Herausforderungen bei autonomen Robotern
Die schematische Darstellung der hochgradig modularen Architektur des mobilen autonomen Roboters. Die einzelnen Module tauschen in Echtzeit Daten aus und unterstützen dadurch Sensoren und Module rund um das autonome Fahren. ROS wird eingesetzt, um eine einfache Konfiguration und Skalierbarkeit zu ermöglichen und das übergreifende modulare Design zu unterstützen (Quelle: Analog Devices)
Das autonome mobile Robotersystem (AMR) besteht im Wesentlichen aus drei Modulen (Quelle: Analog Devices)
Zu den Herausforderungen bei autonomen mobilen Robotern gehört, dass die einzelnen Messungen der Navigationssensoren in der Regel fehlerbehaftet sind. Somit ist eine Schätzung der Lokalisierung erforderlich, die mittels Multisensor-Datenfusion unter Berücksichtigung der jeweiligen Sensorunsicherheiten erfolgen kann.
Eine weitere Optimierung lässt sich durch die Kartierung erreichen: Auf Basis dieser kann sich der Roboter mit seinen Umgebungssensoren lokalisieren. Allerdings wird auch solch eine Karte für gewöhnlich mit den fehlerbehafteten Sensordaten des mobilen Roboters erstellt. Soll nun eine genaue Karte erstellt werden, muss sich der Roboter simultan in der bisher aufgenommenen und fehlerbehafteten Karte lokalisieren und diese ständig aktualisieren. Diese sogenannte simultane Lokalisierung und Kartenerstellung wird auch als SLAM (Simultaneous Localization and Mapping) bezeichnet.
Sensorfusion im Detail
Mittels der genannten Sensorfusion, also der intelligenten Zusammenführung von Daten aus Multisensoren oder Sensornetzwerken, lassen sich Informationen in besserer Qualität, mit höherer Genauigkeit und Zuverlässigkeit gewinnen. Dabei erfassen die unterschiedlichen Sensoren nicht nur die wesentlichen Größen, sondern auch Zusatzinformationen. In Summe ergibt sich aus diesen ein umfassendes Bild. Über Machine-Learning-Algorithmen können die Sensor-Rohdaten dann korreliert und wertvolle Informationen generiert werden. Hierzu können beispielsweise Kalman-Filter herangezogen werden. Sie modellieren den aktuellen und vorherigen Zustand des Robotersystems auf Grundlage von Echtzeitmessungen und -vorhersagen.
Vorteile der Sensorfusion
In Summe lässt sich durch Sensorfusion in einer Echtzeitumgebung sowohl bei der Visualisierung als auch bei der Kartierung und dem Regelkreis des autonomen mobilen Roboters Mehrwert generieren. Dadurch entsteht ein präziseres und in Echtzeit gesteuertes System. Durch die Kombination von Sensordaten aus der Umgebung, Aktuator/Sensor-Informationen und Lokalisierungsdaten ist es zudem möglich, den Kartierungspfad für autonome Roboter zu optimieren. Informationen und vertrauliche Daten rund um die Funktion des Roboter gehen dabei nicht verloren. Durch die Sensorfusion ist eine kontinuierliche Verbesserung des autonomen Roboters möglich.
Für den Fall, dass fehlerhafte Informationen in das Sensorsystem eingespeist werden oder dieses manipuliert wird, kann dies in Kombination mit maschinellem Lernen und neuronalen Netzen erkannt werden. Daraus resultiert ein höheres Maß an Sicherheit und Datenschutz. Die Sensorfusion erhöht die Systemintegrität, Zuverlässigkeit und Robustheit im kontrollierten Echtzeitbetrieb und bietet zusätzliche Vorteile gegen Angriffe auf Sensornetzwerke.
Ein weiterer Vorteil besteht darin, dass die Daten für mehrere Zwecke verwendet werden können, um andere Sensorinformationen bis zu einem vorgegebenen Format zu verbessern. Auf diese Weise kann der Entwickler die Datenpfade und die Funktionalität eines Systems optimieren und zudem die Sensormodule so wiederverwenden, wie es für den jeweiligen Anwendungsfall am besten passt. Rohdaten können also unabhängig voneinander aus dem System entnommen und mit komprimierten und bereits vorhandenen Daten korreliert werden, um den korrekten und/oder korrigierten Datensatz aus der Action Engine zu erstellen. Insgesamt haben die optimierten Daten den einen Zweck: Ein schnelleres und intelligenteres System schaffen, das es dem Roboter ermöglicht, sich autonom zu bewegen und optimierte Entscheidungen auf der Grundlage der Umgebungs- und weiterer Sensordaten zu treffen.
Analog Devices bietet eine Vielzahl an System-, Anwendungs- und Softwaremodulen an. Dabei sind die jeweiligen Optimierungsmöglichkeiten für verschiedene Sensoren für vielfältige Anwendungsfälle und Endanwendungen konzipiert.
Insgesamt erweitern diese Arten von Fusionssystemen die Funktionalität und die Echtzeitfähigkeit autonomer Roboter. Daraus ergeben sich niedrigere Gesamtbetriebskosten aufgrund der Optimierung der Produktionsanlagen. Außerdem ist durch die Sensorfusion der Remote-Betrieb möglich, um die intelligente Fabrik nachhaltiger und wirtschaftlicher zu betreiben.