Forschungsschwerpunkte Probabilistische Techniken für die Navigation mobiler Roboter

Transkript

1 Forschungsschwerpunkte Probabilistische Techniken für die Navigation mobiler Roboter Mobile Roboter müssen in der Lage sein, sich zuverlässig in ihren Umgebungen zu bewegen. Das erfordert verschiedene Teilaufgaben, wie beispielsweise die Vermeidung von Hindernissen, die effiziente Pfadplanung, die genaue Lokalisierung und das Wahrnehmen der Umgebung mit Hilfe der Sensoren. Alle diese Fähigkeiten stellen eine fundamentale Voraussetzung für autonome Roboter dar, weil sie erforderlich sind, um viele Aufgaben effektiv zu erledigen. Betrachtet man zum Beispiel Reinigungsroboter wie autonome Staubsauger, so benötigen diese die Fähigkeit, ihre Pfade effektiv zu planen und ihre Position zu bestimmen um festzustellen, wo sie als nächstes hinfahren sollen. Dabei spielt die Positionsbestimmung für autonome Roboter eine zentrale Rolle, denn nur so können sie feststellen, ob sie bereits am Zielpunkt angekommen sind und welche Stellen ihrer Umgebung sie bereits besucht haben. In der Vergangenheit war davon ausgegangen worden, dass Roboter ihre Position zu Beginn ihrer Mission mitgeteilt bekommen und deshalb nur noch in der Lage sein müssen, diese entsprechend nachzuverfolgen, während sie sich durch ihre Umgebung bewegen. Tatsächlich kann es aber Lokalisierungsfehler geben, die dazu führen, dass es große Abweichungen zwischen der geschätzten und der wahren Position gibt. Weiter kann man sich auch die Frage stellen, wie ein Roboter seine eigene Position selbständig feststellen kann, beispielsweise, nachdem er eingeschaltet wurde. Uns Menschen kommt dieses Problem der Lokalisierung recht einfach vor; gibt es doch zahlreiche Hinweise (z.b. in Form von Schildern und Wegweisern) und Landmarken, die wir für die Orientierung verwenden können. Darüber hinaus ist unser visueller Apparat typischerweise ausreichend genau, um unsere Position in der Umgebung eindeutig bestimmen zu können. Allerdings gibt es auch Situationen, in denen Menschen Fehler begehen, beispielsweise, wenn sie den Aufzug in dem falschen Stockwerk verlassen, da die Korridore eines Hotels alle nahezu identisch aussehen und sie weniger Augenmerk auf die Anzeige im Aufzug gerichtet haben. Stellt man sich allerdings vor, dass Menschen in einer Welt gänzlich ohne Schilder und Hinweise lebten, wäre das Lokalisierungsproblem auch für Menschen deutlich schwieriger zu lösen. Eine zentrale Frage, der ich in der Vergangenheit zusammen mit meinen Kollegen und Mitarbeitern nachgegangen bin, ist, wie man Roboter in die Lage versetzen kann, sich mit ihrer häufig eingeschränkten Sensorik und, ohne dass die Umgebung für die Roboter angepasst wird, zuverlässig in ihrer Umgebung zurecht zu finden. Dabei müssen Algorithmen für die Lokalisierung mobiler Roboter mit verschiedenen Schwierigkeiten zurecht kommen:

2 1. Die Umgebungen sind nicht notwendigerweise eindeutig. Beispielsweise haben Bürogebäude viele Räume, die sich sehr ähnlich sehen. Auch Korridore weisen relativ gleichmäßige Strukturen auf, die eine exakte Positionierung eines mobilen Roboters erschweren. 2. Die Sensoren sind möglicherweise recht unpräzise. Zusätzlich zu dem typischen, inhärenten Rauschen von Sensoren können Messungen durch eingeschränkte Auflösungen von Sensoren oder durch spezifische Eigenschaften der zugrunde liegenden physikalischen Prozesse Messfehler produzieren, die korrekt modelliert und verarbeitet werden müssen, um eine ausreichend präzise Positionsschätzung zu erlauben. 3. Die Aktionen des Roboters sind, ebenso wie die Messungen, Fehlern unterzogen. Beispielsweise können sich aufgrund von Unebenheiten im Boden, Rutschen oder unterschiedlichen Raddurchmessern Fehler ergeben, die bei der Positionsschätzung entsprechend berücksichtigt werden müssen. Ich begann 1995 mich mit dem Problem der Lokalisierung mobiler Roboter zu befassen. Zunächst entstand ein Verfahren, welches zum ersten Mal rekursive Bayes sche Filter für die genaue Lokalisierung mobiler Roboter einsetzt. Die Stärke dieses Ansatzes liegt in seiner rein probabilistischen Modellierung aller oben geschilderten Aspekte. Er verwendet eine Wahrscheinlichkeitsverteilung um einen so genannten Belief über die möglichen Positionen des Roboters zu verwalten. Auch die Modelle für die Mess- und Bewegungsfehler werden durch Wahrscheinlichkeitsverteilungen realisiert, sodass ein mathematisch solider Ansatz entsteht, der sich darüber hinaus noch durch eine hervorragende Robustheit auszeichnet. Mit der Arbeit Estimating the Absolute Position of a Mobile Robot using Position Probability Grids wurde erstmals gezeigt, dass dieser Ansatz zur akkuraten Positionierung eines Roboters eingesetzt werden kann, selbst wenn er relativ ungenaue Ultraschallsensoren verwendet und wenn die Position des Vehikels zu Beginn nicht bekannt ist. Später konnte dann noch gezeigt werden, dass dieses Verfahren sogar robust gegenüber fatalen Lokalisierungsfehlern, bei denen der Roboter seine Position vollständig verliert, ist und von solchen Lokalisierungsfehlern wieder neu aufsetzen kann. Eine weitere sehr angenehme Eigenschaft dieses Verfahrens ist, dass es aufgrund der verwendeten Bayes schen Filter eine Verallgemeinerung der bis dahin vornehmlich verwendeten Kalman-Filter darstellt. Abbildung 1 stellt die Idee der probabilistischen Lokalisierung dar und zeigt, wie sich die Wahrscheinlichkeitsverteilung über die Zeit entwickelt. In Abbildung 2 ist dann eine Karte einer Büroumgebung mit der Trajektorie des Roboters und ein typischer Ultraschall-Scan gezeigt, den der Roboter mit seinen Ultraschallsensoren in einer solchen Umgebung aufnimmt. Abbildung 3 zeigt schließlich verschiedene Wahrscheinlichkeitsverteilungen über mögliche Positionen des Roboters für einzelne der in Abbildung 2 dargestellten, realen Positionen.

3 In den Folgejahren haben wir uns dann mit Techniken befasst, um dieses Verfahren effizienter und effektiver zu gestalten. Dies führte 1997 zu der Installation des mobilen Roboters Rhino im Deutschen Museum in Bonn. über einen Zeitraum von mehreren Tagen hinweg agierte der Roboter als interaktiver Museumsführer und führte mehrere Hundert Menschen autonom durch die Ausstellung. Dabei kam der Lokalisierung des Roboters eine zentrale Rolle zu, weil der Roboter auf der Basis der akkuraten Positionsschätzung Exponate zielgerichtet anfahren und auch für ihn nicht sichtbaren Hindernissen effektiv ausweichen konnte. Kernpunkt hierbei war eine effiziente Realisierung der grid-basierten Lokalisierung, die schnell und gleichzeitig robust war. Abbildung 1: Idee der probabilistischen Lokalisierung für einen Roboter in einem Korridor, der Türen wahrnehmen kann. Der Roboter startet mit einer uniformen Verteilung (Zeile 1). Wenn er eine Tür wahrnimmt, erhöht sich die Wahrscheinlichkeit vor einer der drei Türen zu stehen (Zeile 2). Gleichzeitig mit seinen Bewegungen wird auch die Wahrscheinlichkeitsverteilung verschoben, wobei aufgrund der Ungenauigkeiten der Bewegungen zusätzliche Unsicherheit entsteht (Zeile 3). Wenn der Roboter eine weitere Tür wahrnimmt, wird die Wahrscheinlichkeit dafür, vor der mittleren Tür zu stehen, dominant, weil nur sie konsistent ist mit beiden bisherigen Beobachtungen.

4 Abbildung 2: Karte einer Umgebung, in der ein Roboter eine globale Lokalisierung durchführt und ein typischer, in dieser Umgebung aufgenommener Scan mit seinen Ultraschallsensoren. Die Linie im linken Diagramm zeigt die von dem Roboter gefahren Trajektorie. Die nummerierten Punkte entsprechen den unterschiedlichen Zeitpunkten, zu denen der Roboter seinen probabilistischen Belief über seine Position aktualisiert. Die korrespondierenden Verteilungen über die möglichen Positionen zu verschiedenen Zeitpunkten sind in Abbildung 3 dargestellt. Die rechte Abbildung zeigt typische Messungen, die der Roboter mit seinen 24 Sensoren in dieser Umgebung aufnimmt. Abbildung 3: Wahrscheinlichkeitsverteilungen über die einzelnen Positionen des Roboters in seiner Umgebung zu den in Abbildung 2 dargestellten Positionen 1, 4 und 5. Je dunkler ein Punkt ist, desto wahrscheinlicher ist es, dass der Roboter sich dort befindet. Zum besseren Verständnis ist auch der Grundriss der Umgebung dargestellt. Abbildung 4: Die Roboter Rhino (links) und Minerva (rechts) bei Museumsführungen. Dieses Verfahren wurde dann auch ein Jahr später in Kooperation mit der Carnegie Mellon University (CMU) im National Museum of American History in Washington DC mit dem mobilen Roboter Minerva eingesetzt. Abbildung 4 zeigt beide Roboter in Aktion. Aus diesen Demonstrationen sind in der Zwischenzeit verschiedene von der Europäischen Union geförderte Projekte entstanden. Dazu gehören die Projekte TOURBOT, WebFAIR und INDIGO. Gleichzeitig wurde an effektiveren Datenstrukturen für die Lokalisierung gearbeitet. Dies führte zu lokalen Gittern und auch baumbasierten Ansätzen. Die Arbeit mit dem Titel An

