OpenSpace Lab: Budgetbewusste Exploration für IROS 2026 Indoor Exploration Competition

Wie lassen sich autonome Explorationsstrategien für Einzel- und Multirobotersysteme unter strikten Schrittbudgets und Rückkehrpflicht zur Basisstation gestalten?

Bestehende Explorationsverfahren behandeln Ausführungszeit oder Pfadlänge meist als passive Bewertungsmetrik nach Missionsende statt als aktive Nebenbedingung während der Laufzeit. In zeitkritischen Szenarien müssen Roboter jedoch nicht nur die Informationsaufnahme maximieren, sondern auch die Rückkehr zur Basisstation zur Datenübertragung einplanen; harte Zeitgrenzen und Kommunikationsreichweiten werden von gängigen Frontier- oder Next-Best-View-Ansätzen nur unzureichend berücksichtigt.

Bisherige Ansätze wie Frontier-Erkundung und Next-Best-View-Selektion optimieren meist die unmittelbare Informationsaufnahme, bewerten Zeit- und Rückkehrkosten aber oft erst nach Missionsende. Auch Lernverfahren zur Kartenvervollständigung, etwa LaMa innerhalb von MapEx, werden üblicherweise ohne harte Budget- und Homing-Prüfung eingesetzt.

OpenSpace Lab kombiniert eine globale, lernunterstützte Aufgabenreihenfolge mit lokaler Planung. Beim Einzelroboter erzeugt das vortrainierte LaMa-Modell über MapEx alle acht Entscheidungsschritte Kartenvervollständigungen; Frontier-Kandidaten werden in bis zu sieben Makroregionen gruppiert und per Beam Search (Breite 36, maximale Länge 6) mit einer diskontierten Nutzenfunktion (0,92^k) bewertet. Die Budgetgrenzen von 1.000, 1.500 und 2.000 Schritten werden durch adaptive Heuristiken berücksichtigt, etwa Überlappungsschwellen und späte Distanzmerkmale. Die Rückkehr wird ausgelöst, wenn das Restbudget unter geschätzte Rückkehrkosten plus Sicherheitsmarge von 10 Schritten fällt; die Homing-Kostenformel lautet H = max(H_path, max(0, H_base - c_core)) + 1. Für mehrere Roboter erweitert das System die Zielauswahl um geteilte Karten und Absichten, bestraft Kandidaten in der Nähe von Teamzielen und historischen Trajektorien und nutzt einen Richtungsmomentum-Bonus. Event-basierte Datenrelais mit dynamischen Übergaben sowie die Homing-Schätzung H = max(H_comm, H_base - 20) + delta mit delta = 0 oder 80 sichern die Kommunikation.

Im öffentlichen Einzelroboter-Track über sieben Karten erreichte OpenSpace Lab 61,04 % Abdeckung und Rang 1; das zweitplatzierte Team erzielte 60,12 %, das dritte 55,89 %. Auf großen öffentlichen Karten lag der Vorsprung auf Rang 2 bei 3,53 Prozentpunkten (49,81 % gegenüber 46,28 %). Die Budgets betrugen 1.000, 1.500 und 2.000 Schritte für kleine, mittlere und große Karten; Multiroboter-Läufe mit 2, 3, 4 und 5 Robotern nutzten 500, 1.000 und 1.500 Schritte. In den privaten Tracks mit zehn unveröffentlichten Karten belegte das Team im Einzelroboter-Track Rang 3 mit 39,53 % (Sieger MobilityAI 40,26 %, Zweiter Xplore 39,65 %) und im Multiroboter-Track Rang 3 mit 39,91 % (Sieger HeRoLab 42,64 %, Zweiter Xplore 41,12 %). In der Kategorie mittelgroßer Einzelroboter-Karten der privaten Wertung erreichte das Team mit 42,53 % den ersten Platz.

Die Evaluation erfolgt ausschließlich in der Wettbewerbssimulation; reale Roboter, Latenzmessungen oder Energieverbrauch werden im Paper nicht berichtet. Der Quellcode ist noch nicht veröffentlicht, und eine erweiterte Fassung befindet sich in Vorbereitung. Die private Leistung liegt mit 39,53 % bzw. 39,91 % deutlich unter der öffentlichen 61,04 %, was auf eine begrenzte Generalisierung hindeuten könnte; Ablationsstudien und statistische Wiederholungen fehlen.