einem Menschen lernt, der eine Treppe hochgegangen ist, versucht er möglicherweise dasselbe, was zu einem Absturz führt. Die Lösung erfordert eine Methode, die die menschliche Bewegung erfasst, aber gleichzeitig physisch verhindert, dass unmögliche Routen erfasst werden, um sicherzustellen, dass die Daten dessen widerspiegeln, was ein Rad tatsächlich leisten kann.

Forscher der Northeastern University haben einen neuen Ansatz namens „Universal Navigation Interface“ (UNI) vorgestellt, der dieses Problem löst, indem er ein gängiges Stück Ausrüstung verwendet: einen vierrädrigen Rollator. Dieses Gerät, das oft von Menschen genutzt wird, die beim Gehen Stabilität benötigen, dient als physischer Filter für die Daten. Wenn eine Person den Rollator schiebt, wird sie ganz natürlich zu Pfaden geleitet, die sicher für Räder sind. Der Rollator kann keine Treppen steigen, er kann keinen ungeschnittenen Bordstein erklimmen und er passt nicht durch Lücken, die zu schmal sind. Diese physische Einschränkung zwingt den Bediener dazu, Rampen, Bordsteinabsenkungen und breite Passagen zu wählen, was die menschliche Demonstration effektiv in Richtung Routen beeinflusst, die für einen Radroboter machbar sind. Das System ist bemerkenswert einfach und kostengünstig; es besteht lediglich aus dem Rollator selbst und einem Standard-Smartphone, das am Lenker montiert ist. Das Smartphone zeichnet einen synchronisierten Strom von visuellen und räumlichen Daten auf, einschließlich Farbbildern, Tiefeninformationen und Bewegungssensoren, wodurch eine reiche Dokumentation der Reise entsteht.

Mit diesem Aufbau sammelte das Team über siebenunddreißig Kilometer Navigationsdaten in drei verschiedenen Städten. Sie gingen durch vielfältige städtische Umgebungen und begegneten allem, von nassem Asphalt und Baustellen bis hin zu belebten Zebrastreifen und Aufzugfahrten. Da der Rollator die Bediener physisch daran hinderte, zu versuchen, Treppen zu steigen oder ungeschnittene Bordsteine zu überqueren, ist der resultierende Datensatz von Natur aus frei von jenen unmöglichen Manövern, die andere, von Menschen gesammelte Daten oft plagen. Die Forscher verarbeiteten diese Aufzeichnungen anschließend, um präzise, metrische Trajektorien zu extrahieren – im Wesentlichen eine Karte, die genau zeigt, wohin sich das Gerät in realen Entfernungen bewegt hat. Sie nutzten die Tiefeninformationen der Sensoren des Smartphones, um die Bewegungsdaten im physischen Raum zu verankern und sicherzustellen, dass die Distanzen exakt und nicht nur relative Schätzungen waren.

Der wahre Test für diese Methode war, ob die Daten tatsächlich einen Roboter besser navigieren lassen können. Die Forscher nahmen bestehende Navigationsmodelle – also die Software-Gehirne, die es Robotern ermöglichen, sich zu bewegen – und verfeinerten sie unter Verwendung der neuen, mit dem Rollator gesammelten Daten. Die Ergebnisse waren signifikant. Wenn diese Modelle auf ungesehenen Pfaden getestet wurden, verbesserte sich ihre Fähigkeit, die korrekte Route vorherzusagen, um fast fünfundzwanzig Prozent im Vergleich zu ihrer bisherigen Leistung. Diese Verbesserung zeigte sich bei drei verschiedenen Arten von Navigationsmodellen, was darauf hindeutet, dass die Methode robust und weit verbreitet anwendbar ist. Darüber hinaus erfassten die Daten natürliche Pausen, wie etwa das Warten an einem Zebrastreifen oder das Vorranggeben gegenüber einem Fußgänger, die in anderen Datensätzen oft herausgefiltert werden, aber entscheidend für ein sicheres Roboterverhalten sind. Wenn die Modelle darauf trainiert wurden, diese stationären Momente zu erkennen, verbesserte sich ihre Fähigkeit, das Anhalten vorherzusagen, drastisch, wodurch Fehler in diesen Situationen um mehr als sechzig Prozent reduziert wurden.

Um zu beweisen, dass dieses Wissen von einem einfachen Walker auf eine komplexere Maschine übertragen werden kann, testete das Team die trainierten Modelle an einem elektrischen Rollstuhl. In einer Reihe von Closed-Loop-Experimenten wurde der Rollstuhl damit beauftragt, Hindernissen wie ungeschnittenen Bordsteinen und Treppen entgegenzufahren. Eine Version der Software, die nicht mit den Rollator-Daten trainiert worden war, fuhr einfach weiter, konnte das Hindernis nicht erkennen und wäre ohne menschliches Eingreifen zusammengestoßen. Im Gegensatz dazu stoppte der Rollstuhl, der mit der UNI-trainierten Software ausgestattet war, in fast allen Versuchen erfolgreich vor den Hindernissen. Er identifizierte zudem korrekt und ohne Zögern sichere Bordsteinabsenkungen und passierte diese. Dies demonstrierte, dass die aus dem einfachen, von Menschen geschobenen Walker gelernten Lektionen direkt auf eine andere, komplexere Radplattform angewendet werden konnten, obwohl das Erfassungsgerät und der Zielroboter nicht identisch waren.

Die Studie kommt zu dem Schluss, dass ein einfaches, kostengünstiges physisches Stellvertreterobjekt effektiv durch teure Roboterplattformen beim Sammeln von Navigationsdaten ersetzt werden kann. Durch die Verwendung eines Rollators zur Begrenzung menschlicher Demonstrationen schufen die Forscher einen Datensatz, der sowohl groß als auch physisch realistisch für Radroboter ist. Dieser Ansatz macht die Notwendigkeit überflüssig, während der Datenerfassungsphase einen Roboter zu betreiben, was es ermöglicht, vielfältige Navigationsbeispiele an viel mehr Orten und unter viel mehr Bedingungen zu sammeln, als dies zuvor machbar war. Obwohl die Methode nicht alle Herausforderungen der Roboter-Navigation löst, bietet sie einen praktischen und skalierbaren Weg, um Roboter durch die Welt zu führen und so die Lücke zwischen menschlicher Intuition und maschineller Leistungsfähigkeit zu schließen.