Aktive Wahrnehmung mit Handkamera: UR10-Mobilmanipulator schafft 9 von 9 Runden, Vergleichsverfahren höchstens 6 (U Toronto, Epson Canada, TUM)
Ein mobiler Manipulator, der seine Handkamera gezielt auf tote Winkel und verschobene Objekte entlang seiner geplanten Route richtet, absolvierte alle neun Testrunden in vollgestellten Räumen ohne Kollision, während vier Vergleichsstrategien drei bis sechs schafften, berichtet ein Preprint der University of Toronto, von Epson Canada, der TU München und der Simon Fraser University. In der schwierigsten Szene erfasste seine Karte 73,0 Prozent der Hindernisvoxel, die Vergleichsverfahren rund 31 Prozent.
Kann ein mobiler Manipulator während der Fahrt mit der Kamera am Arm gezielt dorthin schauen, wo Kartenfehler seine aktuelle Route am stärksten gefährden, und navigiert er dadurch sicherer in vollgestellten, sich langsam ändernden Umgebungen?
Lager, Fabriken und Büros verändern sich zwischen zwei Besuchen eines Roboters: Kisten werden verschoben, Pfosten tauchen auf. Navigationssoftware geht meist von einer statischen Karte aus, und eine Basiskamera mit engem Sichtfeld erkennt Hindernisse hinter toten Winkeln erst aus der Nähe. Die Folge sind Kollisionen, Stillstand oder unnötige Neuplanung.
Feste Handkamera-Posen, eine Kamera, die entlang der Route vorausschaut, Zufallsansichten oder Next-Best-View-Planer, die nur den Informationsgewinn der Karte maximieren, ohne die Route zu berücksichtigen (NBV-Map). Objektbewusste Kartierung semistatischer Umgebungen gibt es, sie ist aber selten mit der Blicksteuerung gekoppelt.
Ein probabilistisches Next-Best-View-Ziel gewichtet die Kartenunsicherheit nach der Nähe zur geplanten Route und nach der Wahrscheinlichkeit, dass sich Objekte dort bewegt haben (aufgabenabhängige Kartenentropie). Dieses Ziel fließt in eine hierarchische modellprädiktive Regelung ein, die Navigation vor Wahrnehmung stellt, sodass die freien Freiheitsgrade des Arms die Kamera ausrichten, ohne die Bahnführung der Basis zu stören. Kollisionen vermeiden Control-Barrier-Bedingungen auf Kugeln um den Roboter. Hardware: ein UR10 von Universal Robots auf einer Clearpath-Ridgeback-Basis mit zwei Orbbec-Femto-Bolt-RGB-D-Kameras, gerechnet auf einem Laptop an Bord.
Über neun Runden (drei Szenen, je drei Runden) kam das Verfahren auf 100 Prozent; Vorausschauen 66,7 Prozent, fest, NBV-Map und zufällig je 33,3 Prozent. In der leichten Szene erzielte es die beste Präzision (87,4 Prozent), Trefferquote (70,9) und Falsch-positiv-Rate (1,7). In der Szene mit L-förmigen Wänden lag die Trefferquote bei 73,0 Prozent gegenüber 28,4 bis 31,2 Prozent; alle Vergleichsverfahren kollidierten dreimal. In der Büroszene: 70,0 gegenüber bestenfalls 58,3 Prozent. Die höhere Abdeckung kostete in den schweren Szenen Präzision, die Falsch-positiv-Rate stieg auf 8,4 und 8,6 Prozent.
Es handelt sich um ein Preprint. Der Realtest ist klein (drei Innenraumszenen, neun Runden je Verfahren), Kollisionen lösten einen Kartenneustart aus. Die geringere Präzision in schweren Szenen führen die Autoren auf Lokalisierungsdrift und Sensorrauschen zurück. Das Verhalten bei Szenenänderungen zeigen sie in kontrollierter Simulation und Demonstrationen, nicht in großer Zahl gemessen. Nötig ist ein Arm mit Kamera, bei üblichen AMR nicht Standard.
Relevant für Hersteller mobiler Manipulatoren in Logistik und Fertigung, wo UR-Arme auf AMR-Basen eine gängige Integratorlösung sind, und für Kamerazulieferer wie Orbbec. Die Beteiligung der TU München und von Epson zeigt das industrielle Interesse. Die Hardware existiert bereits, daher ist ein Einsatz in Lager- und Laborautomation binnen ein bis zwei Jahren denkbar, vor allem als Sicherheitsfunktion in gemischten, wechselnden Gängen.
Der Volltext wird hier nicht wiedergegeben, weil die Lizenz der Studie das nicht erlaubt. Das Original steht auf arXiv.