Blueprint-gestützte, zeitplanbewusste Navigation für aktive Baustellen mit CORNAV
CORNAV ist ein Preprint-Framework, das 2D-CAD-Pläne, offene Vokabular-3D-Szenengraphen, Bauzeitpläne und eine LLM-basierte Sicherheitsvalidierung zu einer Navigationspipeline für mobile Roboter auf aktiven Baustellen kombiniert. In der Evaluation steigt die Aufgabenerfolgsrate durch Blueprint-gestützte Lokalisierung von 13,0 % auf 72,2 % gegenüber rein semantischem Retrieval, harte Sperrzonen werden ohne Verstoß eingehalten und gefährliche, fehlannotierte Zonen korrekt zurückgewiesen. Der Ansatz zeigt, dass Roboter ohne Building Information Model sicher auf sich verändernden Baustellen navigieren können.
Wie können mobile Roboter auf aktiven Baustellen Architekturzeichnungen, Bauzeitpläne und Sicherheitsregeln gemeinsam nutzen, um Zielobjekte zuverlässig zu lokalisieren und zeitlich veränderliche Gefahrenzonen bei der Navigation einzuhalten?
Bestehende sprachgesteuerte Navigationssysteme stützen sich nur auf semantisches Szenenverständnis und haben keinen Zugriff auf bauspezifische Kontexte wie Architekturpläne, sich ändernde Arbeitspläne und Sicherheitsvorgaben. Dadurch lokalisieren sie feste Gebäudemerkmale unzuverlässig, etwa weil raumbezogene CLIP-Labels stark variieren, und können aktive Baustellen nicht sicher befahren.
Bisherige Ansätze behandeln Teilprobleme getrennt: hierarchische 3D-Szenengraphen wie Hydra oder HOV-SG liefern semantische Strukturen, open-vocabulary-Methoden wie ConceptGraphs ermöglichen Sprachabfragen, BIM- oder IFC-basierte Verfahren stellen geometrische Priors bereit, und LLMs werden für Sicherheits- oder Aufgabenplanung eingesetzt. Sie scheitern jedoch an der Integration: Szenengraphen gewinnen Raumstrukturen aus geometrischen Heuristiken oder CLIP-Labels, die auf Baustellen oft falsch sind, BIM-Ansätze erfordern aufwendige Modellpflege und halten Zeitpläne getrennt, und sicherheitsbewusste Planer nutzen vom Entwickler vorgegebene Regeln statt der Dokumente der Bauleitung.
CORNAV integriert offline aus DXF-CAD-Zeichnungen extrahierte Raumpolygone, die über eine zweistufige Registrierung aus grober Rotationssuche plus ICP an die Occupancy-Map des Roboters ausgerichtet werden, sowie Projektzeitpläne im JSON-Format mit Raumzuordnung, Zeitfenstern und Gefahrenschwere. Aus RGB-D-Beobachtungen wird mit HOV-SG ein offener Vokabular-3D-Szenengraph aufgebaut. Zur Laufzeit werden permanente Architekturelemente direkt aus dem CAD-Register aufgelöst, während bewegliche Objekte per CLIP-Ähnlichkeit im Szenengraph gefunden werden. Die Raumzuordnung erfolgt deterministisch per Punkt-in-Polygon-Test im ausgerichteten Blueprint. Aktive Zeitplanzonen werden als harte Ausschlusszellen in die Karte gerastert, weiche Zonen erhalten einen Kostenmultiplikator von 5. Ein regelgeführtes GPT-4o-Modell bewertet aktive weiche Zonen anhand von OSHA-basierten Sicherheitsregeln SR1 bis SR4 bei Temperatur null und stuft Zonen ab Score 0,7 zu harten Zonen hoch. Der A*-Planer nutzt ein Clearance-Kostenfeld mit w0=3,0 und ε=10^-3 und liefert Wegpunkte für ROS 2. Die Hardware umfasst Unitree Go2 und G1.
