Robot ANYmal D rejestruje zbiór danych GrandTour

Opracowanie autonomicznych robotów kroczących zdolnych do poruszania się w złożonym, nieustrukturyzowanym terenie wymaga ogromnych ilości wysokiej jakości danych z rzeczywistego świata. Zbiór danych GrandTour został zarejestrowany przy użyciu czworonożnego robota ANYbotics ANYmal D wyposażonego w multimodalny moduł czujników Boxi. Ta konfiguracja sprzętowa umożliwia zaawansowaną fuzję czujników, pozwalając naukowcom na łączenie danych z wirujących LiDAR-ów, kamer RGB i czujników proprioceptywnych w celu tworzenia wysoce dokładnych modeli nawigacji robotycznej w terenie.

Luka w danych treningowych dla robotyki

Obecne ograniczenia w badaniach nad robotami kroczącymi wynikają z niedoboru zróżnicowanych zbiorów danych z rzeczywistego świata, które uchwyciłyby nieprzewidywalność środowisk naturalnych. Choć szkolenie oparte na symulacjach zapewnia fundamenty, często nie uwzględnia fizycznych niuansów zróżnicowanego terenu, takich jak osypująca się gleba czy zmieniające się oświetlenie. Ta luka „sim-to-real” uniemożliwia systemom autonomicznym osiągnięcie pełnego potencjału w krytycznych zastosowaniach terenowych.

Robotycy od dawna zmagają się z niedoborem danych, szczególnie w przypadku platform czworonożnych, które muszą balansować między ruchem a percepcją otoczenia. Poprzednie zbiory danych były często ograniczone do konkretnych wnętrz lub kontrolowanych warunków zewnętrznych. Bez szerokiego zakresu scenariuszy operacyjnych, benchmarking estymacji stanu i algorytmów SLAM (Simultaneous Localization and Mapping) pozostaje procesem fragmentarycznym, któremu brakuje złotego standardu odniesienia dla globalnej społeczności badawczej.

Jakie środowiska obejmuje zbiór danych GrandTour?

Zbiór danych GrandTour obejmuje ponad 49 zróżnicowanych środowisk, w tym przestrzenie zamknięte i otwarte, obszary miejskie, tereny przemysłowe, lasy oraz Alpy. Ta obszerna kolekcja zawiera również stacje kolejowe i kampusy uniwersyteckie, rejestrując wymagające warunki, takie jak cykle dnia i nocy, zmienną pogodę, dym, wodę i piasek, aby przetestować granice robotycznej percepcji i estymacji stanu.

Badania prowadzone przez Jonasa Freya, Marco Huttera i Cesara Cadenę podkreślają konieczność zachowania odpowiedniej skali w tej kolekcji. Poprzez rozmieszczenie robota ANYmal-D w tych lokalizacjach, zespół uchwycił scenariusze reprezentujące absolutną złożoność rzeczywistego świata. Kluczowe środowiska uwzględnione w badaniu to:

• Sceneria alpejska: Strome zbocza i skaliste występy w regionach górskich.
• Ruiny przemysłowe: Wyburzone budynki i place budowy zasypane gruzem.
• Krajobrazy naturalne: Gęste lasy i otwarte łąki o zmiennej stabilności podłoża.
• Infrastruktura miejska: Węzły komunikacji publicznej i ścieżki na kampusach z dynamicznymi przeszkodami.

Miejsca te nie zostały wybrane wyłącznie ze względu na ich różnorodność estetyczną, ale z powodu konkretnych wyzwań geometrycznych i radiometrycznych, jakie prezentują. Różnice w oświetleniu – od blasku w samo południe po operacje w całkowitych ciemnościach nocnych – zapewniają, że multimodalne czujniki są testowane pod kątem wszelkich możliwych ograniczeń wizualnych. Uwzględnienie zakłóceń atmosferycznych, takich jak dym i rozpylona woda, jeszcze bardziej przybliża ten zbiór danych do wymagań operacji poszukiwawczo-ratowniczych.

Przedstawienie ram GrandTour

System GrandTour wykorzystuje czworonoga ANYbotics ANYmal-D jako mobilną platformę sensoryczną do zbierania zsynchronizowanych czasowo strumieni danych. Sercem tego systemu jest multimodalny moduł czujników Boxi, który integruje wiele urządzeń o wysokiej częstotliwości pracy, aby zapewnić 360-stopniowy widok otoczenia robota. Taka konfiguracja gwarantuje, że każdy ruch i zmiana w środowisku są rejestrowane z precyzją mikrosekundową.

