El robot ANYmal D recopila el conjunto de datos GrandTour

El desarrollo de robots con patas autónomos capaces de navegar por terrenos complejos y no estructurados requiere cantidades inmensas de datos del mundo real de alta calidad. El conjunto de datos GrandTour (GrandTour dataset) fue registrado utilizando un robot cuadrúpedo ANYbotics ANYmal D equipado con la carga útil de sensores multimodales Boxi. Esta configuración de hardware permite una sofisticada fusión de sensores, lo que permite a los investigadores combinar datos de LiDARs giratorios, cámaras RGB y sensores propioceptivos para crear modelos altamente precisos para la navegación robótica en entornos naturales.

La brecha en los datos de entrenamiento robótico

Las limitaciones actuales en la investigación de la robótica con patas se derivan de la escasez de conjuntos de datos diversos y del mundo real que capturen la imprevisibilidad de los entornos naturales. Aunque el entrenamiento basado en simulaciones proporciona una base, a menudo no tiene en cuenta los matices físicos de los diversos terrenos, como el suelo movedizo o los cambios de iluminación. Esta brecha de la "simulación a la realidad" (sim-to-real) impide que los sistemas autónomos alcancen todo su potencial en aplicaciones de campo críticas.

Los expertos en robótica han luchado durante mucho tiempo con la escasez de datos, especialmente para las plataformas cuadrúpedas que deben equilibrar el movimiento con la percepción ambiental. Los conjuntos de datos anteriores solían limitarse a entornos interiores específicos o entornos exteriores controlados. Sin una amplia gama de escenarios operativos, la evaluación comparativa de la estimación de estado y los algoritmos SLAM (Localización y Mapeo Simultáneos) sigue siendo un proceso fragmentado que carece de un punto de referencia estándar para la comunidad de investigación global.

¿Qué entornos se incluyen en el conjunto de datos GrandTour?

El conjunto de datos GrandTour presenta más de 49 entornos diversos, incluidos entornos interiores y exteriores, zonas urbanas, emplazamientos industriales, bosques y los Alpes. Esta extensa colección también incluye estaciones de tren y campus universitarios, capturando condiciones desafiantes como ciclos de día y noche, clima variado, humo, agua y arena para poner a prueba los límites de la percepción robótica y la estimación de estado.

La investigación dirigida por Jonas Frey, Marco Hutter y Cesar Cadena subraya la necesidad de escala en esta colección. Al desplegar el ANYmal-D en estos lugares, el equipo capturó escenarios que representan la complejidad absoluta del mundo real. Los entornos clave incluidos en el estudio son:

• Paisaje alpino: Pendientes pronunciadas y afloramientos rocosos en regiones montañosas.
• Ruinas industriales: Edificios demolidos y obras de construcción llenas de escombros.
• Paisajes naturales: Bosques densos y prados abiertos con diversa estabilidad del suelo.
• Infraestructura urbana: Centros de transporte público y pasarelas de campus con obstáculos dinámicos.

Estos sitios no fueron elegidos únicamente por su diversidad estética, sino por los desafíos geométricos y radiométricos específicos que presentan. Las variaciones en la iluminación —desde el resplandor del mediodía hasta operaciones nocturnas en completa oscuridad— garantizan que los sensores multimodales se prueben frente a todas las limitaciones visuales posibles. La inclusión de interferencias atmosféricas como el humo y el agua pulverizada empuja aún más el conjunto de datos hacia los requisitos de las operaciones de búsqueda y rescate.

Presentación del marco de trabajo GrandTour

El marco de trabajo GrandTour utiliza el cuadrúpedo ANYbotics ANYmal-D como una plataforma de detección móvil para recopilar flujos de datos sincronizados en el tiempo. En el corazón de este sistema se encuentra la carga útil de sensores multimodales Boxi, que integra múltiples dispositivos de alta frecuencia para proporcionar una visión de 360 grados del entorno del robot. Esta configuración garantiza que cada movimiento y cambio ambiental se capture con una precisión de microsegundos.

