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

I robot autonomi, dai bot per le consegne alle auto a guida autonoma, si affidano a un costante senso interno di dove si trovano e di come si stanno muovendo. In condizioni limpide e soleggiate, le telecamere e i sensori laser eccellono in questo compito, dipingendo un quadro dettagliato del mondo per guidare la macchina. Tuttavia, quando l'aria si riempie di nebbia, polvere o fumo, o quando la luce viene meno, questi sensori ottici spesso diventano ciechi. Per navigare in questi ambienti difficili, gli ingegneri si rivolgono al radar a onde millimetriche. A differenza della luce, le onde radar possono penetrare le ostruzioni visive, rimbalzando su pareti e oggetti per fornire una mappa approssimativa dei dintorni. Eppure, il radar ha un proprio significativo punto cieco: sebbene sia eccellente nel misurare quanto velocemente il robot si muove verso o lontano dagli oggetti, fatica a determinare in quale direzione è rivolto il robot. Senza un senso della direzione affidabile, un robot può deviare dalla rotta, accumulando lentamente errori che alla fine lo portano a credere di trovarsi in un luogo completamente diverso da quello reale.

Un team di ricercatori dell'Istituto di Scienza e Tecnologia di Skolkovo ha sviluppato un nuovo sistema chiamato LoCal-RIO per risolvere questo specifico problema. Il loro lavoro si concentra sulla fusione dei dati radar con le misurazioni di una Unità di Misura Inerziale (IMU), un piccolo pacchetto di sensori contenente accelerometri e giroscopi che tracciano il movimento. La sfida principale che hanno affrontato è che i metodi standard per combinare questi sensori spesso falliscono su lunghe distanze perché il radar non riesce a correggere la tendenza dei giroscopi a derivare. I ricercatori hanno scoperto che, separando il tracciamento del movimento immediato del robot dalla costruzione della mappa a lungo termine, e utilizzando un metodo intelligente per correggere gli errori interni del sensore solo quando il robot completa un intero ciclo, potevano mantenere il robot in rotta con alta precisione, anche in spazi interni grandi e confusi come garage sotterranei e biblioteche multipiano.

Il sistema opera su due livelli distinti che lavorano insieme come un pilota e un navigatore. Il primo livello, il grafo di navigazione, gira costantemente e rapidamente, fondendo le misurazioni di velocità del radar con i dati di movimento dell'IMU per produrre un percorso fluido e in tempo reale da seguire per il robot. Questa parte del sistema è progettata per essere veloce e reattiva, garantendo che il robot possa reagere al suo ambiente istantaneamente. Tuttavia, poiché il radar non può determinare perfettamente la direzione del robot, questo strato di tracciamento rapido accumula inevitabilmente piccoli errori nel tempo, facendo sì che la mappa interna del robot si allontani lentamente dalla realtà. Il secondo livello, il grafo di mappatura, lavora in background. Prende istantanee della posizione del robot in momenti chiave e costruisce una mappa globale dell'ambiente. Questo strato è più lento ma più approfondito, capace di riconoscere quando il robot è tornato in un luogo che ha già visitato in precedenza.

La svolta in LoCal-RIO risiede nel modo in cui questi due livelli comunicano. In molti sistemi precedenti, quando il mappatore in background si rendeva conto che il robot era deviato, semplicemente riportava la posizione del robot alla posizione corretta sulla mappa. Sebbene ciò corresse la mappa, creava un salto improvviso e brusco nel senso interno di posizione del robot, il che poteva confondere i sistemi di controllo che tentavano di sterzare il veicolo. I ricercatori hanno capito che la vera fonte della deriva non era la posizione del robot, ma un piccolo, persistente errore nella lettura del giroscopio. Invece di forzare il salto della posizione del robot, il loro sistema utilizza il momento di una "chiusura del ciclo" (loop closure) — quando il robot riconosce di essere tornato in un punto precedentemente visitato — per calcolare esattamente quanto il giroscopio abbia mentito. Successivamente, corregge silenziosamente il bias interno del sensore, correggendo la causa radice della deriva senza mai disturbare la posizione o la velocità attuale del robot. Ciò consente al robot di continuare a muoversi fluidamente mentre il suo bussola interna diventa gradualmente più accurata.

Per far sì che ciò funzioni, il team ha dovuto superare la natura disordinata dei dati radar, che sono spesso pieni di echi falsi e rumore. Hanno sviluppato una tecnica di filtraggio che dà priorità alle riflessioni forti e chiare provenienti da oggetti solidi, ignorando i segnali più deboli e confusi che rimbalzano su più superfici. Ciò assicura che la mappa costruita sia nitida e affidabile. Inoltre, il sistema include un rigoroso controllo di sicurezza prima di accettare qualsiasi correzione. Non si fida immediatamente di una singola chiusura del ciclo; al contrario, attende finché il robot non ha completato diversi altri cicli e confermato che il nuovo percorso è coerente con quello precedente. Solo allora applica la correzione al bias del sensore, assicurando che il robot non impari mai da un errore.

I ricercatori hanno testato il loro sistema in una varietà di ambienti reali impegnativi, tra cui un grande garage sotterraneo, una biblioteca con scaffali di legno e un edificio del campus con corridoi complessi e curvi. In questi test, il sistema ha mappato con successo migliaia di metri di percorrenza, mantenendo un alto grado di precisione laddove altri sistemi basati sul radar avrebbero fallito. In un test specifico che coinvolgeva una distanza totale di ciclo superiore a 2.200 metri, il sistema ha mantenuto il percorso del robot allineato con la vera geometria dell'edificio, dimostrando di poter gestire schemi ripetitivi e superfici a bassa riflettività che di solito confondono i robot. I risultati hanno mostrato che, concentrandosi sulla calibrazione degli errori interni del sensore piuttosto che sulla semplice correzione della mappa, il robot poteva navigare con un livello di precisione che rivaleggia con i sistemi basati sul laser, più costosi e fragili, ma con la robustezza necessaria per operare negli ambienti nebbiosi, polverosi e bui in cui altre tecnologie falliscono.

Questo approccio rappresenta un passo avanti significativo nel rendere i robot autonomi veramente affidabili nel mondo reale. Trattando la deriva del sensore come un errore correggibile piuttosto che come un difetto inevitabile, e assicurando che le correzioni siano applicate in modo fluido e sicuro, LoCal-RIO offre una strada verso robot capaci di esplorare e operare nelle condizioni più difficili senza smarrire la strada. Il sistema dimostra che, con il giusto quadro matematico, i limiti del radar possono essere trasformati in un punto di forza, permettendo alle macchine di vedere chiaramente anche quando il mondo intorno a loro è oscurato.