SUPER ODOMETRY 2.0: Resilient Odometry via Hierarchical Adaptation

Robots, net als mensen, moeten weten waar ze zijn en hoe ze bewegen om taken uit te voeren. Deze vaardigheid, bekend als odometrie, is de constante interne berekening van positie en oriëntatie die een machine in staat stelt om van punt A naar punt B te navigeren. Decennialang hebben ingenieurs vertrouwd op externe sensoren om dit beeld van de wereld op te bouwen. Camera's fungeren als ogen en leggen visuele kenmerken vast zoals hoeken en texturen, terwijl laserscanners de geometrie van muren en obstakels in kaart brengen. Deze instrumenten werken prachtig in heldere, goed verlichte, gestructureerde omgevingen. De echte wereld is echter vaak chaotisch. Dikke rook, verblindende sneeuw, pikzwarte tunnels of een plotseling verlies van licht kunnen een camera blind maken en een laserstraal verstrooien. Wanneer deze externe zintuigen falen, kan een robot snel de weg kwijtraken, uit koers raken of volledig stoppen. Deze kwetsbaarheid is lang een barrière geweest voor het sturen van autonome machines naar de meest gevaarlijke of onvoorspelbare plaatsen, zoals rampgebieden of diepe ondergrondse mijnen.

Een team van onderzoekers van Carnegie Mellon University en de University at Buffalo heeft een nieuw systeem ontwikkeld genaamd Super Odometry om dit probleem op te lossen. In plaats van uitsluitend te vertrouwen op externe sensoren die gemakkelijk door de omgeving kunnen worden misleid, leert hun systeem te vertrouwen op het interne bewegingsgevoel van een robot, vergelijkbaar met hoe een mens door een donkere kamer navigeert door de eigen stappen te voelen. De onderzoekers bouwden een framework dat niet alleen sensoren aan- of uitzet, maar zijn volledige strategie dynamisch aanpast op basis van hoe slecht de omstandigheden zijn. Ze testten dit systeem op een vloot robots, inclusief vliegende drones, voertuigen met wielen en machines met poten, waarbij ze meer dan 200 kilometer door uitdagend terrein reden. De resultaten toonden aan dat het systeem nauwkeurige navigatie kon behouden, zelfs wanneer camera's en lasers volledig nutteloos waren, zoals in dichte rook of totale duisternis, door zwaar te leunen op gegevens van een interne bewegingssensor.

De kern van deze nieuwe aanpak is een hiërarchie van aanpassingen die in werking treedt naarmate de omstandigheden verslechteren. In een normale omgeving gebruikt de robot zijn camera's en laserscanners om zijn pad te volgen. Maar wanneer de lucht vol rook raakt of het licht vervaagt, raakt het systeem niet in paniek; het verandigt simpelweg van focus. De eerste stap is om selectiever te worden over welke visuele details het vertrouwt, door wazige of verwarrende delen van het beeld te negeren. Als de omgeving geometrisch verwarrend wordt, zoals een lange, lege gang waar muren identiek lijken, verlegt het systeem zijn aandacht naar de richtingen waar het nog steeds betrouwbare informatie kan vinden, en negeert het de richtingen waar het de weg kwijt is. Als de degradatie gemengd is, waarbij sommige sensoren falen terwijl andere moeite hebben, past het systeem zijn vertrouwen dynamisch aan door meer te vertrouwen op de sensor die nog goed werkt.

De meest significante innovatie vindt plaats wanneer alle externe sensoren volledig falen. In scenario's zoals een kamer gevuld met dichte rook of een sneeuwstorm, waarbij noch ogen noch lasers iets kunnen zien, wendt het systeem zich tot een geleerd intern model. Dit model is gebaseerd op een Inertial Measurement Unit, een kleine chip binnen de robot die versnelling en rotatie meet. Historisch gezien werden deze chips behandeld als secundaire hulpmiddelen, gebruikt om alleen gegevens van camera's te verzachten. De onderzoekers hebben dit model echter getraind met een deep learning netwerk op basis van meer dan 100 uur aan gegevens van diverse robots, waarbij het systeem werd geleerd om beweging puur uit de interne bewegingsgegevens te voorspellen. Dit stelde de robot in staat om zijn positie te schatten, zelfs wanneer hij niets kon zien. Het systeem is zo ontworpen dat wanneer externe sensoren werken, zij dit interne model constant onderwijzen en verfijnen. Maar wanneer de buitenwereld onzichtbaar wordt, neemt het interne model het over, wat een betrouwbare back-up biedt die de robot in beweging houdt.

