Risk-Aware Exploration of Walking Robots in Unknown and Unstructured Environments

Sich in unbekanntes Gebiet zu wagen, stellt ein großes Risiko für autonome Roboter dar. Bei planetaren Explorationen müssen Roboter eigenständig die ihnen unbekanntes und potentiell gefährliche Umgebung erkunden können. Daher wurde ein Framework entwickelt, welches den Robotern Strukturen zur autonomen Exploration und Gefahreneinschätzung bereitstellt. Die im Rahmen dieser Arbeit vorgeschlagenen Ansätze erhöhen die insgesamten Fähigkeiten der Roboter zur Umgebungseinschätzung und anschließenden Planung.
Für die Wahrnehmung wird eine multimodale Perzeption, mit Fokus auf Vision und Propriozeption, vorgeschlagen. ... mehrDamit sich die Roboter sofort zurecht finden, wird ein aktives Lernverfahren zur Bodenklassifikation entwickelt. Dies erlaubt eine parallele Zusammenarbeit des Roboters und des Operators während der Mission um die Bodenklassifikation kontinuierlich zu verbessern. Unbekannte Objekte und Gegenden können sowohl eine Gefahr darstellen, als auch einen hohen Informationsgewinn versprechen. Dazu wird eine kontextbewusste Anomalieerkennung auf Basis eines Ensembles entwickelt, in die Daten aus vorhergegangenen Missionen oder von Satelliten integriert werden können. Zusätzlich lernt der Roboter durch seine interne Sensorik die Umgebung zu klassifizieren. Hierzu werden zwei Verfahren vorgestellt: das Abtasten der unmittelbaren Umgebung und ein reaktives Klassifizieren während der Bewegung. Beide Verfahren bewerten zusätzlich die Untergrundeigenschaften, und weisen einen Vorteil gegenüber visuellen Verfahren im Hinblick auf ein besseres Verständnis der physikalischen Eigenschaften auf. Eine volumetrische Repräsentation wird auf Basis der gewonnenen Information erzeugt. Die Voxel-basierte Karte wird angereichert mit den physikalischen Eigenschaften sowie einer Risikoeinschätzung. Ein Explorationsplaner findet die informativsten Ziele mit Hilfe von strukturierten latenten Räumen und erhöht damit den Informationsgewinn während der Mission. Zusätzlich wird ein risikobewusster Pfadplaner eingeführt. Dieser erweitert einen A*-Planer mit einer multiobjektiven Kostenfunktion für die 3D-Karten, mit der der Planer sowohl Risiken aus der Bodenbeschaffenheit und dem Freiraum betrachten kann. Durch Änderungen der Risikoaffinität kann der Planer unterschiedliche Pfade erzeugen, mit denen der Roboter bewusst Risiken eingehen kann. Die verschiedenen Ansätze können zu einer isikobewussten Exploration von unbekannten und unstrukturierten Umgebungen führen.

Venturing into the unknown is a dangerous endeavor for autonomous robots, for instance, in planetary explorations, where they are challenged to roam independently. In space, they need to brave harsh and dangerous environmental conditions. Therefore, a framework for robots to autonomously explore an environment and assess risks is proposed. The developed framework spans different fields to achieve an overall improvement in robotic capabilities. Multimodal perception is established to assess the robot’s environment, focusing on vision and proprioceptive data, from which a risk-aware volumetric representation is generated. ... mehrUltimately, this is used in the exploration for an informed goal selection and risk-aware path planning. The proposed multimodal perception consists of semantic segmentation with active learning, anomaly detection, and proprioceptive analysis. For a better adaptation of the robot to missions from the beginning, a distributed active learning framework is established for the classification of the terrain. Through this, the operator and robot are able to work in parallel throughout the mission. Furthermore, the semantic segmentation is improved with the sampled data from the
mission. An anomaly detection approach is developed since unknown objects and areas might be hazardous but can contain potential information gain. The ensemble-based approach can be trained on data from different missions or even orbital data. A context-aware anomaly detection is proposed through the different inputs that can be reconfigured during runtime. Additionally, the robot learns to use its internal sensors to classify the terrain it’s encountering. This is done by probing the immediate environment and a reactive classification while walking.
Both approaches estimate terrain properties to gain a deeper knowledge about the terrain than only by visual assessments. Based on the assessment of the environment, a volumetric representation is generated. The voxel-based map can be enriched with physical properties and a robot-specific risk assessment. A framework to select exploration goals with high information gain through structured latent spaces can improve overall insights gathered throughout a mission. Additionally, to navigate to the selected exploration goals, a risk-aware global path planner is proposed. It extends an A* through a multi-objective cost function for the volumetric grids, allowing them to account for ground and free space risks. By varying the risk affinity, the planner can generate different paths that lead to risk-minimizing or more daring behaviors. Combining the different frameworks will lead to an overall risk-aware exploration strategy for unknown and unstructured environments.