MOSAIC: Modular Scalable Autonomy for Intelligent Coordination of Heterogeneous Robotic Teams

Dit paper introduceert MOSAIC, een schaalbaar autonomieframework voor heterogene robotteams dat door middel van een eenheidsmissie-abstractie en dynamische taaktoewijzing wetenschappelijke verkenning mogelijk maakt met minimale menselijke supervisie, zoals aangetoond in een geslaagde maan-analoog veldtest.

De kern

Stel je voor dat je een expeditie organiseert naar de maan. In plaats van één grote, superduurzame rover (zoals de huidige Mars-rovers) te sturen, besluit je een heel team van verschillende robots te sturen. Sommige zijn snel en wendbaar, andere zijn zwaar en hebben speciale wetenschappelijke apparatuur.

Het probleem? Als je één menselijke operator (een bestuurspersoon) hebt die al deze robots moet aansturen, wordt het een chaos. De operator kan niet overal tegelijk zijn, en als één robot vastloopt in een zandduin, is de hele missie misschien wel voorbij.

Dit is waar het MOSAIC-project om de hoek komt kijken. Het is een slim systeem dat een team van verschillende robots laat samenwerken, zodat één enkele operator het hele team kan bewaken en aansturen.

Hier is hoe het werkt, vertaald naar alledaagse taal:

1. De "Postbode" van de Missie: POI's

In plaats van de operator te zeggen: "Ga naar coördinaat X, draai dan 90 graden, en graaf een gat", werkt MOSAIC met POI's (Points of Interest).

• De Analogie: Denk aan een postbode die een lijst met adressen heeft. De operator zegt niet hoe de postbode moet lopen, maar waar hij moet zijn. "Ga naar die grote rots" of "Ga naar die gekleurde zandplek".
• Het Slimme: Het systeem weet welke robot welke taak het beste kan. Een snelle robot krijgt de taak om de rots te verkennen, een zware robot met een boor krijgt de taak om er een monster van te nemen. De operator hoeft niet te weten welke robot welke taak doet; het systeem verdeelt het werk automatisch.

2. Het Team: De Verkenners en De Wetenschappers

Het team bestaat uit twee soorten robots, net als in een echt expeditieteam:

• De Verkenners (Scouts): Dit zijn de snelle, wendbare robots (zoals de hond-achtige ANYmal en Spot). Zij rennen vooruit, kijken om de hoek en zoeken naar interessante plekken. Ze hebben geen zware apparatuur, maar wel camera's en lasers.
• De Wetenschappers (Scientists): Dit zijn de zwaardere robots (zoals de wieler-achtige Husky en een zwaardere ANYmal). Zij hebben zware apparatuur zoals boormachines en spectrometers. Ze wachten tot de verkenners een interessante plek hebben gevonden, en gaan dan daar naartoe om gedetailleerd onderzoek te doen.

3. De Drie Niveaus van Zelfstandigheid

Het systeem is zo ontworpen dat de robots zo veel mogelijk zelfstandig werken, maar de operator kan altijd ingrijpen. Het werkt als een ladder met drie treden:

1. De Hoogste Trede (Volledige Zelfstandigheid): De robots beslissen zelf welke taak ze als volgende doen. Ze communiceren met elkaar om niet op elkaars pad te lopen. De operator kijkt alleen toe.
2. De Midden Trede (Taak-niveau): De operator zegt: "Die robot, ga naar die rots en meet de samenstelling." De robot regelt de rest zelf (hoe hij er komt, hoe hij de boor vasthoudt).
3. De Laagste Trede (Besturing): Als er iets misgaat, kan de operator de robot volledig overnemen en met een joystick besturen, alsof het een videospelletje is.

4. De Proef: Een Maan-achtige Test

De makers hebben dit systeem getest in een steengroeve in Zwitserland die eruitzag als de maan (met sneeuw, modder en losse stenen). Ze hadden vijf robots en één operator.

• Het Drama: Halverwege de test ging één van de snelle verkenners (Dodo) kapot door water.
• Het Resultaat: Omdat het systeem slim was, nam het team het werk van de kapotte robot over. De andere robots deden net alsof er niets gebeurd was. Ze voltooiden 82% van hun taken, terwijl de operator maar 78% van de tijd actief hoefde te zijn. De rest van de tijd deden de robots het werk zelf!

