Erfolge und Erkenntnisse aus der 2. BARN Challenge

Die 2. BARN Challenge fand auf der 2023 International Conference on Robotics and Automation in London statt. Bei diesem Event wurde getestet, wie gut autonome Navigationssysteme auf dem Boden in extrem engen Räumen mit Hindernissen funktionieren können. Es war ein Follow-up zur ersten Challenge im Jahr 2022, und diesmal war der Wettbewerb grösser, mit mehr Teilnehmern und Teams am Start.

Insgesamt nahmen zehn Teams aus der ganzen Welt an der Qualifikationsphase mit Simulationen teil, und sechs dieser Teams schafften es ins physische Finale. Das Ziel war es, dass jeder Roboter eines Teams von einem Startpunkt zu einem Ziel navigiert, während er Hindernisse in der kürzesten Zeit umgeht.

#Die Herausforderung

Die Herausforderung forderte die Teams auf, ein vollständiges Navigationssystem für den Clearpath Jackal-Roboter zu entwickeln, der mit einem 2D LiDAR-Sensor zur Wahrnehmung seiner Umgebung ausgestattet war. Die Aufgabe bestand darin, den Roboter durch ein Hindernisfeld zu bewegen, ohne Zusammenstösse oder menschliche Hilfe zu benötigen.

Die Teams traten zuerst in einer Simulationsphase gegeneinander an, in der ihre Navigationssysteme gegen verschiedene Hindernisparcours getestet wurden, die in einer virtuellen Umgebung erstellt wurden. Die besten Teams dieser Phase wurden zur physischen Konkurrenz in London eingeladen, wo sie sich echten Hindernissen stellen mussten.

Die Leistung jedes Teams wurde darauf basierend bewertet, wie schnell und sicher sie die Kurse abschliessen konnten. Der Wettbewerb umfasste zwei Hauptphasen: eine Simulationsphase und eine physische Testphase.

#Simulationsqualifikation

Die Simulationsphase begann Anfang Januar 2023 und dauerte bis Mitte Mai. Den Teams wurden 300 Hindernisparcours zum Üben gegeben, die unterschiedlich schwer gestaltet waren. Um sich vorzubereiten, erhielten die Teams auch zusätzliche Werkzeuge und Ressourcen, darunter grundlegende Navigationsmethoden als Referenz.

Jedes Team reichte seine Navigationssysteme ein, die danach bewertet wurden, wie gut sie ohne Zusammenstösse navigieren konnten. Bei der Bewertung wurden mehrere Faktoren berücksichtigt, wie z. B. die Erfolgsquote (ob der Roboter sein Ziel ohne Kollisionen erreichte), die benötigte Zeit für den Kurs und die Schwierigkeit der Umgebung.

Die Ergebnisse der Simulationsphase zeigten, dass viele Teams sich im Vergleich zum Vorjahr verbessert hatten, was sie ermutigte, im physischen Finale anzutreten.

#Physische Finals

Der physische Wettbewerb fand an zwei Tagen im Mai 2023 im ExCeL London Konferenzzentrum statt. Die Teams verwendeten die gleichen Roboter wie in der Simulation, aber sie mussten sich realen Hindernissen aus Pappkartons stellen.

Jedes Team hatte 20 Minuten Zeit, um seinen Roboter aufzubauen, bevor die Zeitmessungen starteten. Sie führten mehrere Versuche durch, und die besten drei Ergebnisse wurden für ihre Endwertung gezählt. Das Team mit der höchsten Erfolgsquote und den schnellsten Zeiten würde gewinnen.

Die besten drei Teams zeigten beeindruckende Leistungen, wobei ein Team, KUL+FM, alle Versuche ohne Kollisionen erfolgreich navigieren konnte. Andere Teams hatten Herausforderungen, besonders bei den komplexeren Hindernisparcours.

#Erfolgreiche Ansätze

Der Erfolg der Gewinnerteams lag an ihren einzigartigen Ansätzen zur Navigation.

#KUL+FM Team

Das KUL+FM-Team entwickelte ein System, das sich auf das konzentrierte, was sie einen „adaptiven Freiraum-Bewegungstunnel“ nannten. Diese Methode erlaubte es ihnen, den Raum zu bestimmen, den ein Roboter beim Bewegen einnimmt. Sie passten ihre Wahrnehmung der Hindernisse um den Roboter herum an, was ihnen half, Zusammenstösse zu vermeiden. Ihr System beinhaltete einen globalen Planer, der dem Roboter half, basierend auf Echtzeit-Updates aus seiner Umgebung Entscheidungen über den gewählten Weg zu treffen.

Sie fanden heraus, dass es hilfreich war, bestimmte Parameter während ihrer Versuche konstant zu halten, um ihr System zu optimieren, und sie konzentrierten sich darauf, die komplexeren Teile ihrer Navigation zu optimieren, um die Leistung zu verbessern.

#INVENTEC Team

Das INVENTEC-Team baute auf einem früheren System namens Learning from Learned Hallucination auf. Sie fügten intelligentere Funktionen hinzu, die es dem Roboter ermöglichten, bessere Entscheidungen zu treffen, wenn sich Hindernisse änderten. Ihr Ansatz beinhaltete eine intelligente Methode zur Gewährleistung der Sicherheit während der Bewegung des Roboters. Sie entwickelten einen Zustandsfluss für den Roboter, der ihn basierend auf seiner Umgebung leitete.

