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

Stel je een robot voor die ontworpen is om zichzelf door een bos te sturen, niet op een geasfalteerde weg, maar door de rauwe, verschuivende wildernis van het verre noorden. Voor deze machines is het noodzakelijk dat ze elke seconde weten waar ze zijn. Meestal vertrouwen ze op signalen van satellieten die hoog boven hen in een baan om de aarde draaien, vergelijkbaar met hoe een smartphone GPS gebruikt om een koffiehuis te vinden. Maar in de diepe, subarctische bossen van Canada wordt de hemel vaak geblokkeerd door dikke lagen bomen, en de lucht zelf kan de signalen opslokken. Wanneer het satelliet signaal faalt, moet de robot vertrouwen op zijn eigen ogen en sensoren om te navigeren, een proces dat odometrie wordt genoemd. Het is een beetje zoals door een donkere kamer lopen met je ogen dicht, waarbij je probeert je stappen te tellen om te weten hoe ver je bent gekomen. Het probleem is dat de kamer verandert. In de zomer is het bos groen en vol bladeren; in de winter ligt het begraven onder meters sneeuw, en zijn de bomen kaal en naakt. Voor een machine is deze seizoensgebonden verschuiving als een kamer waarin plotseling de meubels worden verplaatst terwijl je probeert erdoorheen te lopen.

Dit is de uitdaging die een team onderzoekers aan de Laval Universiteit in Quebec probeerde op te lossen. Ze wilden weten of de slimste navigatiesoftware die vandaag de dag beschikbaar is, een volledig jaar in een subarctisch boreaal bos zou kunnen overleven. Ze simuleerden dit niet alleen op een computer; ze bouwden een echte robot, een voertuig op rupsbanden ter grootte van een kleine auto, en stuurden hem de wildernis in. Ze reden over 64 kilometer aan boswegen en terrein buiten de paden, waarbij ze gegevens opnamen tijdens de hitte van de zomer, het verval van de herfst en de diepe vrieskou van de winter. De temperatuurschommelingen waren extreem, met verschillen van meer dan 60 graden Celsius tussen de warmste dagen en de koudste nachten. Het doel was om negen verschillende navigatiesystemen te testen, variërend van eenvoudige methoden voor het tellen van wielomwentelingen tot complexe kunstmatige intelligentie die probeert een 3D-kaart van de wereld in realtime op te bouwen. Ze wilden zien welke systemen zouden blijven werken wanneer de wereld om hen heen volledig veranderde, en welke simpelweg zouden opgeven.

De resultaten waren verrassend. De onderzoekers ontdekten dat de meest geavanceerde systemen, de systemen die camera's gebruiken om de wereld te "zien" of complexe algoritmen gebruiken om gedetailleerde kaarten te bouwen, vaak de meest fragiele waren. Wanneer de seizoenen veranderden, hadden deze geavanceerde systemen moeite om dezelfde plek te herkennen. Een camera die naar een bos in de zomer kijkt, ziet groene bladeren en gevlekte zonlicht; in de winter is datzelfde bos een tunnel van witte sneeuw en donkere stammen. De software, getraind op gegevens uit steden of gematigde klimaten, kon de verbinding niet leggen. Het raakte in de war, verloor zijn positie en raakte uit koers. In veel gevallen presteerden deze hoogtechnologische systemen slechter dan een veel eenvoudigere methode die simpelweg telde hoe vaak de wielen draaiden en een basis-sensor gebruikte om de richting te schatten. Deze eenvoudige methode, bekend als proprioceptieve odometrie, gaf niets om hoe het bos eruitzag. Het gaf alleen om de beweging van de robot zelf. Hoewel het niet perfect was, bleek het opmerkelijk stabiel; het faalde veel minder vaak dan zijn complexe neven wanneer de sneeuw zich opstapelde of de bomen bedekt waren met ijs.

De studie toonde ook aan dat het toevoegen van meer complexiteit aan het systeem er vaak toe leidde dat het eerder kapot ging. Sommige van de geavanceerde software probeerden hun eigen fouten te herstellen door te zoeken naar plaatsen die ze eerder hadden bezocht, een proces dat loop closure wordt genoemd. In een stad werkt dit goed omdat gebouwen het hele jaar door hetzelfde blijven. In het subarctische bos waren de "bakens" echter onbetrouwbaar. Een sneeuwhopen in de winter kan in de zomer op een struik lijken, of een boom kan verborgen zijn door een sneeuwbank. De software zou proberen deze kenmerken te matchen, het fout doen, en vervolgens een enorme fout maken in de positiebepaling. De onderzoekers ontdekten dat deze complexe systemen zo gevoelig waren voor de veranderende omgeving dat ze de robot vaak volledig stillegden. In contrast hiermee bleven de eenvoudigere systemen, die niet probeerden een perfecte kaart van de wereld te bouwen, gewoon vooruit bewegen, zelfs als ze iets uit koers waren.

