Robotmodellen ANYmal D samlar in datasetet GrandTour

Att utveckla autonoma benförsedda robotar som kan navigera i komplex och ostrukturerad terräng kräver enorma mängder högkvalitativa data från den verkliga världen. GrandTour-datasetet spelades in med en fyrbent ANYbotics ANYmal D-robot utrustad med den multimodala sensorlasten Boxi. Denna hårdvarukonfiguration möjliggör sofistikerad sensorfusion, vilket låter forskare kombinera data från roterande LiDAR-sensorer, RGB-kameror och proprioceptiva sensorer för att skapa ytterst exakta modeller för robotnavigering i det vilda.

Gapet i träningsdata för robotar

Nuvarande begränsningar inom forskning på benförsedda robotar beror på en brist på mångsidiga dataset från den verkliga världen som fångar oförutsägbarheten i naturliga miljöer. Även om simuleringsbaserad träning ger en grund, misslyckas den ofta med att ta hänsyn till de fysiska nyanserna i varierad terräng, såsom lös jord eller skiftande ljusförhållanden. Detta ”sim-to-real”-gap hindrar autonoma system från att nå sin fulla potential i kritiska fältapplikationer.

Robotforskare har länge kämpat med databrist, särskilt för fyrbenta plattformar som måste balansera rörelse med miljöuppfattning. Tidigare dataset var ofta begränsade till specifika inomhusmiljöer eller kontrollerade utomhusmiljöer. Utan ett brett spektrum av operativa scenarier förblir benchmarking av algoritmer för tillståndsskattning och SLAM (Simultaneous Localization and Mapping) en fragmenterad process som saknar en referenspunkt av guldstandard för det globala forskarsamhället.

Vilka miljöer ingår i GrandTour-datasetet?

GrandTour-datasetet innehåller över 49 olika miljöer, inklusive inomhus- och utomhusmiljöer, stadsområden, industriområden, skogar och Alperna. Denna omfattande samling inkluderar även tågstationer och universitetsområden, och fångar utmanande förhållanden som dag- och nattcykler, varierat väder, rök, vatten och sand för att testa gränserna för robotens perception och tillståndsskattning.

Forskning ledd av Jonas Frey, Marco Hutter och Cesar Cadena betonar nödvändigheten av omfattning i denna insamling. Genom att placera ut ANYmal D på dessa platser fångade teamet scenarier som representerar den verkliga världens absoluta komplexitet. Viktiga miljöer som ingår i studien är:

• Alpina miljöer: Branta sluttningar och klippavsatser i bergsregioner.
• Industriella ruiner: Rivna byggnader och bråtefyllda byggarbetsplatser.
• Naturlandskap: Täta skogar och öppna ängar med varierande markstabilitet.
• Urban infrastruktur: Kollektivtrafikknutpunkter och gångvägar på campus med dynamiska hinder.

Dessa platser valdes inte enbart för sin estetiska mångfald, utan för de specifika geometriska och radiometriska utmaningar de presenterar. Variationer i belysning – från starkt middagsljus till drift i totalt nattmörker – säkerställer att de multimodala sensorerna testas mot varje möjlig visuell begränsning. Inkluderandet av atmosfäriska störningar som rök och vattenstänk driver datasetet ytterligare mot kraven för sök- och räddningsinsatser.

Introduktion av ramverket GrandTour

GrandTour-ramverket använder den fyrbenta roboten ANYbotics ANYmal-D som en mobil sensorplattform för att samla in tidssynkroniserade dataströmmar. I hjärtat av detta system finns den multimodala sensorlasten Boxi, som integrerar flera högfrekventa enheter för att ge en 360-graders vy av robotens omgivning. Denna konfiguration säkerställer att varje rörelse och miljöförändring fångas med mikrosekundprecision.

De tekniska specifikationerna för sensorlasten inkluderar roterande LiDAR-sensorer för avståndsmätning och flera RGB-kameror med kompletterande bränvidd. För att säkerställa datans tillförlitlighet förlitar sig systemet på proprioceptiva sensorer – inklusive avancerade IMU:er värda 12 000 USD – för att spåra robotens interna tillstånd. Denna tidssynkronisering på 1 ms över alla sensorer är avgörande för all forskning som fokuserar på fusion av visuell och tröghetsdata, eftersom även små förskjutningar kan leda till katastrofala fel i autonom navigering.

Hur stödjer GrandTour sensorfusion och tillståndsskattning?

GrandTour stödjer tillståndsskattning genom att tillhandahålla referensdata (ground truth) av guldstandard från en Leica Geosystems MS60 Totalstation och efterbehandlad dubbel RTK-GPS. Dessa verktyg möjliggör precision på millimeternivå vid benchmarking av algoritmer. Genom att erbjuda högexakta kalibreringar möjliggör datasetet utveckling av kontaktmedvetna metoder och avancerade tekniker för sensorfusion i komplexa, storskaliga miljöer i den verkliga världen.

Tillståndsskattning är den process genom vilken en robot bestämmer sin position och orientering i rymden. Utan exakt referensdata är det omöjligt för forskare att veta om deras algoritmer är verkligt exakta eller bara ger en uppskattning av rörelsen. GrandTour-datasetet löser detta genom att tillhandahålla "förankrade" datapunkter. Oavsett om roboten navigerar i en mörk tunnel eller en ljus skog, säkerställer RTK-GNSS (Real-Time Kinematic Global Navigation Satellite System) att dess globala koordinater är kända med otrolig precision.

För forskning inom SLAM utgör detta dataset en rigorös testbädd för multimodal inlärning. Genom att kombinera LiDAR-punktmoln med flöden från stereodjupkameror tillåter datasetet skapandet av robusta miljökarator. Detta multisensor-tillvägagångssätt är nödvändigt för att förhindra "drift", ett vanligt fel där robotens interna karta långsamt avviker från verkligheten över långa avstånd eller vid utökad driftstid.

Framtiden för autonomi med ben

Släppet av GrandTour-datasetet representerar ett paradigmskifte för autonoma system som används vid sök- och räddningsinsatser, industriell inspektion och miljöövervakning. Genom att tillhandahålla det hittills största open access-datasetet för benförsedda robotar, demokratiserar författarna från ETH Zurich och associerade institutioner tillgången till den högkvalitativa data som behövs för att träna nästa generations AI-modeller. Denna tillgänglighet är nyckeln till att påskynda den globala utvecklingen av tillförlitliga, mobila robotar.

Framtida tillämpningar av denna forskning sträcker sig långt utanför laboratoriet. Vid industriell inspektion måste robotar navigera i "digitala tvillingar" av komplexa fabriker; vid sök och räddning måste de korsa instabila rasmassor efter naturkatastrofer. Data från GrandTour hjälper till att överbrygga gapet mellan teoretisk potential och praktisk nytta. Eftersom datasetet finns tillgängligt på plattformar som HuggingFace och i ROS-format (Robot Operating System), är det färdigt för integrering i befintliga forskningspipeliner världen över.

GrandTour-datasetet utgör ett landmärke i bidraget till robotikområdet. Genom att fokusera på fusionen av olika sensorindata i nästan femtio distinkta miljöer, ger det den nödvändiga grunden för att robotar ska kunna gå från kontrollerade testplatser till den oförutsägbara verkligheten i det vilda. Forskare kan nu få tillgång till denna resurs för att förfina de algoritmer som så småningom kommer att driva morgondagens autonoma utforskare.