5. Wat hebben we geleerd? (De Lessen)

De onderzoekers trokken een paar belangrijke conclusies voor de toekomst:

• Geen één groot brein: Als één robot uitvalt, moet het team niet staken. Redundantie (meerdere robots die hetzelfde kunnen) is cruciaal.
• Meer verkenners dan wetenschappers: Je hebt meer snelle robots nodig om het gebied te verkennen dan zware robots om te meten. Een goede verhouding is ongeveer 3 verkenners op 2 wetenschappers.
• De operator is een mens: Zelfs met slimme robots moet de operator soms ingrijpen. Het systeem moet zo zijn dat de operator niet overbelast raakt. Als één robot vastzit, moet de operator niet de hele dag bezig zijn met het losgraven van die ene robot, terwijl de anderen stilstaan.

Conclusie

MOSAIC is als het sturen van een fietstocht met een groep vrienden. In plaats dat één persoon iedereen vertelt waar ze moeten fietsen en hoe ze moeten trappen, heeft de groep een gezamenlijk doel (bijvoorbeeld "de bergtop bereiken"). Iedereen kiest zijn eigen route, maar ze houden contact. Als iemand een lekke band krijgt, passen de anderen hun route aan en gaan ze gewoon door.

Dit maakt het mogelijk om in de toekomst grote teams van robots naar de maan of Mars te sturen voor wetenschappelijk onderzoek, zonder dat er een heel team van mensen nodig is om ze één voor één te besturen.

Technische samenvatting

Hier is een gedetailleerde technische samenvatting van het paper "MOSAIC: Modular Scalable Autonomy for Intelligent Coordination of Heterogeneous Robotic Teams" in het Nederlands.

Probleemstelling

Mobiele robots zijn onmisbaar geworden voor het verkennen van vijandige omgevingen (zoals de ruimte of rampgebieden), maar worden vaak nog beperkt tot teleoperatie door een menselijke operator. Dit heeft twee grote nadelen:

1. Beperkte schaalbaarheid: Een enkele operator kan slechts een beperkt aantal robots tegelijkertijd effectief besturen.
2. Hoge eisen aan communicatie: Teleoperatie vereist een continue, laag-latente verbinding tussen operator en robot.
   Bestaande oplossingen voor ruimtevaart missen vaak de robuustheid van multi-robot systemen (waarbij een falen van één robot de hele missie niet hoeft te beëindigen) of vereisen te veel menselijke tussenkomst om schaalbaar te zijn. Er is behoefte aan een systeem dat heterogene robotteams (verschillende soorten robots) kan coördineren onder toezicht van één enkele operator, zelfs bij communicatieproblemen of uitval van robots.

Methodologie: Het MOSAIC Framework

De auteurs presenteren MOSAIC (Modular Scalable Autonomy for Intelligent Coordination of Heterogeneous Robotic Teams), een architectuur die schaalbare autonomie mogelijk maakt via een gelaagde aanpak en een uniforme missie-abstractie.

1. Kernconcepten:

• Unified Mission Abstraction (Points of Interest - POI's): Missiedoelen worden niet als specifieke robotcommando's, maar als "Points of Interest" (POI's) gedefinieerd (bijv. "onderzoek deze rots", "verken dit gebied"). Dit ontkoppelt het wat (missiedoel) van het hoe (robot-specifieke uitvoering).
• Drie Niveaus van Autonomie:
  • Missieniveau: De operator of het systeem selecteert en prioriteert POI's. Robots claimen deze autonoom op basis van hun capaciteiten.
  • Taakniveau: Robots voeren de POI's autonoom uit (navigatie, meting, manipulatie).
  • Driver-niveau: Directe teleoperatie voor noodinterventie of fijne aanpassingen.
• Rollen en Redundantie: Het team bestaat uit twee rollen: Scouts (snelle verkenners met camera's/LiDAR) en Wetenschappers (zware platforms met specifieke instrumenten). Elke rol wordt door minimaal twee robots vervuld om redundantie te garanderen.

2. Software Architectuur:

• Gebaseerd op ROS 2 (Humble) voor systeemniveau en ROS 1 (Noetic) voor bepaalde robotdrivers (met bruggen ertussen).
• Decentrale uitvoering, centrale coördinatie: Een centrale "Mission Control" beheert de globale staat en POI's, terwijl elke robot lokaal plant en navigeert.
• POI Planning: Een iteratief, greedy algoritme berekent de "nut" (utility) van elke POI voor elke robot, rekening houdend met afstand, batterijverbruik en robotcapaciteiten. Robots communiceren hun plannen om conflicten te voorkomen.
• Behavior Trees: Elke robot gebruikt een Behavior Tree voor het beheren van de uitvoering van POI's en het schakelen tussen autonome en teleoperatie-modi.