Een van de meest cruciale bevindingen betrof het verschil tussen de sensoren zelf. De camera's, die geweldig zijn in het zien van details in een stad, werden het meest beïnvloed door de seizoenen. In de zomer kon de camera veel kenmerken volgen, maar in de winter creëerde de sneeuw een vlak, kenmerkloos wit oppervlak dat de software in verwarring bracht. De robot reed over de sneeuw, en de camera zag niets anders dan wit, waardoor het navigatiesysteem zijn richtinggevoel verlood. Radar en lidar, die radiogolven en laserpulsen gebruiken om afstand te meten, waren veel veerkrachtiger. Ze konden door de sneeuw en de duisternis heen kijken, en ze waren niet afhankelijk van het visuele uiterlijk van de bomen. Echter, zelfs deze sensoren hadden problemen wanneer de grond zelf van vorm veranderde. Wanneer een robot over een sneeuwbank reed, veranderde de hoek van het voertuig, waardoor de manier waarop de sensoren de grond zagen ook veranderde. Deze fysieke verschuiving, gecombineerd met het veranderende landschap, zorgde ervoor dat zelfs de radarsystemen moeite hadden bij het matchen van een nieuwe reis met een oude kaart.

De onderzoekers testten ook of een robot een pad kon leren in één seizoen en dit in een ander seizoen kon herhalen, een taak die bekend staat als "Teach and Repeat". Ze leerden de robot een route in de zomer en vroegen hem om dezelfde route in de winter te rijden. De resultaten waren gemengd. De lidar-gebaseerde systemen, die lasers gebruiken om een 3D-kaart te maken, slaagden in veel gevallen, grotendeels omdat ze de hoge bomen konden zien die consistent bleven, zelfs wanneer de grond begraven lag. De radarsystemen, die slechts een plat vlak van de wereld zien, en de camerasystemen, die vertrouwen op visuele patronen, faalden veel vaker. De radar raakte in het bijzonder in de war door de veranderende hoek van de grond wanneer de robot over sneeuwbanken klom, wat leidde tot een verlies van uitlijning met de kaart die maanden eerder was geleerd. De camerasystemen konden simpelweg niet genoeg visuele aanwijzingen vinden om te weten waar ze waren, vooral wanneer de robot over ongeruimde wegen reed waar de sneeuw diep en uniform was.

Naast de software vormde de fysieke realiteit van de subarctische omgeving zijn eigen uitdagingen die de onderzoekers moesten overwinnen om het experiment überhaupt draaiende te houden. De kou was een constante vijand. Accu's verloren hun kracht veel sneller in de vrieskou, en de rupsbanden van de robot, die bedoeld waren om hem over de sneeuw te laten bewegen, vereisten eigenlijk twee keer zoveel energie om te draaien als de wielen in de zomer deden. Het team moest te maken hebben met de robot die vastliep in de sneeuw, niet alleen vanwege de diepte, maar ook vanwege het type sneeuw. Verse, droge sneeuw in november liet de robot grip en beweging hebben, maar natte, zware sneeuw in april deed de rupsbanden draaien zonder het voertuig vooruit te bewegen. Sensoren moesten schoon gehouden worden van sneeuw en ijs, anders zouden ze volledig stoppen met werken. Zelfs de "ground truth", de referentiedata die gebruikt wordt om te controleren of de robot gelijk heeft, was moeilijk te verkrijgen. Het team moest een speciale kraan gebruiken om de robot op te tillen en in verschillende richtingen te schudden om de sensoren te kalibreren, omdat de extreme kou en het ruwe terrein standaard kalibratie onmogelijk maakten.

De studie concludeert dat hoewel we grote vooruitgang hebben geboekt in robotnavigatie, het subarctische bos een vijandige grens blijft voor autonome machines. De meest geavanceerde algoritmen, die prachtig werken in steden of gecontroleerde laboratoria, zijn nog niet klaar voor de wilde, verschuivende wereld van het noorden. Ze zijn te fragiel, te afhankelijk van het feit dat de wereld er hetzelfde uitziet als toen ze werden onderwezen. De eenvoudigste methoden, die vertrouwen op de eigen beweging van de robot, bleken het meest betrouwbaar, wat suggereert dat een robot in het diepe noorden er voorlopig beter aan doet om op zijn eigen stappen te vertrouwen dan op het herkennen van het landschap. De onderzoekers benadrukken dat om vooruit te komen, het vakgebied betere manieren nodig heeft om deze systemen in echte omstandigheden te testen, en niet alleen in simulaties. Ze suggereren dat toekomstige tests expliciet moeten rapporteren hoe vaak systemen falen, en niet alleen hoe nauwkeurig ze zijn wanneer ze werken. Tot die tijd blijft de droom van een robot die het hele jaar door door het subarctische bos kan dwalen, navigerend door de diepe sneeuw en de veranderende seizoenen op eigen kracht, net buiten bereik. Het bos verandert, en de machines zijn nog niet klaar om het bij te houden.