5 Experimental Comparison of Localization Methods aus dem Jahr 1998, welche mit einem Best Paper Award ausgezeichnet wurde, verglich erstmals das entwickelte Verfahren mit den bis dahin vornehmlich eingesetzten Kalman-Filtern und zeigte die überlegene Robustheit des Ansatzes insbesondere bei großen Mess- und Odometriefehlern bei jedoch etwas schlechterer Genauigkeit. Im Rahmen einer Kooperation mit der CMU wurden dann die Partikel-Filter, die imcomputer-vision-bereich bereits intensiv untersucht wurden, so umgesetzt, dass sie für die Lokalisierung von mobilen Robotern eingesetzt werden konnten. Dies stellte insofern einen Fortschritt dar, als dass die Partikel-Filter leicht zu implementieren sind und zugleich alle Vorteile der probabilistischen Lokalisierung in sich vereinigen lassen. Varianten dieser Technik gehören heute zu den Standard-Verfahren für die Lokalisierung mobiler Roboter. In den folgenden Jahren wurde dann das Problem des Simultanen Lokalisierens und Kartierens (engl. kurz SLAM) betrachtet, bei dem der Roboter gleichzeitig eine Karte seiner Umgebung lernen und sich darin lokalisieren soll. Dieses Problem ist insbesondere aufgrund seiner hohen Dimensionalität anspruchsvoll und effektive Lösungen waren bis dahin lediglich für Umgebungen mit Landmarken bekannt. Für rasterbasierte Occupancy- Grid-Karten ohne Landmarken gab es leider noch keine effektive Lösung. Auf der Basis einer von Murphy und Kollegen vorgestellten Lösungsmöglichkeit haben wir dann ein effektives Verfahren für SLAM mit Grid-Karten entwickelt, welches die so genannten Rao- Blackwellized Partikel-Filter verwendet. Bei diesem Verfahren setzt man wieder Partikel- Filter ein, kann aber durch eine Trennung des Zustandsraums ein effektives Verfahren mit wenigen Partikeln erreichen. Dieses Verfahren gilt derzeit als eines der besten für das Lösen des SLAM-Problems mit Partikel-Filtern. Es wurde gemeinsam mit meinen beiden Post-Doktoranden Giorgio Grisetti und Cyrill Stachniss entwickelt und in der Arbeit Improved Techniques for Grid-Mapping with Rao-Blackwellized Particle Filters veröffentlicht. Varianten dieser Techniken sind derzeit im Einsatz auf Robotern, die Besucher durch das Toyota Kaikan Museum in der Nähe von Nagoya in Japan führen. Diese probabilistischen Techniken für die Navigation stehen kurz davor, den Einzug in die industrielle Nutzung zu schaffen. Derzeit sind namhafte Roboter-Hersteller, wie z.b. die KUKA GmbH in Augsburg dabei, die von uns entwickelten Techniken für die industrielle Nutzung im Kontext von mobilen Manipulationsrobotern zu verwenden. Im vergangenen Jahr konnten wir erfolgreich das europäische Projekt EUROPA einwerben, welches im März 2009 starten wird. Das Ziel von EUROPA ist die Entwicklung von Robotern, die sich zuverlässig in Innenstädten und Einkaufszentren bewegen können. Damit gehen wir einen Schritt weiter, indem wir versuchen unsere Techniken für die Anwendung in komplexen Innenstadtumgebungen zu erweitern. Roboter dieser Art werden in Zukunft vielleicht für uns einkaufen, Transportdienste anbieten oder Führungen durchführen.

6 Abbildung 5: Karte des MIT Kilian Court, einer schwierig zu kartierenden Umgebung für mobile Roboter. Mit probabilistischen Verfahren lassen sich hochgenaue Karten solch schwieriger Umgebungen erstellen. Sie stellen somit die Grundlage für industrielle Applikationen von Robotern dar. Wolfram Burgard Januar 2009