Forscher haben ein neues künstliches Intelligenzsystem entwickelt, das es Robotern ermöglicht, ihre Position zuverlässig wiederzuerlangen, selbst nachdem sie bewegt, ausgeschaltet oder auf andere Weise verschoben wurden – ein häufiges Problem, das als „Kidnapped Robot“-Problem bekannt ist. Der Durchbruch, der an der Universität Miguel Hernández in Elche in Spanien entwickelt wurde, könnte die Praktikabilität autonomer Roboter in realen Szenarien erheblich verbessern.
Die Herausforderung „Kidnapped Robot“.
Eine der größten Hürden in der Robotik ist seit Jahren die zuverlässige Lokalisierung : die Fähigkeit eines Roboters, genau zu wissen, wo er sich befindet. Herkömmliche Methoden basieren häufig auf GPS oder vorprogrammierten Karten, was in vielen Umgebungen unpraktisch ist. GPS-Signale sind in Innenräumen, in der Nähe von hohen Gebäuden oder in Gebieten mit schlechter Satellitenabdeckung schwierig. Vorprogrammierte Karten erfordern ständige Aktualisierungen, was in dynamischen Räumen schwierig sein kann.
Dieses neue System namens MCL-DLF (Monte Carlo Localization – Deep Local Feature) bietet eine Alternative, indem es Roboter unabhängiger macht.
Wie das neue System funktioniert
Das MCL-DLF-System nutzt die 3D-LiDAR-Technologie, die Laserimpulse verwendet, um die Umgebung zu scannen und eine detaillierte Karte der Umgebung zu erstellen. Dadurch kann der Roboter ohne externe Infrastruktur wie GPS oder bereits vorhandene Karten betrieben werden.
So funktioniert es in Etappen:
- Umfassende Erkennung: Zunächst identifiziert die KI den allgemeinen Bereich, indem sie große Merkmale wie Gebäude oder Vegetation erkennt.
- Detaillierte Analyse: Als nächstes wird der genaue Standort durch die Analyse kleinerer, einzigartiger Details eingegrenzt. Der Prozess ahmt nach, wie Menschen sich an unbekannten Orten zurechtfinden.
- Kontinuierliche Aktualisierungen: Mithilfe von Deep Learning priorisiert das System nützliche Umgebungsmerkmale für die Lokalisierung, verwaltet mehrere mögliche Standortschätzungen und aktualisiert sie, sobald neue Sensordaten eingehen.
Míriam Máximo, die leitende Forscherin, sagt: „Dies ähnelt der Art und Weise, wie Menschen zunächst einen allgemeinen Bereich erkennen und sich dann auf kleine Unterscheidungsdetails verlassen, um ihren genauen Standort zu bestimmen.“
Praxisnahe Tests und Ergebnisse
Forscher testeten das System monatelang auf dem Universitätscampus unter unterschiedlichen Bedingungen – darunter saisonale Veränderungen, unterschiedliche Beleuchtungsstärken und wechselnde Vegetation. Die Ergebnisse zeigen, dass MCL-DLF im Vergleich zu herkömmlichen Methoden eine höhere Positionierungsgenauigkeit und eine konsistentere Leistung bietet. Dadurch kann sich der Roboter auch dann zuverlässig lokalisieren, wenn sich die Umgebung im Laufe der Zeit ändert.
Warum das wichtig ist
Die Auswirkungen sind erheblich. Autonome Roboter werden in der Logistik, Infrastrukturinspektion, Umweltüberwachung und selbstfahrenden Fahrzeugen immer wichtiger. Ein System, das es diesen Robotern ermöglicht, unabhängiger und zuverlässiger zu arbeiten, wird ihre Einführung beschleunigen.
Die Entwicklung zuverlässigerer Lokalisierungsmethoden ist der Schlüssel zur Erschließung des vollen Potenzials der Robotik in realen Anwendungen.
Durch die Reduzierung der Abhängigkeit von externer Infrastruktur und die Anpassung an dynamische Umgebungen stellt das MCL-DLF-System einen großen Schritt dar, Roboter wirklich autonom und nützlich in komplexen, unvorhersehbaren Umgebungen zu machen.
