Autonome Navigation: Quo vadis, Robot?
Technology
2. Oktober 2018
Share
Bevor man weiß, wohin man geht, sollte man wissen, wo man ist. Das gilt für den Gang zum nächsten Supermarkt genauso wie für die ganz großen Lebensentscheidungen. Und es gilt auch für unsere Roboter.
Um sich erfolgreich von A nach B zu bewegen, müssen sich diese zunächst selbst lokalisieren und auf ihrem Weg Hindernisse und neue Situationen bewältigen. Dafür haben wir sie mit intelligenten Algorithmen und sogar einer kollektiven Wahrnehmung ausgestattet.
Je freier sich Roboter bewegen können und sollen, desto klüger müssen sie sein. Und desto besser muss ihre Fähigkeit sein, autonom zu navigieren. Im Fall von Magazino ist unsere Welt das Warenlager und die Navigationsaufgabe der Roboter zweierlei: einerseits müssen sie ihren Weg durch die Gänge finden, Hindernissen ausweichen und schließlich beim richtigen Regal ankommen. Zum anderen müssen sie das jeweilige Objekt, also ihren Pickauftrag, im Regal lokalisieren und dann fehlerfrei greifen. Dabei stellen sich einige Herausforderungen. Zum Vergleich: Sogenannte AGVs, oder auch Automated Guided Vehicles, die in Warenlagern unterstützen und Objekte von A nach B transportieren, müssen nicht intelligent navigieren. Denn diese Roboter oder Transporthilfen bewegen sich meist nicht autonom, sondern werden über Linien, Magnetstreifen oder andere vordefinierte Spuren geleitet.
Effizienz durch intelligente Software
Magazino Roboter sind anders. Sie brauchen kein aufwendig installiertes Schienensystem und kein Warenlager, das um sie herum konzipiert wurde. Sie lassen sich für jede Lagerumgebung konfigurieren und finden sich durch ihre intelligenten Features schnell zurecht. Sie bewegen sich frei und haben die Fähigkeit, autonom zu navigieren.
Eine grundlegende Herausforderung in der mobilen Robotik wird SLAM genannt. SLAM steht für „simultaneous localization and mapping“ (auf deutsch: Simultane Positionsbestimmung und Kartenerstellung). So wird ein Problem der Robotik genannt, bei dem ein mobiler Roboter gleichzeitig eine Karte seiner Umgebung erstellen und seine Position innerhalb dieser Karte schätzen muss. Zunächst muss der Roboter herausfinden, wie seine Umgebung aussieht und wo genau er sich darin befindet. Der erste Schritt zur Navigation ist also, seine eigene Position festzustellen. Das tut er, indem er seine Umgebung durch verschiedene Sensoren wahrnimmt und mit seiner gespeicherten Karte vergleicht. Hat er seine Position gefunden, kann er von da aus sein Ziel sowie den Weg dorthin errechnen.
Der Vorsprung der Teamplayer
Das ist für einen einzelnen Roboter in einer völlig statischen Umgebung durch herkömmliche SLAM Code-Bausteine schon durchaus machbar. Aber: ein Warenhaus in der realen Welt ist alles andere als statisch. Menschen arbeiten darin und verändern die Umgebung kontinuierlich, Pakete wechseln ihren Platz, neue Hindernisse kommen und gehen. Um auch unter diesen Umständen noch zuverlässig und reibungslos zu arbeiten, brauchen die Roboter noch eine Fähigkeit mehr: Sie müssen sich anpassen können. Dafür brauchen sie so viele Informationen über die aktuelle Situation ihrer Umgebung wie möglich. Darauf basierend können sie dann ihre Wege anpassen und effizienter arbeiten.
Unser Ansatz ist hier: Cloud-based Mapping and Localization in Dynamic Warehouse Environments. Diese Idee basiert darauf, dass viele Roboter im Einsatz auch viele Daten über ihre Umgebung sammeln können. Bei jeder Fahrt durch einen Gang nimmt ein Magazino Roboter also seine Umgebung durch Sensoren und Kameras wahr. Begegnet ihm ein Hindernis auf seiner Route stoppt er und sucht einen alternativen Weg zum Ziel. Wenn der Roboter diese Lektion allerdings nicht selbst durch ausprobieren lernen muss, kann er seine Route direkt entsprechend planen und effizienter arbeiten. Wäre es also nicht fantastisch, wenn Roboter A seine Erkenntnis mit Roboter B teilen könnte? Definitiv. Deshalb haben wir in Kooperation mit Google Cartographer, eine Echtzeit-Lokalisierungs- und Mapping-Bibliothek, weiter entwickelt. Konkret bedeutet das, jeder Roboter im Warenhaus schickt SLAM Daten in eine Cloud und gleicht gleichzeitig seine gespeicherte innere Karte des Warenhauses mit Daten in der Cloud ab. Die Roboter der Flotte können also ihr Wissen über die Umgebung teilen und für sich nutzen. Man könnte sagen, die Flotte nimmt ihre Umgebung kollektiv war und wird zusammen stetig besser: Magazino Roboter sind also echte Teamplayer. Genau wie ihre Erfinder und Entwickler.
nächster Artikel
