Робот ANYmal D записал масштабный набор данных GrandTour

Разработка автономных шагающих роботов, способных перемещаться по сложной неструктурированной местности, требует огромного количества высококачественных реальных данных. Набор данных GrandTour был записан с использованием четвероногого робота ANYbotics ANYmal D, оснащенного мультимодальной сенсорной системой Boxi. Эта конфигурация оборудования обеспечивает сложное слияние данных сенсоров, позволяя исследователям комбинировать данные с вращающихся лидаров, RGB-камер и проприоцептивных датчиков для создания высокоточных моделей для роботизированной навигации в естественных условиях.

Пробел в данных для обучения роботов

Текущие ограничения в исследованиях шагающей робототехники обусловлены нехваткой разнообразных наборов данных из реального мира, которые фиксируют непредсказуемость природной среды. Хотя обучение на основе симуляции закладывает фундамент, оно часто не учитывает физические нюансы различных типов поверхности, таких как смещающийся грунт или меняющееся освещение. Этот разрыв между симуляцией и реальностью («sim-to-real») мешает автономным системам полностью раскрыть свой потенциал в критически важных полевых условиях.

Робототехники долгое время сталкивались с дефицитом данных, особенно для четвероногих платформ, которые должны балансировать движение и восприятие окружающей среды. Предыдущие наборы данных часто ограничивались конкретными помещениями или контролируемыми условиями на открытом воздухе. Без широкого спектра операционных сценариев сравнительный анализ оценки состояния и алгоритмов SLAM (Simultaneous Localization and Mapping) остается фрагментарным процессом, в котором отсутствует «золотой стандарт» для мирового исследовательского сообщества.

Какие среды представлены в наборе данных GrandTour?

Набор данных GrandTour включает более 49 разнообразных сред, в том числе закрытые и открытые пространства, городские районы, промышленные объекты, леса и Альпы. Эта обширная коллекция также включает железнодорожные станции и университетские кампусы, фиксируя такие сложные условия, как смена дня и ночи, переменчивая погода, дым, вода и песок, чтобы протестировать пределы роботизированного восприятия и оценки состояния.

Исследования под руководством Jonas Frey, Marco Hutter и Cesar Cadena подчеркивают необходимость масштабности этой коллекции. Развернув ANYmal-D на этих объектах, команда зафиксировала сценарии, представляющие абсолютную сложность реального мира. Ключевые среды, включенные в исследование:

• Альпийские пейзажи: крутые склоны и скалистые обнажения в горных регионах.
• Промышленные руины: разрушенные здания и заваленные мусором строительные площадки.
• Природные ландшафты: густые леса и открытые луга с различной устойчивостью грунта.
• Городская инфраструктура: узлы общественного транспорта и дорожки кампусов с динамическими препятствиями.

Эти локации были выбраны не только из-за их эстетического разнообразия, но и из-за специфических геометрических и радиометрических сложностей, которые они представляют. Изменения в освещенности — от яркого полуденного солнца до работы в кромешной тьме — гарантируют, что мультимодальные датчики будут протестированы при всех возможных визуальных ограничениях. Включение атмосферных помех, таких как дым и брызги воды, еще больше приближает набор данных к требованиям поисково-спасательных операций.

Представляем фреймворк GrandTour

Фреймворк GrandTour использует четвероногого робота ANYbotics ANYmal-D в качестве мобильной сенсорной платформы для сбора синхронизированных по времени потоков данных. В основе этой системы лежит мультимодальный сенсорный модуль Boxi, который объединяет несколько высокочастотных устройств для обеспечения 360-градусного обзора окружения робота. Такая установка гарантирует, что каждое движение и изменение окружающей среды фиксируется с микросекундной точностью.

Технические характеристики модуля включают вращающиеся лидары для измерения расстояния и несколько RGB-камер с дополняющими друг друга фокусными расстояниями. Чтобы гарантировать надежность данных, система опирается на проприоцептивные датчики — включая высококлассные инерциальные измерительные модули (IMU) стоимостью 12 000 долларов США — для отслеживания внутреннего состояния робота. Синхронизация времени в 1 мс для всех датчиков жизненно важна для любых исследований, сфокусированных на слиянии визуальных и инерциальных данных, так как даже незначительные смещения могут привести к катастрофическим сбоям в автономной навигации.

Как GrandTour поддерживает слияние данных сенсоров и оценку состояния?

GrandTour поддерживает оценку состояния, предоставляя эталонные данные «ground truth» с помощью тахеометра Leica Geosystems MS60 и постобработанного двухчастотного RTK-GPS. Эти инструменты обеспечивают миллиметровую точность при сравнительном тестировании алгоритмов. Предлагая высокоточную калибровку, набор данных позволяет разрабатывать методы с учетом контактов с поверхностью и продвинутые техники слияния данных сенсоров в сложных крупномасштабных сценариях реального мира.

Оценка состояния — это процесс, с помощью которого робот определяет свое положение и ориентацию в пространстве. Без точных эталонных данных исследователи не могут знать, являются ли их алгоритмы действительно точными или просто приближенно описывают движение. Набор данных GrandTour решает эту проблему, предоставляя «заякоренные» точки данных. Независимо от того, перемещается ли робот в темном туннеле или в светлом лесу, RTK-GNSS (спутниковая система навигации реального времени) гарантирует, что его глобальные координаты известны с невероятной точностью.

Для исследований в области SLAM этот набор данных предоставляет строгую тестовую среду для мультимодального обучения. Комбинируя облака точек лидара с данными стереокамер глубины, набор данных позволяет создавать надежные карты окружающей среды. Этот мультисенсорный подход необходим для предотвращения «дрейфа» — распространенной ошибки, при которой внутренняя карта робота медленно отклоняется от реальности на больших расстояниях или при длительном времени работы.

Будущее автономности шагающих роботов

Выпуск набора данных GrandTour представляет собой смену парадигмы для автономных систем, используемых в поисково-спасательных операциях, промышленном инспекционном контроле и мониторинге окружающей среды. Предоставляя крупнейший на сегодняшний день набор данных по шагающей робототехнике в открытом доступе, авторы из ETH Zurich и ассоциированных институтов демократизируют доступ к высококачественным данным, необходимым для обучения моделей ИИ следующего поколения. Эта доступность является ключом к ускорению глобальной разработки надежных мобильных роботов.

Будущие применения этого исследования выходят далеко за пределы лаборатории. При промышленном инспекционном контроле роботы должны ориентироваться в «цифровых двойниках» сложных заводов; в поисково-спасательных операциях они должны преодолевать нестабильные завалы после природных катастроф. Данные, предоставленные GrandTour, помогают сократить разрыв между теоретическим потенциалом и практической полезностью. Поскольку набор данных доступен на таких платформах, как HuggingFace, и в форматах ROS (Robot Operating System), он готов к интеграции в существующие исследовательские процессы по всему миру.

Набор данных GrandTour является знаковым вкладом в область робототехники. Сосредоточив внимание на слиянии различных сенсорных входных данных в почти пятидесяти различных средах, он закладывает необходимый фундамент для перехода роботов от контролируемых испытательных площадок к непредсказуемой реальности дикой природы. Исследователи теперь могут получить доступ к этому ресурсу для совершенствования алгоритмов, которые в конечном итоге будут управлять автономными исследователями будущего.