Specyfikacje techniczne modułu obejmują wirujące LiDAR-y do pomiaru odległości oraz wiele kamer RGB o uzupełniających się ogniskowych. Aby zapewnić wiarygodność danych, system opiera się na czujnikach proprioceptywnych – w tym wysokiej klasy jednostkach IMU o wartości 12 tys. USD – do śledzenia stanu wewnętrznego robota. Ta synchronizacja czasowa rzędu 1 ms pomiędzy wszystkimi czujnikami jest kluczowa dla wszelkich badań skupiających się na fuzji danych wizualnych i inercyjnych, ponieważ nawet niewielkie przesunięcia mogą prowadzić do katastrofalnych błędów w autonomicznej nawigacji.

W jaki sposób GrandTour wspiera fuzję czujników i estymację stanu?

GrandTour wspiera estymację stanu, dostarczając wzorcowe dane referencyjne (ground truth) z instrumentu Leica Geosystems MS60 Totalstation oraz przetworzone dane dual RTK-GPS. Narzędzia te pozwalają na uzyskanie milimetrowej dokładności podczas benchmarkingu algorytmów. Oferując wysoce precyzyjne kalibracje, zbiór danych umożliwia rozwój metod uwzględniających kontakt oraz zaawansowanych technik fuzji czujników w złożonych, wielkoskalowych scenariuszach rzeczywistych.

Estymacja stanu to proces, w którym robot określa swoją pozycję i orientację w przestrzeni. Bez precyzyjnych danych ground truth naukowcy nie są w stanie stwierdzić, czy ich algorytmy są rzeczywiście dokładne, czy jedynie przybliżają ruch. Zbiór danych GrandTour rozwiązuje ten problem, dostarczając „zakotwiczone” punkty danych. Niezależnie od tego, czy robot porusza się w ciemnym tunelu, czy w jasnym lesie, system RTK-GNSS (Real-Time Kinematic Global Navigation Satellite System) zapewnia znajomość jego globalnych współrzędnych z niesamowitą precyzją.

Dla badań nad SLAM zbiór ten stanowi rygorystyczne pole testowe dla uczenia multimodalnego. Poprzez połączenie chmur punktów LiDAR z obrazami z kamer głębi stereo, zbiór danych pozwala na tworzenie solidnych map środowiskowych. To wieloczujnikowe podejście jest niezbędne do zapobiegania „dryfowi” (drift) – powszechnemu błędowi, w którym wewnętrzna mapa robota powoli odbiega od rzeczywistości na długich dystansach lub przy wydłużonym czasie pracy.

Przyszłość autonomii robotów kroczących

Wydanie zbioru danych GrandTour reprezentuje zmianę paradygmatu dla systemów autonomicznych stosowanych w ratownictwie, inspekcjach przemysłowych i monitorowaniu środowiska. Udostępniając największy do tej pory otwarty zbiór danych dla robotyki kroczącej, autorzy z ETH Zurich i stowarzyszonych instytucji demokratyzują dostęp do wysokiej jakości danych potrzebnych do szkolenia modeli AI nowej generacji. Ta dostępność jest kluczem do przyspieszenia globalnego rozwoju niezawodnych robotów mobilnych.

Przyszłe zastosowania tych badań wykraczają daleko poza laboratorium. W inspekcjach przemysłowych roboty muszą poruszać się po „cyfrowych bliźniakach” złożonych fabryk; w ratownictwie muszą pokonywać niestabilne gruzowiska po klęskach żywiołowych. Dane dostarczone przez GrandTour pomagają zniwelować lukę między teoretycznym potencjałem a praktyczną użytecznością. Ponieważ zbiór danych jest dostępny na platformach takich jak HuggingFace oraz w formatach ROS (Robot Operating System), jest on gotowy do integracji z istniejącymi procesami badawczymi na całym świecie.

Zbiór danych GrandTour stanowi przełomowy wkład w dziedzinę robotyki. Skupiając się na fuzji różnorodnych danych sensorycznych w niemal pięćdziesięciu odrębnych środowiskach, zapewnia on niezbędny fundament dla robotów, aby mogły przejść z kontrolowanych poligonów doświadczalnych do nieprzewidywalnej rzeczywistości. Naukowcy mogą teraz korzystać z tych zasobów, aby dopracowywać algorytmy, które w przyszłości będą napędzać autonomicznych odkrywców jutra.