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

Immaginate un robot progettato per guidare autonomamente attraverso una foresta, non su una strada asfaltata, ma attraverso la natura selvaggia e mutevole del profondo nord. Per far sì che queste macchine funzionino, devono sapere dove si trovano in ogni secondo. Di solito, si affidano ai segnali dei satelliti che orbitano in alto sopra, proprio come uno smartphone usa il GPS per trovare un bar. Ma nelle profonde foreste subartiche del Canada, il cielo è spesso bloccato da spessi strati di alberi e l'aria stessa può inghiottire i segnali. Quando il segnale satellitare fallisce, il robot deve fare affidamento sui propri occhi e sensori per navigare, un processo chiamato odometria. È un po' come camminare in una stanza buia con gli occhi chiusi, cercando di contare i passi per sapere quanto si è andati avanti. Il problema è che la stanza cambia. In estate, la foresta è verde e piena di foglie; in inverno, è sepolta sotto metri di neve e gli alberi sono nudi e spogli. Per una macchina, questo spostamento stagionale è come se la stanza cambiasse improvvisamente disposizione ai mobili mentre si cerca di camminare.

Questa è la sfida che un team di ricercatori dell'Università Laval a Québec si è posto come obiettivo. Volevano sapere se il software di navigazione più intelligente disponibile oggi potesse sopravvivere un anno intero in una foresta boreale subartica. Non si sono limitati a simularlo su un computer; hanno costruito un vero robot, un veicolo cingolato delle dimensioni di una piccola auto, e lo hanno mandato nel selvaggio. Lo hanno guidato per 64 chilometri di strade forestali e terreni fuori pista, registrando dati attraverso il calore dell'estate, il decadimento dell'autunno e il gelo profondo dell'inverno. Gli sbalzi di temperatura sono stati estremi, variando di oltre 60 gradi Celsius tra i giorni più caldi e le notti più fredde. L'obiettivo era testare nove diversi sistemi di navigazione, che andavano dai semplici metodi di conteggio delle ruote a complessi sistemi di intelligenza artificiale che cercano di costruire una mappa 3D del mondo in tempo reale. Volevano vedere quali sistemi avrebbero continuato a funzionare quando il mondo intorno a loro cambiava completamente, e quali invece si sarebbero semplicemente arresi.

I risultati sono stati sorprendenti. I ricercatori hanno scoperto che i sistemi più sofisticati, quelli che usano telecamere per "vedere" il mondo o algoritmi complessi per costruire mappe dettagliate, erano spesso i più fragili. Quando le stagioni cambiavano, questi sistemi avanzati faticavano a riconoscere lo stesso luogo. Una telecamera che osserva una foresta in estate vede foglie verdi e luce screziata; in inverno, quella stessa foresta è un tunnel di neve bianca e tronchi scuri. Il software, addestrato su dati provenienti da città o climi miti, non riusciva a stabilire la connessione. Si confondeva, perdeva il segno e usciva dalla rotta. In molti casi, questi sistemi high-tech hanno performato peggio di un metodo molto più semplice che si limita a contare quanto girano le ruote e usa un sensore di base per indovinare la direzione. Questo metodo semplice, noto come odometria propriocettiva, non gli importava di come apparisse la foresta. Gli importava solo del movimento del robot stesso. Sebbene non fosse perfetto, si è dimostrato notevolmente costante, fallendo molto meno spesso dei suoi "cugini" complessi quando la neve si accumulava o gli alberi venivano coperti dal ghiaccio.

Lo studio ha anche rivelato che aggiungere complessità al sistema rendeva spesso più probabile il suo guasto. Alcuni dei software avanzati cercavano di correggere i propri errori cercando luoghi già visitati in precedenza, un processo chiamato "loop closure" (chiusura dell'anello). In una città, questo funziona bene perché gli edifici rimangono uguali tutto l'anno. Nella foresta subartica, tuttavia, i "punti di riferimento" erano inaffidabili. Un cumulo di neve in inverno potrebbe sembrare un cespuglio in estate, o un albero potrebbe essere nascosto da un banco di neve. Il software cercava di abbinare queste caratteristiche, sbagliava e poi commetteva un enorme errore nella sua posizione. I ricercatori hanno scoperto che questi sistemi complessi erano così sensibili al cambiamento dell'ambiente da far spesso fermare il robot sul posto. Al contrario, i sistemi più semplici, che non cercavano di costruire una mappa perfetta del mondo, continuavano ad avanzare, anche se erano leggermente fuori rotta.

