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

Los robots autónomos, desde robots de entrega hasta coches que se conducen solos, dependen de un sentido interno constante de dónde están y cómo se mueven. En condiciones despejadas y soleadas, las cámaras y los escáneres láser sobresalen en esta tarea, pintando una imagen detallada del mundo para guiar a la máquina. Sin embargo, cuando el aire se llena de niebla, polvo o humo, o cuando la iluminación falla, estos sensores ópticos suelen quedar ciegos. Para navegar por estos entornos difíciles, los ingenieros recurren al radar de onda milimétrica. A diferencia de la luz, las ondas de radar pueden atravesar obstrucciones visuales, rebotando en paredes y objetos para proporcionar un mapa aproximado del entorno. No obstante, el radar tiene su propio punto ciego significativo: si bien es excelente para medir qué tan rápido se mueve el robot hacia adelante o hacia atrás respecto a los objetos, le cuesta decirle al robot hacia qué dirección está orientado. Sin un sentido de la dirección fiable, un robot puede desviarse de su curso, acumulando lentamente errores que eventualmente lo llevan a creer que está en un lugar completamente distinto al que realmente se encuentra.

Un equipo de investigadores del Instituto Skolkovo de Ciencia y Tecnología ha desarrollado un nuevo sistema llamado LoCal-RIO para resolver este problema específico. Su trabajo se centra en fusionar los datos del radar con las mediciones de una Unidad de Medición Inercial (IMU), un pequeño paquete de sensores que contiene acelerómetros y giroscopios que rastrean el movimiento. El desafío central que abordaron es que los métodos estándar para combinar estos sensores suelen fallar en distancias largas porque el radar no puede corregir la tendencia de los giroscopios a la deriva. Los investigadores descubrieron que, al separar el seguimiento del movimiento inmediato del robot de la construcción de su mapa a largo plazo, y al utilizar un método ingenioso para corregir los errores internos del sensor solo cuando el robot completa un bucle completo, podrían mantener al robot en su curso con alta precisión, incluso en espacios interiores grandes y confusos como garajes subterráneos y bibliotecas de varios pisos.

El sistema opera en dos niveles distintos que trabajan juntos como un piloto y un navegante. El primer nivel, el grafo de navegación, se ejecuta de forma constante y rápida, fusionando las mediciones de velocidad del radar con los datos de movimiento de la IMU para producir una trayectoria suave y en tiempo real para que el robot la siga. Esta parte del sistema está diseñada para ser rápida y sensible, asegurando que el robot pueda reaccionar a su entorno instantáneamente. Sin embargo, debido a que el radar no puede determinar perfectamente la orientación del robot, esta capa de seguimiento rápido inevitablemente acumula pequeños errores con el tiempo, haciendo que el mapa interno del robot se desvíe lentamente de la realidad. El segundo nivel, el grafo de mapeo, trabaja en segundo plano. Toma instantáneas de la posición del robot en momentos clave y construye un mapa global del entorno. Esta capa es más lenta pero más exhaustiva, capaz de reconocer cuándo el robot ha regresado a un lugar que ya ha visitado antes.

El avance de LoCal-RIO reside en cómo se comunican estos dos niveles. En muchos sistemas anteriores, cuando el mapeador de fondo se daba cuenta de que el robot se había desviado, simplemente hacía que la posición del robot saltara de regreso a la ubicación correcta en el mapa. Si bien esto corregía el mapa, creaba un salto repentino y brusco en el sentido interno de ubicación del robot, lo que podía confundir a los sistemas de control que intentaban dirigir el vehículo. Los investigadores se dieron cuenta de que la verdadera fuente de la deriva no era la posición del robot, sino un error diminuto y persistente en la lectura del giroscopio. En lugar de forzar el salto de la posición del robot, su sistema utiliza el momento de un "cierre de bucle" (loop closure) —cuando el robot reconoce que ha regresado a un punto previo— para calcular exactamente cuánto ha estado mintiendo el giroscopio. Luego, ajusta silenciosamente el sesgo interno del sensor, corrigiendo la causa raíz de la deriva sin perturbar nunca la posición o la velocidad actual del robot. Esto permite que el robot continúe moviéndose suavemente mientras su brújula interna se vuelve gradualmente más precisa.

Para que esto funcionara, el equipo tuvo que superar la naturaleza desordenada de los datos de radar, que a menudo están llenos de ecos falsos y ruido. Desarrollaron una técnica de filtrado que prioriza las reflexiones fuertes y claras de objetos sólidos mientras ignora las señales más débiles y confusas que rebotan en múltiples superficies. Esto asegura que el mapa que se construye sea nítido y fiable. Además, el sistema incluye una rigurosa verificación de seguridad antes de aceptar cualquier corrección. No confía en un solo cierre de bucle de inmediato; en su lugar, espera hasta que el robot haya completado varios bucles más y confirme que la nueva trayectoria es consistente con la anterior. Solo entonces aplica la corrección al sesgo del sensor, asegurando que el robot nunca aprenda de un error.

Los investigadores probaron su sistema en una variedad de entornos desafiantes del mundo real, incluyendo un gran garaje subterráneo, una biblioteca con estanterías de madera y un edificio de campus con pasillos curvos y complejos. En estas pruebas, el sistema mapeó con éxito miles de metros de recorrido, manteniendo un alto grado de precisión donde otros sistemas basados en radar habrían fallado. En una prueba específica que involucró una distancia de bucle total de más de 2,200 metros, el sistema mantuvo la trayectoria del robot alineada con la geometría real del edificio, demostrando que podía manejar patrones repetitivos y superficies de baja reflectividad que normalmente confunden a los robots. Los resultados mostraron que, al centrarse en calibrar los errores internos del sensor en lugar de solo corregir el mapa, el robot podía navegar con un nivel de precisión que rivaliza con los sistemas basados en láser, que son más caros y frágiles, pero con la robustez necesaria para operar en los entornos polvorientos, con niebla y oscuros donde otras tecnologías fallan.

Este enfoque representa un paso significativo hacia la creación de robots autónomos verdaderamente fiables en el mundo real. Al tratar la deriva del sensor como un error corregible en lugar de un defecto inevitable, y al asegurar que las correcciones se apliquen de manera suave y segura, LoCal-RIO ofrece un camino para que los robots exploren y operen en las condiciones más difíciles sin perder el rumbo. El sistema demuestra que, con el marco matemático adecuado, las limitaciones del radar pueden convertirse en una fortaleza, permitiendo que las máquinas vean con claridad incluso cuando el mundo a su alrededor está oscurecido.