Autonome Technologien verändern derzeit in rasantem Tempo eine Vielzahl von Offroad-Anwendungen, von der Land- und Forstwirtschaft bis hin zu Verteidigung, Bauwesen und Straßeninstandhaltung, und bieten neue Möglichkeiten zur Steigerung von Effizienz und Sicherheit in anspruchsvollen Umgebungen. Bei T&S hat das Englab-Team ein Forschungs- und Entwicklungsprojekt, dessen Schwerpunkt auf der Entwicklung eines modellprädiktiven Reglers (MPC) liegt, der autonomen Offroad-Fahrzeugen hilft, präzise Fahrwege einzuhalten und gleichzeitig sicher auf Hindernisse in komplexem, unstrukturiertem Gelände zu reagieren. 

Aufbauend auf früheren Arbeiten in den Bereichen Wahrnehmung und Fahrzeugmodellierung nutzt der Regler Echtzeit-LiDAR-und Kameradaten in Verbindung mit prädiktiver Optimierung, um sich an wechselndes Gelände und unterschiedliche Sensortypen anzupassen. Durch die Kombination von Wahrnehmung, Modellierung und Steuerung ermöglicht das System dem Fahrzeug, Hindernisse zu antizipieren und seine Bewegung proaktiv anzupassen. 

Dieses Projekt ist Teil unserer umfassenden Bemühungen, die autonome Offroad-Navigation voranzutreiben, und schafft die Grundlage für künftige Innovationen in den Bereichen Multisensor-Fusion, prädiktive Regelungsstrategien und intelligente Systeme in einer Vielzahl von Offroad-Anwendungsbereichen. 

Angewandte Forschung zur sicheren Navigation in unstrukturierten Umgebungen

In der Robotik wurden bereits zahlreiche Steuerungsansätze untersucht, die jeweils unterschiedliche Kompromisse hinsichtlich Leistung, Rechenaufwand und Interpretierbarkeit mit sich bringen. Unser Ansatz basiert auf einem modellprädiktiven Regler (MPC), der die Bewegung des Fahrzeugs und das Verhalten von Hindernissen in der Umgebung über einen kurzen Zeithorizont kontinuierlich vorhersagt. Durch die Optimierung von Lenkung und Geschwindigkeit bei jedem Schritt ermöglicht der Regler dem Fahrzeug, reibungslos und sicher auf seine sich verändernde Umgebung zu reagieren.

Dieses Projekt steht zudem vor mehreren zentralen Herausforderungen, die für autonome Offroad-Systeme typisch sind: die Gewährleistung einer sehr schnellen Ausführungszeit, die Suche nach dem richtigen Kompromiss zwischen Vorhersagehorizont und Steuerbefehlen sowie die Wahl geeigneter Abtastintervalle, um sowohl Genauigkeit als auch Leistung zu gewährleisten. Die Abwägung dieser Faktoren ist entscheidend für die Entwicklung eines zuverlässigen, reaktionsschnellen Reglers, der in komplexen, unstrukturierten Umgebungen eingesetzt werden kann. 

Der Controller wurde unter Verwendung der Optimierungsbibliothek „acados“ erstellt, wobei die Parameter in Python definiert und die Integration über C/C++ innerhalb der ROS Framework. Diese Kombination bietet Recheneffizienz in Echtzeit und gewährleistet gleichzeitig die Flexibilität des Systems für Tests und Feinabstimmungen. 

‍

Die Leistungsfähigkeit des Systems wurde in Simulationen evaluiert, die eine Reihe von Szenarien abdeckten, darunter breite Hindernisse, dynamische Kursabweichungen und wechselnde Geländebedingungen. Diese Simulationen ermöglichen eine systematische Überprüfung der Genauigkeit der Bahnverfolgung, der Hindernisumgehungsfähigkeiten und der Stabilität des Reglers unter realistischen Betriebsbedingungen. 

Modellprädiktive Regelung in der Praxis

Um zu sehen, wie sich unser Controller außerhalb der Simulation bewährt, haben wir ihn auf einen Parkplatz mitgenommen – ein einfaches, aber lebhaftes Testgelände mit geparkten Autos, fahrenden Fahrzeugen und einigen neugierigen Fußgängern. Diese Situation bot uns die perfekte Mischung aus Vorhersehbarkeit und Überraschungen, um zu testen, wie der MPC in Echtzeit reagiert und seine Fahrbahn sanft anpasst, während er einen sicheren Abstand zu Hindernissen einhält. 

‍

Demo 1: Ausweichen vor statischen Hindernissen 

Zunächst haben wir den Regler an unserem Roboter mit stationären Hindernissen getestet. Die grüne Linie stellt die Referenzbahn dar, während erkannte Hindernisse als rote Rechtecke angezeigt werden. Der MPC behandelt die Situation als Optimierungsproblem und prognostiziert die Bahn des Roboters (rot dargestellt) mehrere Sekunden in die Zukunft, um sicher um Hindernisse herum zu navigieren. 

Demo 2: Dynamische Hindernisvermeidung 

Als Nächstes haben wir das System mit beweglichen Hindernissen auf die Probe gestellt. Indem der Regler die Bewegungen der umgebenden Objekte vorhersagt, passt er seine Flugbahn proaktiv an und weicht so sanft Kollisionen aus, ohne dabei vom Kurs abzuweichen. 

Demo 3: Rückwärtsfahren auf einem Parkplatz 

Schließlich haben wir komplexere Manöver getestet, darunter das Rückwärtsfahren, um wieder auf die geplante Fahrbahn zurückzukommen. Selbst in diesen kniffligen Situationen steuert das MPC den Roboter sicher und effizient und beweist damit seine Fähigkeit, realistische Parksituationen zu meistern.

Schlussfolgerung und wichtigste Ergebnisse 

Sowohl in Simulationen als auch in Praxistests führte das MPC den Roboter zuverlässig um statische und dynamische Hindernisse herum, sorgte für eine präzise Bahnverfolgung und bewältigte komplexe Manöver wie das Rückwärtsfahren auf engstem Raum. 

Insgesamt ermöglicht die modellprädiktive Regelung Robotern, sich sicher und effizient in komplexen Umgebungen zu bewegen, indem sie vorausschauende Planung mit Echtzeit-Reaktionsfähigkeit auf sich ändernde Bedingungen verbindet. 

Das nächste Ziel besteht darin, das MPC mit 2D-Karten zu integrieren, die für jeden Bereich vor dem Fahrzeug einen Befahrbarkeitsindex liefern, um die Wegplanung und die Hindernisvermeidung in unstrukturiertem Gelände weiter zu verbessern. 

‍

Weitere Informationen finden Sie im Erklärvideo: