ANYmal D Roboter erfasst den GrandTour-Datensatz

Die Entwicklung autonomer Laufroboter, die in der Lage sind, komplexe, unstrukturierte Gelände zu durchqueren, erfordert immense Mengen an hochwertigen Realdaten. Der GrandTour-Datensatz wurde mit einem vierbeinigen ANYbotics ANYmal D-Roboter aufgezeichnet, der mit der multimodalen Boxi-Sensornutzlast ausgestattet ist. Diese Hardwarekonfiguration ermöglicht eine hochentwickelte Sensor-Fusion, die es Forschern erlaubt, Daten von rotierenden LiDARs, RGB-Kameras und propriozeptiven Sensoren zu kombinieren, um hochpräzise Modelle für die robotergestützte Navigation unter realen Bedingungen zu erstellen.

Die Lücke bei Roboter-Trainingsdaten

Aktuelle Einschränkungen in der Forschung zu Laufrobotern resultieren aus einem Mangel an vielfältigen Realdatensätzen, welche die Unvorhersehbarkeit natürlicher Umgebungen erfassen. Während simulationsbasiertes Training eine Grundlage bietet, scheitert es oft daran, die physischen Nuancen unterschiedlicher Terrains wie sich bewegenden Boden oder wechselnde Lichtverhältnisse zu berücksichtigen. Diese „Sim-to-Real“-Lücke verhindert, dass autonome Systeme ihr volles Potenzial in kritischen Feldanwendungen ausschöpfen.

Robotiker haben lange mit der Datenknappheit gekämpft, insbesondere bei vierbeinigen Plattformen, die ein Gleichgewicht zwischen Bewegung und Umgebungswahrnehmung finden müssen. Frühere Datensätze waren oft auf spezifische Innenräume oder kontrollierte Außenbereiche beschränkt. Ohne ein breites Spektrum an Einsatzszenarien bleibt das Benchmarking von Zustandsschätzungs- und SLAM-Algorithmen (Simultaneous Localization and Mapping) ein fragmentierter Prozess, dem ein Goldstandard-Referenzpunkt für die weltweite Forschungsgemeinschaft fehlt.

Welche Umgebungen sind im GrandTour-Datensatz enthalten?

Der GrandTour-Datensatz umfasst über 49 verschiedene Umgebungen, darunter Innen- und Außenbereiche, städtische Gebiete, Industriestandorte, Wälder und die Alpen. Diese umfangreiche Sammlung beinhaltet auch Bahnhöfe und Universitätsgelände und erfasst herausfordernde Bedingungen wie Tag-Nacht-Zyklen, unterschiedliches Wetter, Rauch, Wasser und Sand, um die Grenzen der robotergestützten Wahrnehmung und Zustandsschätzung zu testen.

Die von Jonas Frey, Marco Hutter und Cesar Cadena geleitete Forschung betont die Notwendigkeit der Skalierung in dieser Sammlung. Durch den Einsatz des ANYmal D an diesen Standorten erfasste das Team Szenarien, welche die absolute Komplexität der realen Welt widerspiegeln. Zu den wichtigsten in der Studie enthaltenen Umgebungen gehören:

• Alpines Gelände: Steile Hänge und Felsvorsprünge in Bergregionen.
• Industrieruinen: Abgerissene Gebäude und mit Schutt übersäte Baustellen.
• Naturlandschaften: Dichte Wälder und offene Wiesen mit unterschiedlicher Bodenstabilität.
• Städtische Infrastruktur: Knotenpunkte des öffentlichen Nahverkehrs und Campuswege mit dynamischen Hindernissen.

Diese Standorte wurden nicht nur aufgrund ihrer ästhetischen Vielfalt ausgewählt, sondern wegen der spezifischen geometrischen und radiometrischen Herausforderungen, die sie darstellen. Beleuchtungsvariationen – von blendendem Mittagssonnenlicht bis hin zu Operationen in pechschwarzer Nacht – stellen sicher, dass die multimodalen Sensoren gegen jede mögliche visuelle Einschränkung getestet werden. Die Einbeziehung von atmosphärischen Störungen wie Rauch und Sprühwasser treibt den Datensatz weiter in Richtung der Anforderungen von Such- und Rettungseinsätzen.

Einführung des GrandTour-Frameworks

Das GrandTour-Framework nutzt den vierbeinigen ANYbotics ANYmal D als mobile Sensorplattform, um zeitsynchronisierte Datenströme zu sammeln. Das Herzstück dieses Systems ist die multimodale Boxi-Sensornutzlast, die mehrere Hochfrequenzgeräte integriert, um eine 360-Grad-Ansicht der Umgebung des Roboters zu ermöglichen. Dieser Aufbau stellt sicher, dass jede Bewegung und jede Veränderung der Umgebung mit Mikrosekundenpräzision erfasst wird.

Die technischen Spezifikationen der Nutzlast umfassen rotierende LiDARs zur Distanzmessung und mehrere RGB-Kameras mit komplementären Brennweiten. Um die Zuverlässigkeit der Daten zu gewährleisten, stützt sich das System auf propriozeptive Sensoren – einschließlich hochwertiger IMUs im Wert von 12.000 USD –, um den internen Zustand des Roboters zu verfolgen. Diese 1-ms-Zeitsynchronisation über alle Sensoren hinweg ist entscheidend für jede Forschung, die sich auf die Fusion von visuellen und inertalen Daten konzentriert, da bereits geringfügige Abweichungen zu katastrophalen Fehlern in der autonomen Navigation führen können.

Wie unterstützt GrandTour die Sensorfusion und Zustandsschätzung?

GrandTour unterstützt die Zustandsschätzung durch die Bereitstellung von Goldstandard-Referenzdaten einer Leica Geosystems MS60 Totalstation und nachbearbeitetem dualem RTK-GPS. Diese Werkzeuge ermöglichen eine Millimetergenauigkeit beim Benchmarking von Algorithmen. Durch das Angebot hochpräziser Kalibrierungen ermöglicht der Datensatz die Entwicklung kontaktbehafteter Methoden und fortschrittlicher Techniken der Sensor-Fusion in komplexen, großflächigen Realszenarien.

Zustandsschätzung ist der Prozess, durch den ein Roboter seine Position und Ausrichtung im Raum bestimmt. Ohne präzise Referenzdaten (Ground Truth) ist es für Forscher unmöglich zu wissen, ob ihre Algorithmen wirklich genau sind oder die Bewegung lediglich approximieren. Der GrandTour-Datensatz löst dies durch die Bereitstellung „verankerter“ Datenpunkte. Unabhängig davon, ob der Roboter durch einen dunklen Tunnel oder einen hellen Wald navigiert, stellt das RTK-GNSS (Real-Time Kinematic Global Navigation Satellite System) sicher, dass seine globalen Koordinaten mit unglaublicher Präzision bekannt sind.

Für die Forschung im Bereich SLAM bietet dieser Datensatz ein strenges Testfeld für multimodales Lernen. Durch die Kombination von LiDAR-Punktwolken mit Stereo-Tiefenkameradaten ermöglicht der Datensatz die Erstellung robuster Umgebungskarten. Dieser Multi-Sensor-Ansatz ist essenziell, um „Drift“ zu verhindern – einen häufigen Fehler, bei dem die interne Karte eines Roboters über lange Distanzen oder ausgedehnte Betriebszeiten langsam von der Realität abweicht.

Die Zukunft der autonomen Laufrobotik

Die Veröffentlichung des GrandTour-Datensatzes stellt einen Paradigmenwechsel für autonome Systeme dar, die in der Suche und Rettung, der industriellen Inspektion und der Umweltüberwachung eingesetzt werden. Durch die Bereitstellung des bislang größten frei zugänglichen Datensatzes für die Laufrobotik demokratisieren die Autoren der ETH Zürich und assoziierter Institutionen den Zugang zu hochwertigen Daten, die für das Training der KI-Modelle der nächsten Generation erforderlich sind. Diese Zugänglichkeit ist der Schlüssel zur Beschleunigung der weltweiten Entwicklung zuverlässiger, mobiler Roboter.

Zukünftige Anwendungen dieser Forschung reichen weit über das Labor hinaus. In der industriellen Inspektion müssen Roboter durch „digitale Zwillinge“ komplexer Fabriken navigieren; bei Such- und Rettungseinsätzen müssen sie instabile Trümmer nach Naturkatastrophen überqueren. Die von GrandTour bereitgestellten Daten helfen dabei, die Lücke zwischen theoretischem Potenzial und praktischem Nutzen zu schließen. Da der Datensatz auf Plattformen wie HuggingFace und in ROS (Robot Operating System)-Formaten verfügbar ist, ist er bereit für die Integration in bestehende Forschungspipelines weltweit.

Der GrandTour-Datensatz stellt einen Meilenstein für das Feld der Robotik dar. Durch die Konzentration auf die Fusion verschiedenster Sensoreingaben in fast fünfzig unterschiedlichen Umgebungen bietet er die notwendige Grundlage für den Übergang von Robotern von kontrollierten Testgeländen in die unvorhersehbare Realität der freien Wildbahn. Forscher können nun auf diese Ressource zugreifen, um die Algorithmen zu verfeinern, die schließlich die autonomen Entdecker von morgen antreiben werden.