So konnte der Roboter bei Erkennung einer potenziellen Kollision automatisch zu einem sichereren Manöver wechseln. Ihre Kombination aus lerngestützter Navigation und Wiederherstellungsstrategien erwies sich in der realen Umgebung als effektiv.

#Universität Almeria Team

Das Team der Universität Almeria verwendete ein bekanntes Robotik-Toolkit, das für die Navigation in Umgebungen entwickelt wurde. Ihr Ansatz umfasste mehrere unabhängige Komponenten, die zusammenarbeiteten. Sie nutzten eine Methode, um die Position des Roboters zu bestimmen, und eine Möglichkeit, Hindernisse zu kartografieren.

Wichtig war, dass ihr System sich während des physischen Wettbewerbs in Echtzeit anpassen musste, da sie keine genauen Informationen über die Ziele hatten. Sie entwickelten ihr Navigationssystem, um sicher zu erkunden und Wege durch enge Räume zu finden.

#Wichtige Erkenntnisse aus der Herausforderung

Die 2. BARN Challenge lieferte mehrere wichtige Erkenntnisse für zukünftige Forschung und Entwicklung in der Roboternavigation.

#Erhöhte Beteiligung der Industrie

Eine bedeutende Veränderung in diesem Jahr war die erhöhte Beteiligung aus der Robotikindustrie. Mit mehr Unternehmen, die neben Forschungsteams am Wettbewerb teilnahmen, wurde deutlich, dass der Fokus der Herausforderung auf praktischen Navigationslösungen relevant für reale Anwendungen war. Diese Beteiligung hob das fortdauernde Interesse an der Lösung autonomer Navigationsprobleme sowohl aus akademischer als auch aus industrieller Perspektive hervor.

#Annäherung an Leistungsgrenzen

Die Leistungen in der Simulationsphase näherten sich den bestehenden Bewertungslimits, was darauf hindeutet, dass viele Teams effektiv navigieren konnten. Dies veranlasste die Organisatoren dazu, die Bewertungskriterien für die nächste Challenge zu überdenken, um noch bessere Leistungen zu fördern.

#Das erste Team, das alle Tests absolvierte

KUL+FM schrieb Geschichte als das erste Team, das alle physischen Kurse ohne Kollisionen navigierte. Ihre Leistung zeigte, dass seit dem Vorjahr erhebliche Fortschritte in den Navigationstechniken erzielt wurden. Auch andere Teams zeigten bessere Leistungen bei einfacheren Kursen und verlagerten ihren Fokus auf mehr Geschwindigkeit.

#Betonung der Erfolgsquote

Auch wenn Geschwindigkeit ein Ziel war, wurden die Endergebnisse stark davon beeinflusst, wie erfolgreich die Teams die Aufgaben ohne Zusammenstösse bewältigten. Dieser Trend zeigt, dass Geschwindigkeit zwar wichtig ist, aber die zuverlässige Navigation entscheidend für die Bestimmung der Gewinner ist.

#Verringerung der Diskrepanz zwischen Simulation und Realität

Im Vergleich zu früheren Herausforderungen wurde eine deutliche Verringerung der Diskrepanz zwischen den Leistungen in der Simulation und der realen Anwendung beobachtet. Die meisten Teams mussten ihre Systeme weniger anpassen als in den vorangegangenen Herausforderungen, was auf Fortschritte in der Technologie und Methoden hindeutet, die helfen, diese Lücke zu schliessen.

#Bedeutung von Wiederherstellungsverhalten

Die Bedeutung von soliden Wiederherstellungspraktiken in Verbindung mit fortschrittlichen Navigationssystemen wurde hervorgehoben. Teams, die lernbasierte Ansätze mit effektiven Rückfallstrategien kombinierten, erzielten bessere Ergebnisse, was Erkenntnisse darüber lieferte, wie zukünftige Systeme verbessert werden können.

#Ständige Notwendigkeit zur Feinabstimmung

Trotz der Fortschritte mussten alle Teams ihre Systeme vor dem Wettbewerb in realen Umgebungen feinjustieren. Die Herausforderungen, die durch unterschiedliche Hindernisse entstanden, deuteten darauf hin, dass zukünftige Arbeiten darauf abzielen sollten, Navigationssysteme zu entwickeln, die weniger Anpassungen erfordern, wenn sie mit neuen Umgebungen konfrontiert werden.

#Ausblick

Die Erfahrungen und Erkenntnisse aus der 2. BARN Challenge bieten eine Roadmap für zukünftige Verbesserungen in der Roboternavigation. Der stetige Fortschritt der Gemeinschaft zeigt vielversprechende Ansätze, aber es gibt noch viel zu tun.

#Forschungsrichtungen

In Zukunft werden sich Forscher wahrscheinlich darauf konzentrieren, Systeme zu schaffen, die in verschiedenen Umgebungen sofort einsatzbereit sind. Wege zu entwickeln, damit Roboter aus ihrer Umgebung lernen und sich in Echtzeit anpassen können, wird entscheidend sein.

Die Zusammenarbeit zwischen akademischen Einrichtungen und der Industrie wird voraussichtlich weiter wachsen und Innovationen fördern, die in Herausforderungen wie der BARN getestet werden können.

Mit dem Fortschritt der Roboternavigationstechnologie werden die Erkenntnisse aus Wettbewerben wie der BARN Challenge eine entscheidende Rolle bei der Gestaltung zukünftiger Entwicklungen und Anwendungen spielen, was letztendlich zu sichereren und effizienteren autonomen Systemen beiträgt.