Routes volgen zonder GPS: microdrones van TU Delft navigeren als mieren

In de wereld van autonome robots is navigatie een essentiële vaardigheid. Voor kleine, lichtgewicht drones vormt dit echter een uitdaging door de beperkte rekenkracht en het geheugen dat beschikbaar is op deze platforms. Onderzoekers van de TU Delft hebben een baanbrekende aanpak ontwikkeld die inspiratie haalt uit de natuur om microdrones in staat te stellen lange afstanden te navigeren met minimale geheugenvereisten.

Navigatieproblemen bij kleine drones

Navigatie met visuele systemen is een veelbesproken onderwerp in de robotica, aangezien camera’s lichte en energiezuinige sensoren zijn die rijke informatie over de omgeving bieden. Echter, visuele navigatie vereist meestal aanzienlijke rekenkracht en geheugen voor visuele verwerking en opslag van resultaten. Dit heeft het gebruik ervan op kleine, zeer beperkte robots zoals lichtgewicht drones tot nu toe beperkt.

De onderzoekers van de TU Delft hebben een insect-geïnspireerde benadering ontwikkeld voor visuele navigatie, gericht op extreem beperkte robots. Hun methode maakt gebruik van zowel visuele thuiskomst als odometrie (het meten van afgelegde afstand en richting) om lange routes te volgen met minimale geheugeneisen.

Hoe werken insecten?

Insecten zoals mieren en bijen navigeren over opmerkelijke afstanden ondanks hun kleine hersenen. Bijvoorbeeld, de woestijnmier Cataglyphis kan lange afstanden foerageren en vervolgens recht terug naar zijn nest lopen, met reisafstanden tot wel 1 km. Om een vergelijkbaar algoritme op onze robots toe te passen, moesten de onderzoekers eerst begrijpen hoe insecten navigeren.

Biologen hebben de navigatie van insecten meer dan een eeuw bestudeerd en twee kernprincipes onthuld: padintegratie en gezichtsgeheugen. Padintegratie, of odometrie in de robotica, is het integreren van afgelegde afstand en richting om iemands positie te schatten. Mieren bepalen bijvoorbeeld de afstand die ze hebben afgelegd door het aantal stappen dat ze hebben genomen te tellen. Deze metingen worden vervolgens geïntegreerd om een schatting van hun positie ten opzichte van hun nest te behouden.

Hoewel padintegratie een schatting van de positie kan geven, heeft het één groot nadeel: het is gevoelig voor drift omdat het zijn meetfouten integreert. Om dit op te lossen, gebruiken insecten een tweede mechanisme: gezichtsgeheugen. Hier vormt de omgeving zelf een extra aanwijzing voor lokalisatie of navigatie. Het meest relevante model voor dit werk is het snapshot-model, dat het thuiskomstgedrag van bijen beschrijft. In dit model onthouden bijen de aanwezigheid en locatie van herkenningspunten in hun gezichtsveld, zoals gezien op hun doelplaats. Om terug te keren, proberen ze te manoeuvreren zodat de herkenningspunten in hun gezichtsveld terugkeren naar hun onthouden posities.

De aanpak van TU Delft

De onderzoekers van TU Delft hebben deze insect-geïnspireerde aanpak geïmplementeerd op een kleine drone van slechts 56 gram. Hun methode is een routevolgende aanpak waarbij het uitgaande traject van de robot wordt opgeslagen als een verzameling sterk gecomprimeerde panoramische beelden samen met hun ruimtelijke relaties zoals gemeten met odometrie. Tijdens de terugreis gebruikt de robot een combinatie van odometrie en visuele thuiskomst om terug te keren naar de opgeslagen locaties, waarbij visuele thuiskomst de opbouw van odometrische drift voorkomt.

De belangrijkste vooruitgang van de voorgestelde strategie is dat het aantal opgeslagen gecomprimeerde beelden wordt geminimaliseerd door ze zo ver mogelijk van elkaar te plaatsen, zolang de nauwkeurigheid van de odometrie dit toelaat. Dit maakt het mogelijk om lange afstanden te navigeren met slechts een minimale hoeveelheid geheugen. De drone kon met succes routes tot 100 meter volgen met een trajectrepresentatie die minder dan 20 bytes per meter in beslag nam.

Experimenten en resultaten

De onderzoekers vergeleken verschillende thuiskomstalgoritmen op basis van hun geheugenefficiëntie. Hierbij maakten ze onderscheid tussen stuurmethoden en vectorgebaseerde methoden. Stuurmethoden berekenen een stuurhoek of snelheid voor positiebesturing en zijn vaak afhankelijk van kenmerken in het voorwaartse gezichtsveld van de robot. Vectorgebaseerde methoden daarentegen produceren een vector naar de snapshot en zijn meestal afhankelijk van een panoramisch gezichtsveld.

Na evaluatie van de verschillende methoden, kozen de onderzoekers voor een vectorgebaseerde benadering met holistische representaties van snapshots. Deze benadering was het meest efficiënt in termen van geheugengebruik: per snapshots waren slechts 10 bytes nodig.

Tijdens de terugreis navigeerde de drone het grootste deel van de afstand op basis van odometrie. Om de drift te corrigeren, gebruikte de drone periodiek visuele aanwijzingen om terug te keren naar bekende locaties in de omgeving (de snapshotlocaties). Bij elke bekende positie werd de opgelopen odometrische drift geëlimineerd. Deze stappen werden herhaald totdat de drone terug was op zijn oorspronkelijke locatie.

De voorgestelde strategie bleek extreem geheugenefficiënt, omdat de snapshots zo ver mogelijk uit elkaar geplaatst waren. Door deze strategie te implementeren op een kleine drone uitgerust met een microcontroller met slechts 192 kilobytes geheugen, toonden de onderzoekers aan dat het voorgestelde algoritme bijzonder geschikt is voor kleine robots.

Toepassingen

De insect-geïnspireerde benadering van de TU Delft voor visuele navigatie van kleine, lichtgewicht drones biedt een veelbelovende oplossing voor een groot probleem in de robotica. Door gebruik te maken van minimale geheugen- en rekenvereisten kunnen deze drones lange afstanden navigeren, vergelijkbaar met mieren, met behulp van visuele thuiskomst en odometrie.

Deze innovatie opent nieuwe mogelijkheden voor de toepassing van kleine, autonome robots in uiteenlopende omgevingen, van zoek- en reddingsoperaties tot inspecties in ontoegankelijke gebieden, zonder dat er GPS nodig is voor de navigatie. Praktische voorbeelden zijn de inzet van zwermen microdrones die goederen tellen in magazijnen, of drones die planten in kassen onderzoeken op de aanwezigheid van ziekten.

(bron: Science Robotics)