Om dit concept te bewijzen, onderwierpen de onderzoekers hun systeem aan een reeks rigoureuze tests. Ze stuurden een robot met poten over een enkele continue route op een universiteitscampus die meer dan 13 verschillende soorten moeilijke omstandigheden omvatte. De robot navigeerde door donkere, kenmerkloze gangen, steile trappen en gebieden met intense visuele ruis zoals lensflares en witte muren. Ten slotte betrad de robot een zone gevuld met dichte rook die het zicht en de lasersensoren volledig blokkeerde. Gedurende de gehele reis van 2.966 meter faalde het systeem nooit. Het behield een uiteindelijke positiefout van slechts 20 centimeter, een opmerkelijk lage afwijkingssnelheid van 0,006 procent. Deze prestatie werd bereikt zonder gebruik te maken van complexe achtergrondtrucs of te wachten om fouten achteraf te corrigeren; het systeem corrigeerde zichzelf in realtime terwijl het bewoog.

Het team testte ook het vermogen van het systeem om plotselinge sensoruitval te verwerken. In één experiment blokkeerden ze de sensoren van de robot met karton, eerst de zijkant, daarna de voorkant, en uiteindelijk alle aanzichten van zowel de camera als de laserscanner. Het systeem detecteerde deze blokkades onmiddellijk en paste de afhankelijkheid van de resterende sensoren aan. Wanneer de camera werd geblokkeerd, leunde het systeem op de laserscanner; wanneer de laser werd geblokkeerd, leunde het op de camera. Wanneer beide werden geblokkeerd, nam het geleerde interne bewegingsmodel de leiding. De robot bleef zijn omgeving in kaart brengen en zijn pad met hoge nauwkeurigheid te volgen, wat aantoonde dat het systeem de totale loss van externe perceptie gedurende langere perioden kon overleven.

Verdere validatie kwam voort uit het testen van het systeem op verschillende soorten robots, van auto's en drones tot machines met vier poten en handheld apparaten. De onderzoekers ontdekten dat het interne bewegingsmodel dat ze hadden getraind, zeer generaliseerbaar was. Een model getraind op gegevens van veel verschillende soorten robots presteerde beter dan modellen die specifiek voor slechts één type robot waren getraind. Dit betekende dat het systeem op een nieuwe robot kon worden ingezet zonder dat het vanaf nul opnieuw getraind hoefde te worden. Nog indrukwekkender was dat het systeem zich in realtime aan een volledig nieuwe robot kon aanpassen. In een test met een grote terreinwagen gebruikte het systeem slechts 60 seconden aan gegevens om het interne model aan te passen, waardoor het de specifieke bewegingspatronen van het nieuwe voertuig leerde en de nauwkeurigheid onmiddellijk verbeterde.

De onderzoekers vergeleken hun methode met de beste bestaande technologieën in het veld. In standaardtests waarbij geometrische en gemengde degradatie voorkwam, behaalde hun systeem een gemiddeld foutpercentage dat 54 procent lager lag dan de op één na beste methode. Belangrijker nog, terwijl andere systemen volledig faalden in de meest extreme omstandigheden, zoals de tests met dichte rook, bleef Super Odometry functioneren. De studie sloot expliciet de mogelijkheid uit dat het simpelweg toevoegen van meer sensoren of het middelen van hun gegevens voldoende is om deze problemen op te lossen. In plaats daarvan lieten ze zien dat een rigide aanpak faalt wanneer de omgeving verandert, en dat een flexibele, hiërarchische strategie vereist is om veiligheid en functionaliteit te handhaven.

Dit werk vormt een belangrijke stap naar het echt autonoom maken van robots in de echte wereld. Door de interne bewegingssensor een primaire rol te geven en een systeem te creëren dat naadloos kan schakelen tussen verschillende strategieën op basis van de ernst van de omgeving, hebben de onderzoekers een fundament gelegd voor robots die onder alle omstandigheden veilig kunnen opereren. Of het nu gaat om een reddingsdrone die door een rookgevuld gebouw vliegt, een rover die een donkere grot verkent, of een voertuig dat door een sneeuwstorm rijdt, dit systeem zorgt ervoor dat de robot nooit echt de weg kwijtraakt. De resultaten, verzameld over 800 operationele uren tijdens zes jaar ontwikkeling, suggereren dat het tijdperk van fragiele, van de omgeving afhankelijke robots ten einde loopt, vervangen door machines die kunnen adapteren en overleven waar ze ook worden uitgezonden.