Mobiele robots moeten voortdurend weten waar ze zich bevinden om zelfstandig en veilig te kunnen functioneren. In de praktijk is dat niet altijd eenvoudig. Satellietnavigatie werkt binnenshuis slecht en kan in stedelijke omgevingen verstoord raken. Daarnaast raken robots soms volledig gedesoriënteerd wanneer ze worden verplaatst, uitgeschakeld of onverwacht op een andere locatie terechtkomen. In zulke gevallen weet een robot niet meer waar hij is en kan hij zijn taak niet meer uitvoeren.
Onderzoekers van de Universidad Miguel Hernández de Elche in Spanje hebben een nieuw AI-systeem ontwikkeld dat dit probleem aanpakt. Hun methode helpt robots om zichzelf opnieuw te lokaliseren, zelfs wanneer alle informatie over de startpositie verloren is gegaan. In de robotica staat dit bekend als het zogenoemde ‘kidnapped robot’-probleem. Het onderzoek is gepubliceerd in het wetenschappelijke tijdschrift International Journal of Intelligent Systems.
In plaats van te vertrouwen op GPS gebruikt het systeem 3D LiDAR-sensoren. Deze sensoren sturen laserpulsen de omgeving in en bouwen op basis van de weerkaatsing een driedimensionale puntenwolk op. Zo ontstaat een digitaal beeld van gebouwen, bomen, wegen en andere objecten. Op basis van deze puntenwolk probeert de robot zijn positie en oriëntatie in de ruimte te bepalen.
De ontwikkelde methode werkt volgens een hiërarchische aanpak die is geïnspireerd op menselijke oriëntatie. Net als mensen kijkt de robot eerst globaal waar hij zich bevindt. In deze eerste fase analyseert hij grote structuren in de omgeving, zoals gebouwen en open ruimtes, om een ruwe inschatting van zijn locatie te maken. Zodra dat globale gebied is bepaald, schakelt het systeem over op een tweede fase. Daarbij worden kleinere details onderzocht, waarmee de exacte positie en kijkrichting van de robot worden berekend.
Voor deze fijnmazige analyse maakt het systeem gebruik van deep learning. De kunstmatige intelligentie leert automatisch welke kenmerken in de puntenwolk het meest bruikbaar zijn om locaties van elkaar te onderscheiden. In plaats van vaste regels toe te passen, past het systeem zich zo aan aan verschillende omgevingen. Deze geleerde kenmerken worden gecombineerd met een probabilistische techniek, Monte Carlo Localization, waarbij de robot meerdere mogelijke posities tegelijk bijhoudt en deze voortdurend bijstelt op basis van nieuwe metingen.
Een belangrijk aandachtspunt bij langdurige robotnavigatie is dat omgevingen veranderen. Buitenruimtes zien er in de winter anders uit dan in de zomer, begroeiing groeit of verdwijnt en lichtomstandigheden wisselen. Ook binnenruimtes kunnen in de loop van de tijd worden aangepast. De onderzoekers testten hun systeem gedurende meerdere maanden op de campus van de universiteit, in zowel binnen- als buitenomgevingen. Daarbij bleek dat de methode stabiel bleef functioneren, ondanks zichtbare veranderingen in het landschap.
Uit de metingen blijkt dat het systeem nauwkeuriger is dan veel bestaande technieken en minder gevoelig is voor variatie over tijd. Vooral bij het opnieuw oriënteren na volledige desoriëntatie presteerde de methode beter dan conventionele benaderingen. Daardoor kan een robot sneller en betrouwbaarder zijn weg terugvinden.
Betrouwbare lokalisatie vormt de basis voor vrijwel alle autonome toepassingen. Servicerobots, magazijnrobots, inspectiesystemen, milieumonitoring en zelfrijdende voertuigen zijn allemaal afhankelijk van een stabiel beeld van hun positie. Wanneer die informatie wegvalt, ontstaan veiligheidsrisico’s en operationele problemen. Een systeem dat zichzelf kan herstellen zonder externe hulp vergroot daarom de inzetbaarheid van autonome robots aanzienlijk.
Foto credit: Miguel Hernández, University of Elche (UMH)