Las especificaciones técnicas de la carga útil incluyen LiDARs giratorios para la medición de distancias y múltiples cámaras RGB con distancias focales complementarias. Para garantizar la fiabilidad de los datos, el sistema se apoya en sensores propioceptivos —incluidas IMU de gama alta de 12.000 USD— para rastrear el estado interno del robot. Esta sincronización temporal de 1 ms en todos los sensores es vital para cualquier investigación centrada en la fusión de datos visuales e inerciales, ya que incluso ligeros desfases pueden provocar fallos catastróficos en la navegación autónoma.

¿Cómo apoya GrandTour la fusión de sensores y la estimación de estado?

GrandTour apoya la estimación de estado proporcionando datos de verdad fundamental (ground truth) de referencia estándar procedentes de una estación total Leica Geosystems MS60 y un GPS-RTK dual post-procesado. Estas herramientas permiten una precisión milimétrica al evaluar algoritmos. Al ofrecer calibraciones altamente precisas, el conjunto de datos permite el desarrollo de métodos conscientes del contacto y técnicas avanzadas de fusión de sensores en escenarios complejos del mundo real a gran escala.

La estimación de estado es el proceso mediante el cual un robot determina su posición y orientación en el espacio. Sin una verdad fundamental precisa, es imposible para los investigadores saber si sus algoritmos son verdaderamente exactos o simplemente aproximan el movimiento. El conjunto de datos GrandTour resuelve esto proporcionando puntos de datos "anclados". Ya sea que el robot esté navegando por un túnel oscuro o un bosque luminoso, el RTK-GNSS (Sistema Global de Navegación por Satélite Cinemático en Tiempo Real) garantiza que sus coordenadas globales se conozcan con una precisión increíble.

Para la investigación en SLAM, este conjunto de datos proporciona un banco de pruebas riguroso para el aprendizaje multimodal. Al combinar nubes de puntos LiDAR con transmisiones de cámaras de profundidad estéreo, el conjunto de datos permite la creación de mapas ambientales robustos. Este enfoque multisensorial es esencial para evitar la "deriva" (drift), un error común en el que el mapa interno de un robot se desvía lentamente de la realidad en distancias largas o tiempos de funcionamiento prolongados.

El futuro de la autonomía con patas

El lanzamiento del conjunto de datos GrandTour representa un cambio de paradigma para los sistemas autónomos utilizados en búsqueda y rescate, inspección industrial y monitoreo ambiental. Al proporcionar el conjunto de datos de robótica con patas de acceso abierto más grande hasta la fecha, los autores de la ETH Zurich e instituciones asociadas están democratizando el acceso a los datos de alta calidad necesarios para entrenar modelos de IA de próxima generación. Esta accesibilidad es clave para acelerar el desarrollo global de robots móviles fiables.

Las aplicaciones futuras de esta investigación se extienden mucho más allá del laboratorio. En la inspección industrial, los robots deben navegar por "gemelos digitales" de fábricas complejas; en búsqueda y rescate, deben cruzar escombros inestables tras desastres naturales. Los datos proporcionados por GrandTour ayudan a cerrar la brecha entre el potencial teórico y la utilidad práctica. Dado que el conjunto de datos está disponible en plataformas como HuggingFace y en formatos ROS (Robot Operating System), está preparado para su integración en los flujos de investigación existentes en todo el mundo.

El conjunto de datos GrandTour se erige como una contribución histórica al campo de la robótica. Al centrarse en la fusión de diversas entradas sensoriales en casi cincuenta entornos distintos, proporciona la base necesaria para que los robots pasen de sitios de prueba controlados a la realidad impredecible del mundo exterior. Los investigadores ya pueden acceder a este recurso para perfeccionar los algoritmos que, con el tiempo, impulsarán a los exploradores autónomos del mañana.