SLAM: Simultaneous Localization and Mapping
Autonom navigierende Systeme wie Fahrzeuge, Satelliten oder unterschiedlichste Roboter müssen ihre Position und Lage im Raum selbstständig erkennen und darauf reagieren können. Mit SLAM – Simultaneous Localization and Mapping – werden Verfahren bezeichnet, mit denen ein solcher mobiler Roboter gleichzeitig seine Position bestimmt und eine Karte der Umgebung erstellt.
Ein einfaches Beispiel: Wer sich einen Saugroboter für die Wohnung anschafft, erwartet, zumindest bei leistungsfähigeren Modellen, dass dieser sich selbstständig in der Wohnung zurechtfindet und sich bereits gereinigte Bereiche merkt, ohne speziell angelernt zu werden. Günstige Modelle fahren hingegen zum Teil zufällig oder nach bestimmten Mustern in der Gegend umher, was dazu führen kann, dass manche Bereiche der Wohnung ohne manuellen Eingriff gar nicht gesaugt werden.
Dass sich der Saugroboter auf unbekanntem Terrain zurechtfinden kann, verdankt er der SLAM-Technologie: Zunächst kennt weder den Zuschnitt der Wohnung noch seine Position und Orientierung in dieser, aber er sammelt während seiner ersten Fahrten Informationen über die zurückgelegte Strecke, Hindernisse, Kollisionen und so weiter und baut so allmählich eine interne Umgebungskarte auf, die den Standort der Ladestation, Wände und Hindernisse, aber auch Durchgänge verzeichnet. So findet der Roboter künftig nicht nur immer wieder zur Ladestation zurück, sondern kann sich auch merken, welche Bereiche wann zuletzt gereinigt wurden. Dabei kommen die meisten Saugroboter mit relativ wenigen Sensoren für Mapping und Positionsbestimmung aus.
Beim Saugroboter gibt es allerdings geringe Anforderungen an die Positionierung und die Sicherheit der Navigation: Im Zweifel fährt sich der Roboter fest, kollidiert mit einem Hindernis oder saugt einen 20 Zentimeter breiten Streifen nicht. Anders bei autonomen Fahrzeugen auf der Straße, auf dem Feld oder im Lager: Hier geht Sicherheit vor. Ein autonomer Pkw, der 20 Zentimeter neben der vermuteten Position auf einer Straße fährt, gefährdet entweder den Gegenverkehr oder Fußgänger und Radfahrer. Auch ist die Masse dieser autonomen Systeme viel höher als beim Saugroboter, so das Kollisionen fatal sein können und unbedingt vermieden werden müssen. Zudem ändert sich die Umgebung ständig, weil Personen, andere Fahrzeuge und sonstige Hindernisse nicht nur im Weg stehen, sondern sich selbst in diesem System bewegen. Hier kommt der Zuverlässigkeit der eingesetzten SLAM-Verfahren eine wesentlich größere Bedeutung zu.
Zwar können sich diese autonomen Fahrzeuge in der Regel auf vorhandenes Kartenmaterial oder auch GPS-Daten oder andere Positionshilfen stützen, trotzdem muss die interne Karte ständig abgeglichen und an die aktuelle Situation angepasst werden, um z.B. Baustellen, stehende und sich bewegende Hindernisse und anderes mehr zu erkennen. Zudem muss die Erkennung und Lokalisierung hier zwingend im dreidimensionalen Raum erfolgen, will man nicht mit einer zu niedrigen Brücke oder einem querstehenden Lkw-Aufleger kollidieren. (Der Saugroboter vermisst seine Umgebung in der Regel nur in zwei Dimensionen, weshalb sich manche Modelle gerne unter niedrigen Sofas festfahren.)
Daher werden für die SLAM-Problematik bei komplexen autonomen Systemen eine Vielzahl von Sensoren (Kameras, Radar, Laser, Kompass, GPS etc.) zusätzlich zu den Bewegungsdaten der Räder und der Lenkung ausgewertet und miteinander abgeglichen. Eine besondere Herausforderung besteht dabei darin, ein Auseinanderdriften verschiedener Werte zu erkennen und die eigene Position im System immer wieder anzupassen, ohne dass es zu „Sprüngen“ kommt, die ein unvorhersehbares Navigationsverhalten nach sich ziehen würden.
Die Genauigkeit und Zuverlässigkeit der verschiedenen Sensordaten ist dabei auch temperatur- und wetterabhängig: So kann starker Regen oder Schneefall dazu führen, dass manche Sensoren ausfallen oder unzuverlässige Daten liefern – SLAM muss dann zusammen mit der Kollisionserkennung dazu in der Lage sein, eine potenzielle Kollision mit Schneeflocken von einem Zusammenstoß mit einem Vogel zu unterscheiden.
Die SLAM-Methodik wird weltweit von Forschungsteams bearbeitet und ist ein wichtiger Bestandteil des Wissenschaftsgebiets der Robotik.