Una delle scoperte più critiche riguardava la differenza tra i sensori stessi. Le telecamere, che sono ottime per vedere i dettagli in una città, erano le più influenzate dalle stagioni. In estate, la telecamera poteva vedere molti elementi da tracciare, ma in inverno, la neve creava una superficie bianca piatta e priva di caratteristiche che confondeva il software. Il robot procedeva sulla neve, e la telecamera non vedeva altro che bianco, causando la perdita del senso della direzione del sistema di navigazione. Il radar e il lidar, che usano onde radio e impulsi laser per misurare la distanza, erano molto più resilienti. Potevano vedere attraverso la neve e l'oscurità, e non dipendevano dall'aspetto visivo degli alberi. Tuttavia, anche questi sensori avevano problemi quando il terreno stesso cambiava forma. Quando un robot passava sopra un banco di neve, l'angolo del veicolo cambiava, alterando il modo in cui i sensori vedevano il suolo. Questo spostamento fisico, combinato con il paesaggio mutevole, faceva sì che anche i sistemi radar faticassero nel cercare di abbinare un nuovo viaggio a una vecchia mappa.

I ricercatori hanno anche testato se un robot potesse apprendere un percorso in una stagione e ripeterlo in un'altra, un compito noto come "Teach and Repeat" (Insegna e Ripeti). Hanno insegnato al robot un percorso in estate e gli hanno chiesto di percorrere lo stesso tragitto in inverno. I risultati sono stati contrastanti. I sistemi basati sul lidar, che usano i laser per creare una mappa 3D, sono riusciti a completare il compito in molti casi, principalmente perché potevano vedere gli alberi alti che rimanevano costanti anche quando il suolo era sepolto. I sistemi radar, che vedono solo una sezione piatta del mondo, e i sistemi a telecamera, che si affidano a schemi visivi, hanno fallito molto più spesso. Il radar, in particolare, è stato confuso dal cambiamento dell'angolo del terreno mentre il robot saliva sui banchi di neve, portando a una perdita di allineamento con la mappa appresa mesi prima. I sistemi a telecamera semplicemente non riuscivano a trovare abbastanza indizi visivi per sapere dove si trovassero, specialmente quando il robot procedeva su strade non spazzate dove la neve era profonda e uniforme.

Oltre al software, la realtà fisica dell'ambiente subartico poneva le proprie sfide che i ricercatori hanno dovuto superare solo per mantenere in corso l'esperimento. Il freddo era un nemico costante. Le batterie perdevano potenza molto più velocemente nelle temperature gelide, e i cingoli del robot, destinati ad aiutarlo a muoversi sulla neve, richiedevano in realtà il doppio dell'energia per girare rispetto alle ruote in estate. Il team ha dovuto affrontare il problema del robot che rimaneva bloccato nella neve, non solo per la profondità, ma per il tipo di neve. La neve fresca e asciutta di novembre permetteva al robot di avere presa e muoversi, ma la neve umida e pesante di aprile faceva girare i cingoli senza far avanzare il veicolo. I sensori dovevano essere mantenuti puliti da neve e ghiaccio, altrimenti avrebbero smesso completamente di funzionare. Persino la "ground truth", ovvero i dati di riferimento usati per verificare se il robot fosse corretto, era difficile da ottenere. Il team ha dovuto utilizzare una speciale gru per sollevare il robot e scuoterlo in diverse direzioni per calibrare i suoi sensori, poiché il freddo estremo e il terreno accidentato rendevano impossibile la calibrazione standard.

Lo studio conclude che, sebbene abbiamo fatto grandi progressi nella navigazione robotica, la foresta subartica rimane una frontiera ostile per le macchine autonome. Gli algoritmi più avanzati, che funzionano magnificamente nelle città o nei laboratori controllati, non sono ancora pronti per il mondo selvaggio e mutevole del nord. Sono troppo fragili, troppo dipendenti dal fatto che il mondo appaia uguale a quando sono stati istruiti. I metodi più semplici, che si affidano al movimento del robot stesso, si sono dimostrati i più affidabili, suggerendo che per ora un robot nel profondo nord potrebbe fare meglio a fidarsi dei propri passi piuttosto che cercare di riconoscere il paesaggio. I ricercatori sottolineano che, per progredire, il settore ha bisogno di modi migliori per testare questi sistemi in condizioni reali, non solo in simulazioni. Suggeriscono che i test futuri dovrebbero riportare esplicitamente quanto spesso i sistemi falliscono, non solo quanto siano accurati quando funzionano. Fino ad allora, il sogno di un robot che possa vagare nella foresta subartica tutto l'anno, navigando tra la neve profonda e le stagioni mutevoli in autonomia, rimane appena fuori portata. La foresta sta cambiando, e le macchine non sono ancora pronte a stare al passo.