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

Autonome robots, van bezorgrobots tot zelfrijdende auto's, vertrouwen op een constant, intern gevoel van waar ze zich bevinden en hoe ze bewegen. In heldere, zonnige omstandigheden blinken camera's en laserscanners uit in deze taak, waarbij ze een gedetailleerd beeld van de wereld schilderen om de machine te begeleiden. Echter, wanneer de lucht gevuld is met mist, stof of rook, of wanneer het licht wegvalt, worden deze optische sensoren vaak blind. Om door deze moeilijke omgevingen te navigeren, wenden ingenieurs zich tot millimetergolf-radar. In tegen tegenstelling tot licht kunnen radarvlagen door visuele obstructies heen dringen, waarbij ze tegen muren en objecten weerkaatsen om een ruwe kaart van de omgeving te bieden. Toch heeft radar een aanzienlijk blinde vlek van eigen aard: hoewel het uitstekend is in het meten van hoe snel de robot naar een object toe of ervan af beweegt, heeft het moeite om de robot te vertellen welke kant hij op staat. Zonder een betrouwbaar gevoel voor richting kan een robot uit koers raken, waarbij fouten langzaam accumuleren die er uiteindelijk toe leiden dat de robot gelooft zich op een compleet andere locatie te bevinden dan hij in werkelijkheid doet.

Een team van onderzoekers aan het Skolkovo Institute of Science and Technology heeft een nieuw systeem ontwikkeld genaamd LoCal-RIO om dit specifieke probleem op te lossen. Hun werk richt zich op het fuseren van radargegevens met metingen van een Inertial Measurement Unit (IMU), een kleine sensorpackage die versnellingsmeters en gyroscopen bevat die beweging volgen. De kernuitdaging die zij aanpakten is dat standaardmethoden voor het combineren van deze sensoren vaak falen over lange afstanden, omdat de radar de neiging van de gyroscopen om te driften niet kan corrigeren. De onderzoekers ontdekten dat door het directe bewegingstracking van de robot te scheiden van het langetermijn-kaartbouwen, en door een slimme methode te gebruiken om de interne fouten van de sensor te herstellen alleen wanneer de robot een volledige lus voltooit, ze de robot met hoge precisie op koers konden houden, zelfs in grote, verwarrende binnenruimtes zoals ondergrondse garages en bibliotheken met meerdere verdiepingen.

Het systeem werkt op twee afzonderlijke niveaus die samenwerken als een piloot en een navigator. Het eerste niveau, de navigatiegrafiek, draait constant en snel, waarbij de snelheidmetingen van de radar wordt gefuseerd met de bewegingsgegevens van de IMU om een vloeiend, real-time pad te produceren dat de robot kan volgen. Dit deel van het systeem is ontworpen om snel en reactief te zijn, zodat de robot direct op zijn omgeving kan reageren. Omdat de radar echter de koers van de robot niet perfect kan bepalen, accumuleert dit snelle tracking-laag onvermijdelijk kleine fouten in de tijd, waardoor de interne kaart van de robot langzaam afwijkt van de werkelijkheid. Het tweede niveau, de mappinggrafiek, werkt op de achtergrond. Het neemt snapshots van de positie van de robot op sleutelmomenten en bouwt een globale kaart van de omgeving. Deze laag is trager maar grondiger, en is in staat te herkennen wanneer de robot is teruggekeerd naar een plek die hij eerder heeft bezocht.

De doorbraak in LoCal-RIO ligt in de manier waarop deze twee niveaus met elkaar communiceren. In veel eerdere systemen, wanneer de achtergrondmapper besefte dat de robot was afgedreven, zou het de positie van de robot simpelweg terugspringen naar de juiste locatie op de kaart. Hoewel dit de kaart herstelde, creëerde het een plotselinge, schokkerige sprong in het interne gevoel van de robot over waar hij zich bevond, wat de controlesystemen die het voertuig proberen te sturen, in verwarring kon brengen. De onderzoekers realiseerden zich dat de werkelijke bron van de drift niet de positie van de robot was, maar een minuscule, persistente fout in de meting van de gyroscoop. In plaats van de positie van de robot te laten springen, gebruikt hun systeem het moment van een "loop closure" — wanneer de robot herkent dat hij is teruggekeerd naar een eerder bezochte plek — om exact te berekenen hoeveel de gyroscoop heeft gelogen. Het past vervolgens stilletjes de interne bias van de sensor aan, waardoor de wortel van de drift wordt gecorrigeerd zonder ooit de huidige positie of snelheid van de robot te verstoren. Dit zorgt ervoor dat de robot soepel kan blijven bewegen terwijl zijn interne kompas geleidelijk nauwkeuriger wordt.

Om dit werkend te krijgen, moest het team de rommelige aard van radargegevens overwinnen, die vaak vol zitten met valse echo's en ruis. Ze ontwikkelden een filtertechniek die prioriteit geeft aan sterke, duidelijke reflecties van solide objecten, terwijl zwakkere, verwarrende signalen die van meerdere oppervlakken weerkaatsen, worden genegeerd. Dit zorgt ervoor dat de kaart die wordt gebouwd scherp en betrouwbaar is. Bovendien bevat het systeem een strikte veiligheidscontrole voordat een correctie wordt geaccepteerd. Het vertrouwt een enkele loop closure niet onmiddellijk; in plaats daarvan wacht het tot de robot nog enkele lussen heeft voltooid en heeft bevestigd dat het nieuwe pad consistent is met het oude pad. Pas daarna past het de correctie toe op de bias van de sensor, om te garanderen dat de robot nooit leert van een fout.

De onderzoekers testten hun systeem in een verscheidenheid aan uitdagende real-world omgevingen, waaronder een grote ondergrondse garage, een bibliotheek met houten planken, en een campusgebouw met complexe, gebogen gangen. In deze tests slaagde het systeem erin om duizenden meters aan trajecten in kaart te brengen, waarbij een hoge mate van nauwkeurigheid werd behouden waar andere radar-gebaseerde systemen gefaald zouden hebben. In één specifieke test met een totale loop-afstand van meer dan 2.200 meter, hield het systeem het pad van de robot uitgelijnd met de ware geometrie van het gebouw, wat aantoonde dat het repetitieve patronen en oppervlakken met lage reflectiviteit kon afhandelen die robots gewoonlijk in verwarring brengen. De resultaten toonden aan dat door zich te concentreren op het kalibreren van de interne fouten van de sensor in plaats van alleen maar de kaart te herstellen, de robot kon navigeren met een precisieniveau dat wedijvert met duurdere en kwetsbaardere laser-gebaseerde systemen, maar met de robuustheid die nodig is om te opereren in de mistige, stoffige en donkere omgevingen waar andere technologieën falen.

Deze aanpak vertegenwoordigt een belangrijke stap voorwaarts in het echt betrouwbaar maken van autonome robots. Door de drift van de sensor te behandelen als een corrigeerbare fout in plaats van een onvermijdelijk gebrek, en door ervoor te zorgen dat correcties soepel en veilig worden toegepast, biedt LoCal-RIO een pad naar robots die de meest moeilijke omstandigheden kunnen verkennen en exploiteren zonder hun weg kwijt te raken. Het systeem bewijst dat met het juiste wiskundige kader, de beperkingen van radar kunnen worden omgezet in een kracht, waardoor machines helder kunnen zien, zelfs wanneer de wereld om hen heen wordt gehinderd.