Geavanceerde 3D LiDAR-lokalisatie verbetert de nauwkeurigheid van de robotpositionering

Universidad Miguel Hernández de Elche, Spanje

Zo ‘ziet’ de robot zijn omgeving met behulp van het bij UMH ontwikkelde systeem. De 3D LiDAR-puntenwolkweergave maakt de extractie van globale en lokale structurele kenmerken mogelijk om de houding van de robot te schatten:zijn precieze positie en oriëntatie in de ruimte. (Afbeelding:Universidad Miguel Hernández de Elche)

Mobiele robots moeten voortdurend hun positie inschatten om autonoom te kunnen navigeren. Op satellieten gebaseerde navigatiesystemen zijn echter niet altijd betrouwbaar:signalen kunnen in de buurt van gebouwen verslechteren of binnenshuis niet meer beschikbaar zijn. Om veilig en efficiënt te kunnen werken, moeten robots hun omgeving interpreteren met behulp van ingebouwde sensoren en robuuste lokalisatie-algoritmen.

Onderzoekers van de Miguel Hernández Universiteit van Elche (UMH) in Spanje hebben een hiërarchisch lokalisatiesysteem ontwikkeld dat de positionering van robots in grote, veranderende omgevingen aanzienlijk verbetert. De methode pakt een van de meest uitdagende problemen in de mobiele robotica aan:het zogenaamde ‘ontvoerde robot’-probleem, waarbij een robot de kennis van zijn oorspronkelijke houding verliest nadat hij is verplaatst, uitgeschakeld of verplaatst.

De studie, gepubliceerd in het International Journal of Intelligent Systems , introduceert MCL-DLF (Monte Carlo Localization – Deep Local Feature), een grof-naar-fijn 3D LiDAR-lokalisatieframework ontworpen voor langetermijnnavigatie in grote omgevingen. Het systeem is gedurende meerdere maanden gevalideerd op de UMH Elche-campus onder wisselende omgevingsomstandigheden, zowel binnen- als buitenscenario's.

De voorgestelde aanpak bootst na hoe mensen zich oriënteren in onbekende of veranderende omgevingen. Eerst voert de robot een grove lokalisatiestap uit, waarbij hij bij benadering de regio identificeert op basis van globale structurele kenmerken die zijn geëxtraheerd uit 3D LiDAR-puntenwolken, zoals gebouwen of vegetatie.

Zodra dit gebied is verkleind, voert het systeem een nauwkeurige lokalisatie uit, waarbij gedetailleerde lokale kenmerken worden geanalyseerd om de exacte positie en oriëntatie van de robot te schatten.

“Dit is vergelijkbaar met hoe mensen eerst een algemeen gebied herkennen en vervolgens vertrouwen op kleine onderscheidende details om hun precieze locatie te bepalen”, legt UMH-onderzoeker Míriam Máximo, hoofdauteur van het onderzoek, uit. Het werk werd geregisseerd door Mónica Ballesta en David Valiente, eveneens onderzoekers aan het Engineering Research Institute of Elche (I3E) van UMH. Om dubbelzinnigheid in visueel vergelijkbare omgevingen te voorkomen, integreert de methode deep learning-technieken die automatisch onderscheidende lokale kenmerken uit 3D-puntenwolken extraheren.

In plaats van te vertrouwen op vooraf gedefinieerde regels, leert de robot welke omgevingskenmerken het meest informatief zijn voor lokalisatie. Deze geleerde functies worden gecombineerd met probabilistische Monte Carlo-lokalisatie, die meerdere pose-hypotheses handhaaft en deze bijwerkt wanneer nieuwe sensorgegevens worden ontvangen.

Een grote uitdaging bij robotnavigatie op de lange termijn is de variabiliteit in de omgeving. Buitenruimtes veranderen in de loop van de tijd als gevolg van seizoenswisselingen, vegetatiegroei of verlichtingsverschillen, die het uiterlijk aanzienlijk kunnen veranderen.

De onderzoekers melden dat MCL-DLF een hogere positienauwkeurigheid bereikt dan conventionele benaderingen, terwijl vergelijkbare of superieure oriëntatieschattingen in bepaalde trajecten behouden blijven. Belangrijk is dat het systeem in de loop van de tijd een lagere variabiliteit vertoont, wat de robuustheid ervan ten opzichte van seizoens- en structurele veranderingen bevestigt.

Betrouwbare lokalisatie is van fundamenteel belang voor servicerobotica, logistieke automatisering, infrastructuurinspectie, milieumonitoring en autonome voertuigen. In al deze domeinen hangt een veilige werking af van een stabiele en nauwkeurige positieschatting in reële, dynamische omstandigheden.

Hoewel volledig autonome navigatie een centrale uitdaging in de robotica blijft, brengt dit werk robots dichter bij het betrouwbaar functioneren in grote, veranderende omgevingen zonder externe positioneringsinfrastructuur.

Neem voor meer informatie contact op met Angeles Gallar op Dit e-mailadres wordt beschermd tegen spambots. U heeft Javascript nodig om het te kunnen zien.; +34 965-222-569.