Die Blueprint-Registrierung erreicht RMSE-Werte von 0,135 m im Büro sowie 0,386 m, 0,280 m und 0,366 m auf den Baustellenetagen 0, 1 und 2. HOV-SG/CLIP-Raumlabels stimmen insgesamt nur in 1 von 30 Segmenten mit den Blueprint-Räumen überein, auf den Baustellenetagen in 0 % und im Büro in 16,7 %. In 89 Zeitplan-Versuchen sind 74 machbar, es treten 0 harte Zonenverstöße auf, und 15 Anfragen werden korrekt als unzulässig abgelehnt, davon 6 mit blockiertem Ziel und 9 mit blockiertem Start. Die Schedule-Aware Compliance Rate liegt bei 77,3 % auf Etage 0, 65,2 % auf Etage 1, 65,2 % auf Etage 2 und 23,8 % im Büro, wobei niedrige Werte auf unvermeidbare Kreuzungen oder blockierte Endpunkte zurückgehen. Die mittlere Path Efficiency Ratio bleibt nahe 1,0 mit 1,027±0,064, 1,028±0,054, 1,000±0,000 und 1,001±0,002. In der Ablation über 54 Navigationsanfragen erreicht CORNAV 100,0 % Constraint Compliance Rate, 72,2 % Task Success Rate, 46,3 % Feasible Planning Rate, 29,6 % Schedule-Aware Compliance Rate und 0,988 Path Efficiency Ratio. Ohne Blueprint sinkt die Task Success Rate auf 13,0 %, ohne Zeitpläne fällt die Constraint Compliance Rate auf 53,7 %, und ohne Sicherheitsvalidierung sinkt sie auf 83,3 %. Die HOV-SG-Baseline erreicht 7,4 % Task Success Rate und 42,6 % Constraint Compliance Rate. Bei permanenten Objekten erreicht CORNAV 100,0 % Task Success Rate, bei CLIP-Objekten 63,4 %, während ohne Blueprint 0,0 % und 17,1 % erreicht werden. Die Sicherheitsvalidierung eskaliert alle 4 gefährlichen Fehlannotationen korrekt und lässt alle 4 ungefährlichen weich, die Zone Entry Rate sinkt für gefährliche Fälle von 100 % auf 0,0 %, und bei 64 Bewertungsaufrufen bleibt die Entscheidung stabil mit einer Fallgruppe von Standardabweichung 0,024. In 12 Live-Demonstrationen mit Go2 und G1 werden machbare Ziele erreicht und unzulässige Anfragen ohne Bewegung abgelehnt.
Das Paper ist ein Preprint und nicht begutachtet. Die quantitativen Ergebnisse wurden offline auf aufgezeichneten RGB-D- und Posedaten des Unitree Go2 berechnet, die Live-Demonstrationen mit Go2 und G1 sind nur qualitativ und umfassen 12 Experimente. Die Evaluation beschränkt sich auf ein Büro und eine aktive Baustelle mit zwei Roboterplattformen, 89 Zeitplan-Versuchen und 54 Navigationsanfragen. Die Blueprint-Registrierung weist RMSE-Werte bis 0,386 m auf, was bei engen Baustellenbereichen die Genauigkeit beeinträchtigen kann. Ein Vergleich mit BIM-basierten Verfahren war nicht möglich, da für die Teststandorte keine IFC-Modelle vorlagen, als Baseline dient nur HOV-SG. Die Sicherheitsvalidierung stützt sich auf GPT-4o mit fester Schwelle 0,7 und wurde nicht auf Robustheit gegenüber vielfältigen Gefahrenbeschreibungen außerhalb der acht Testfälle geprüft. Soft Constraints können unvermeidbar sein und werden dann durchfahren. Ob Code oder Datensätze veröffentlicht werden, ist im Paper nicht berichtet.
Unternehmen, die mobile Inspektions- oder Transportroboter auf Baustellen einsetzen, könnten CORNAV kurzfristig in Pilotprojekten nutzen, weil es ohne BIM auskommt und direkt mit vorhandenen 2D-CAD-Plänen und Projektzeitplänen arbeitet. Anbieter von Baustellenrobotern auf Plattformen wie Unitree Go2 oder G1 könnten das Framework in bestehende ROS-2-Stacks integrieren. Vor einem breiten Einsatz in ein bis drei Jahren müssen robuste Lokalisierung, konsistente Zeiterfassung der Bauleitung, lokale Sicherheitsregeln statt nur OSHA sowie eine latenzarme LLM-Anbindung oder eine leichtere Ersatzvalidierung sichergestellt werden. Für mehr als drei Jahre sind Multi-Roboter-Koordination und die Kopplung mit Manipulationsaufgaben denkbar.
Der Volltext wird hier nicht wiedergegeben, weil die Lizenz der Studie das nicht erlaubt. Das Original steht auf arXiv.