Ein autonomer Reinigungsroboter (AV) kollidierte während eines Routineeinsatzes mit einem Zug. Der Vorfall, weit entfernt von einem mechanischen Versagen, offenbarte eine kritische Schwachstelle in den Wahrnehmungssystemen. Die anschließende Analyse mittels 3D-Simulation mit RoboGuide, CloudCompare und Blender zeigte, dass die Geometrie des Zugglases Okklusionen in den LiDAR-Sensoren verursachte und so tote Winkel schuf, die die Navigationssoftware nicht vorhersehen konnte.
Analyse der LiDAR-Okklusion durch Glasgeometrie 🚆
Das Ingenieurteam rekonstruierte das Szenario in RoboGuide, indem es ein 3D-Modell des Zuges und des Roboters importierte. Mittels CloudCompare für die Punktwolkenanalyse wurde festgestellt, dass der Einfallswinkel der LiDAR-Strahlen auf die gekrümmten Glasflächen des Zuges spiegelnde Reflexionen verursachte. Dies führte zu Schattenzonen oder Datenlücken in kritischen Bereichen, wie den Seitenkanten und den Verbindungen der Paneele. In Blender wurde die Flugbahn des Roboters visualisiert und die Okklusionskarte überlagert, was bestätigte, dass der Sensor die Anwesenheit des Hindernisses zum Zeitpunkt des Aufpralls nicht erfasste. Der Fehler lag nicht in der Hardware, sondern in der geometrischen Interpretation der Umgebung.
Lehren für die Kalibrierung und Routenplanung 🤖
Die Lösung besteht nicht nur darin, mehr Sensoren hinzuzufügen, sondern die Kalibrierung und Routenplanung zu überdenken. Die 3D-Simulation ermöglicht es, diese Okklusionsbedingungen zu reproduzieren und die Sichtfelder anzupassen oder redundante Kontrollpunkte einzufügen. In diesem Fall wurde vorgeschlagen, die Reinigungsbahn neu zu gestalten, um eine vorherige seitliche Abtastung einzubeziehen, und das LiDAR neu zu kalibrieren, um Fehlalarme durch Reflexionen zu filtern. Die Lehre ist klar: In Umgebungen mit stark reflektierenden Oberflächen muss die Simulation der Implementierung vorausgehen, um vermeidbare Kollisionen zu verhindern.
Da die 3D-Simulation es ermöglichte, tote Winkel im Reinigungsroboter zu identifizieren, die der LiDAR-Sensor nicht erkannte, welche Lehren bietet dieser Fall für die Verbesserung der sensorischen Redundanz in autonomen Navigationssystemen im Schienenverkehr?
(PS: Roboter zu simulieren macht Spaß, bis sie sich entscheiden, deinen Befehlen nicht zu folgen.)