Marker-Constrained Pose-Graph Correction for Cross-Platform Georeferencing in GNSS-Denied Environments

In de wereld van autonome machines is weten waar je precies bent het verschil tussen een succesvolle missie en een verloren robot. Wanneer een drone of een grondvoertuig opereert in open velden, vertrouwt het op satellieten om de locatie te bepalen. Maar in dichte bossen, diepe stedelijke canyons, of gebieden waar signalen doelbewust worden geblokkeerd, verdwijnt die satellietgeleiding. Zonder deze geleiding moeten machines vertrouwen op hun eigen interne sensoren om hun pad te raden. Deze sensoren zijn goed in het volgen van bewegingen voor een korte tijd, maar ze drijven onvermijdelijk af, zoals een kompas dat langzaam uit koers raakt. Tijdens een lange reis groeit deze kleine fout uit tot een enorme fout, waardoor de machine niet meer zeker weet of hij voor een gebouw staat of honderd meter ervan verwijderd is. Dit probleem wordt nog moeilijker wanneer verschillende soorten machines, zoals vliegende drones en lopende robots, een kaart moeten delen. Als ze het niet eens kunnen worden over een gemeenschappelijk coördinatensysteem, kunnen ze niet effectief samenwerken.

Om dit op te lossen, hebben onderzoekers een nieuwe methode ontwikkeld waarmee machines hun weg kunnen vinden zonder satellieten te gebruiken, door gebruik te maken van onzichtbare, vooraf geplaatste markeringen. Deze markeringen zijn niet de heldere, hoog-contrast stickers die men gewoonlijk in robotica-laboratoria ziet, wat een verborgen positie in een militaire of beveiligingscontext zou verraden. In plaats daarvan gebruikte het team piepkleine sferen gemaakt van speciale vloeibare kristallen die licht reflecteren op een manier die onzichtbaar is voor het menselijk oog, maar perfect duidelijk voor een camera uitgerust met de juiste filters. Door een paar van deze markeringen op bekende locaties te plaatsen vóór een missie, creëerden de onderzoekers een verborgen raster dat de machines konden gebruiken om hun afwijkende paden te corrigeren. Het doel was om te zien of dit systeem een ruw, afwijkend pad van een lichtgewicht sensor en een gedetailleerde 3D-kaart van een zware sensor kon nemen en beide naar de juiste werkelijke posities kon laten springen, zonder ooit een satelliet signaal nodig te hebben.

De onderzoekers testten dit idee door twee verschillende soorten missies te simuleren: één die een drone nabootste die door de lucht vliegt, en een andere die een grondvoertuig nabootste dat langs de aarde beweegt. Ze gebruikten één handheld apparaat met een laserscanner en een camera, dat door een parcours bewoog dat zowel vlucht als grondverplaatsing representeerde. Om het verborgen raster te creëren, plaatsten ze een enkele fysieke markering op zes verschillende onderzochte plekken langs de route, waarbij ze de markering van de ene plek naar de volgende verplaatsten terwijl ze gegevens opnamen. Op elk punt werd de markering zo gepositioneerd dat deze onzichtbaar was voor het blote oog en perfect opging in de achtergrond, terwijl deze toch een specifiek lichtpatroon reflecteerde dat de camera kon detecteren en identificeren. Het systeem gebruikte deze detecties vervolgens om de interne kaart van de machine te corrigeren.

De resultaten toonden aan dat deze aanpak opmerkelijk goed werkte. Vóór de correctie week de interne schatting van het pad van de machine aanzienlijk af, waardoor de machine op de verkeerde plek uitkwam wanneer hij terugkeerde naar een plek die hij eerder had bezocht. Na het toepassen van de marker-gebaseerde correctie daalde de fout in de drone-achtige sessie met bijna 98 procent, en de fout in de grondvoertuig-achtige sessie daalde met meer dan 99 procent. Dit betekende dat wanneer de machine terugkeerde naar het startpunt, hij zijn locatie met extreme precisie kende, zelfs hoewel hij nooit een satelliet had gezien. Het systeem verbeterde ook de nauwkeurigheid van de gedetailleerde 3D-kaarten die het bouwde, waardoor ze correct uitlijnden met de echte wereld zonder dat ze later handmatig aan elkaar gestikt hoefden te worden.

Een belangrijk onderdeel van de studie was het begrijpen van hoe de plaatsing van deze markeringen de resultaten beïnvloedde. Het team kwam tot de conclusie dat het hebben van meer markeringen over het algemeen leidde tot een betere nauwkeurigheid, wat intuïtief is. Ze ontdekten echter ook iets verrassends over waar ze te plaatsen. Het gemeenschappelijke gevoel suggereert dat markeringen zo ver mogelijk uit elkaar geplaatst moeten worden om een breed net te creëren. Toch toonden de gegevens aan dat markeringen die in een rechte lijn tussen twee andere markeringen werden geplaatst, eigenlijk nauwkeuriger werden voorspeld dan markeringen die op de scherpe hoeken of uitersten van het pad werden geplaatst. Dit gebeurde omdat het wiskundige proces dat gebruikt wordt om de kaart te corrigeren, het beste werkt wanneer het de gaten tussen bekende punten opvult, in plaats van te proberen te raden wat er ver buiten hen ligt. Dit inzicht suggereert dat voor toekomstige missies de belangrijkste factor niet het vermijden van rechte lijnen is, maar het waarborgen dat de randen van het gebied van belang worden gedekt door markeringen.

De studie bewees ook dat deze methode verschillende machines in staat stelt om het eens te worden over een kaart zonder dat ze direct met elkaar hoeven te communiceren. De onderzoekers genereerden twee afzonderlijke, gedetailleerde 3D-kaarten—één van het gesimuleerde dronepad en één van het gesimuleerde grondpad. Elke kaart werd onafhankelijk gecorrigeerd met behulp van alleen de verborgen markeringen. Wanneer ze deze twee kaarten over elkaar legden, kwamen ze overeen met een mediane afstand van slechts 58 centimeter tussen de corresponderende punten. Dit niveau van overeenstemming vond plaats zonder dat er speciale software werd gebruikt om de twee kaarten met de hand in elkaar te passen, wat bewees dat de verborgen markeringen een betrouwbare gemeenschappelijke taal boden voor verschillende soorten machines.

Het gehele proces was ook snel genoeg voor realtime gebruik. De computer deed minder dan een kwart seconde om het pad voor een hele sessie te corrigeren, en de camera kon de onzichtbare markeringen met een snelheid van ongeveer 80 keer per seconde detecteren. Deze snelheid, gecombineerd met het feit dat de markeringen onzichtbaar zijn voor het menselijk oog en in elk oppervlak gecamoufleerd kunnen worden, maakt het systeem zeer praktisch voor defensie- en beveiligingsoperaties waarbij zichtbaarheid een nadeel is. De onderzoekers merkten op dat hoewel het systeem een sterk bewijs van concept is, toekomstig werk zal moeten testen met meerdere gelijktijdige ingezette markeringen en op werkelijke vliegende en grondvoertuigen, in plaats van op een enkel handheld apparaat. Voor nu demonstreert de studie dat autonome machines, met slechts een paar zorgvuldig geplaatste, onzichtbare ankers, door complexe, signaalvrije omgevingen kunnen navigeren met een niveau van precisie dat voorheen moeilijk te bereiken was.