3. Hardware Implementatie (Testteam):
Het systeem werd getest met een heterogeen team van vijf robots:

• Scouts: Drie quadrupeds (ANYmal D "Dodo", ANYmal D "Dilly", Boston Dynamics "Spot"). Deze zijn uitgerust met LiDAR en camera's voor kaartopbouw en het detecteren van potentiële doelen.
• Wetenschappers: Twee platforms (ANYmal D "Donkey" met een 6-DoF arm en spectrometer/microscoop, en een Clearpath Husky met een UR5 arm en XRF-spectrometer). Deze voeren de daadwerkelijke wetenschappelijke metingen uit.

Kernbijdragen

1. MOSAIC Framework: Een implementatie van schaalbare autonomie die parallelle wetenschappelijke verkenning mogelijk maakt door één operator.
2. POI-gebaseerde Abstractie: Een uniek systeem om missiedoelen te vertalen naar robot-specifieke taken, wat interoperabiliteit tussen verschillende robotplatforms vergemakkelijkt.
3. Veldvalidatie: Een succesvolle demonstratie in een realistische, maan-analoog omgeving (een steengroeve in Zwitserland) met een heterogeen team van vijf robots.
4. Lessons Learned: Een uitgebreide lijst met praktische inzichten over ROS 2 interoperabiliteit, netwerkarquitectuur, teamcompositie en operatorbelasting.

Resultaten van het Veldexperiment

Het experiment vond plaats in een maan-analoog scenario (rotsen en gekleurd zand als proxy voor mineralen) met één operator. Ondanks uitval van hardware en softwareproblemen, werden de volgende resultaten behaald:

• Robuustheid: Een van de scouts (Dodo) viel volledig uit door waterschade. Het team kon de missie voortzetten; de operator nam handmatig de taak over om nieuwe POI's te genereren.
• Autonomie Ratio: Het team behaalde een Autonomie Ratio van 86%. Dit betekent dat de robots 86% van de tijd autonoom opereerden (plannen en uitvoeren), terwijl de operator slechts 14% van de tijd actief ingreep (voornamelijk voor teleoperatie van Spot en troubleshooting).
• Operator Workload: De kwantitatieve operatorbelasting bedroeg 78,2%, wat voornamelijk werd veroorzaakt door het handmatig creëren van POI's na het uitvallen van Dodo en het oplossen van softwareproblemen bij Spot.
• Missie Succes: Het team voltooide 82,3% van de toegewezen taken (metingen en verkenning).
• Efficiëntie: Er werd een gebied van 758 m² in kaart gebracht met een efficiëntie van 2,19 m² per meter afgelegde weg.
• Uitdagingen: Er waren problemen met netwerkkwaliteit (ROS 2 DDS over WiFi) en het samenvoegen van ROS 1 en ROS 2 componenten, wat leidde tot tijdelijke uitval en extra operatorinterventie.

Significantie en Toekomstperspectief

De studie toont aan dat heterogene multi-robotteams voor wetenschappelijke verkenning schaalbaar kunnen worden gemaakt met slechts één operator, zelfs in onvoorspelbare omgevingen.

• Belangrijkste inzichten:
  • Redundantie is cruciaal: Het hebben van meerdere robots per rol (scout/wetenschapper) maakt het mogelijk om uitval te compenseren zonder de missie te stoppen.
  • ROS 2 Migratie: Het mengen van ROS 1 en ROS 2 is problematisch voor stabiliteit en timing; een volledige migratie naar ROS 2 wordt aanbevolen.
  • Netwerkbeheer: Voor draadloze communicatie moeten "best effort" QoS-instellingen worden gebruikt in plaats van "reliable" om latentie en pakketverlies te minimaliseren.
  • Teamcompositie: Een verhouding van minstens 3 scouts op 2 wetenschappers wordt aanbevolen om de verkenningssnelheid te maximaliseren zonder dat wetenschappers te veel tijd verliezen met wachten.

De auteurs zien de toekomst in het volledig autonoom maken van teams tijdens communicatieonderbrekingen (via mesh-netwerken) en het uitbreiden van het team naar ~10 robots met 2-3 operators voor toekomstige maanmissies.