Warum die Lokalisierung von Robotern in GNSS-freien Umgebungen scheitert
5. Juni 2026
Autonome Roboter verändern Branchen wie den Bergbau, das Bauwesen und die Infrastrukturinspektion rasant. Von autonomen Baggern, die tief unter der Erde arbeiten, bis hin zu mobilen Robotern, die sich in komplexen städtischen Umgebungen zurechtfinden – diese Systeme sind auf eine grundlegende Fähigkeit angewiesen: genau zu wissen, wo sie sich befinden 1. Diese als Lokalisierung bezeichnete Fähigkeit bildet die Grundlage der autonomen Navigation. Ohne genaue Lokalisierung können selbst die fortschrittlichsten Wahrnehmungs- und Planungssysteme einen Roboter nicht zuverlässig durch seine Umgebung führen.
Eine der größten Herausforderungen, vor denen die autonome Robotik heute steht, ist die Lokalisierung in Umgebungen ohne GNSS-Empfang oder mit beeinträchtigter GNSS-Signalqualität. Dabei handelt es sich um Umgebungen, in denen satellitengestützte Ortungssysteme wie GPS, Galileo, GLONASS oder BeiDou nicht verfügbar, unzuverlässig oder stark beeinträchtigt sind. Beispiele hierfür sind Untertagebergwerke, Tunnel, dicht bebaute Stadtgebiete, die von hohen Gebäuden umgeben sind, Industrieanlagen und große Baustellen. In diesen Umgebungen müssen sich Roboter auf ihre bordeigenen Sensoren verlassen, um ihre Position zu schätzen, und kleine Fehler können sich schnell zu erheblichen Navigationsfehlern summieren.
Die Bedeutung der Lokalisierung in der autonomen Robotik
Unter Lokalisierung versteht man den Prozess der Bestimmung der Position und Ausrichtung eines Roboters in seiner Umgebung. Jedes autonome System ist auf die Lokalisierung angewiesen, um wesentliche Funktionen wie Navigation, Wegplanung, Hindernisvermeidung, Kartierung und Aufgabenausführung ausführen zu können.
Satellitengestützte Ortungssysteme liefern Robotern eine absolute Referenz für ihren Standort. Solange ein Roboter zuverlässige Satellitensignale empfangen kann, ist er in der Lage, Fehler, die sich aus den Daten seiner bordeigenen Sensoren ergeben, kontinuierlich zu korrigieren 2. Dadurch kann der Roboter auch über große Entfernungen und lange Betriebszeiten hinweg eine genaue Schätzung seiner Position aufrechterhalten.
Wenn jedoch keine GNSS-Signale mehr verfügbar sind, verlieren Roboter diese externe Referenz und müssen sich vollständig auf lokale Sensortechnologien wie LiDAR, Kameras, Drehratensensoren und Radarsensoren verlassen. Bei schlechten Sichtverhältnissen verschlechtert sich die LiDAR-Leistung erheblich, wodurch Sensorfusion und robuste simulatane Lokalisierungs- und Mapping-Algorithmen noch wichtiger werden.
Was sind GNSS-blockierte und GNSS-beeinträchtigte Umgebungen?
GNSS-blockierte Umgebungen sind Orte, an denen Satellitensignale überhaupt nicht empfangen werden können, während GNSS-beeinträchtigte Umgebungen Bereiche sind, in denen zwar Signale verfügbar sind, diese jedoch erhebliche Ungenauigkeiten aufweisen.
Häufige Beispiele hierfür sind:
- Untertagebergwerke
- Tunnel
- Stadtkanäle zwischen hohen Gebäuden
- Industrieanlagen
- Lagerhallen
- Baustellen
- Dichte Wälder
- Häfen und Schifffahrtsterminals
In diesen Umgebungen ist die Sichtbarkeit der Satelliten gering 3, was besondere Herausforderungen mit sich bringt, die eine genaue Ortung deutlich schwieriger machen als im freien Gelände.
Positionsabweichungen im Untertagebau
Der Untertagebau stellt eine der größten Herausforderungen für die autonome Navigation dar. Da GNSS-Signale Gesteins- und Erdschichten nicht durchdringen können, arbeiten Bergbaumaschinen ohne Zugang zu satellitengestützter Positionsbestimmung.
Ein autonomer Bagger, der in einen Stollen einfährt, verfügt zu Beginn möglicherweise über eine genaue Positionsschätzung. Während er sich jedoch weiterbewegt, ist er vollständig auf seine bordeigenen Sensoren angewiesen. Drehratensensoren messen die Bewegung, IMUs schätzen Änderungen der Geschwindigkeit und Ausrichtung, und Wahrnehmungssysteme versuchen, Umgebungsmerkmale zu identifizieren.
Das Problem besteht darin, dass jeder Sensor mit einer gewissen Messunsicherheit behaftet ist. Radschlupf, Sensorrauschen, Vibrationen und Kalibrierungsfehler führen zu kleinen Ungenauigkeiten im Lokalisierungsprozess. Auch wenn diese Fehler zunächst unbedeutend erscheinen mögen, summieren sie sich im Laufe der Zeit kontinuierlich.
Dieses als Lokalisierungsdrift bezeichnete Phänomen führt dazu, dass die geschätzte Position des Roboters allmählich von seiner tatsächlichen Position abweicht. Nach längerem Betrieb kann der Roboter glauben, sich an einem Ort zu befinden, der mehrere Meter von der Realität entfernt ist. In einer Bergbauumgebung voller Maschinen, Objeckten und Personal können selbst relativ kleine Positionierungsfehler schwerwiegende Folgen haben. Daher ist es entscheidend, dass das bordeigene Lokalisierungssystem eine genaue Schätzung der Position und Ausrichtung des Fahrzeugs liefert.
GNSS-Mehrwegfehler in der Nähe von Gebäuden
Eine andere, aber ebenso bedeutende Herausforderung tritt in städtischen Umgebungen auf.
Zwar sind Satellitensignale in der Nähe von Gebäuden oft verfügbar, doch sind sie nicht immer zuverlässig. Große Bauwerke aus Beton, Stahl und Glas können GNSS-Signale blockieren oder reflektieren, bevor sie den Empfänger erreichen.
Anstatt ein direktes Signal von einem Satelliten zu empfangen, erhält der Roboter möglicherweise ein reflektiertes Signal, das einen längeren Weg zurückgelegt hat. Dieses Phänomen wird als Mehrwegausbreitung bezeichnet.
Da das reflektierte Signal später als erwartet eintrifft, berechnet das Ortungssystem einen falschen Standort. Die Folge können plötzliche Positionssprünge, anhaltende Abweichungen oder äußerst instabile Lokalisierungsschätzungen sein.
Bei autonomen Robotern, die in der Nähe von Gebäuden operieren, können diese Ungenauigkeiten dazu führen, dass Navigationssysteme Entscheidungen auf der Grundlage falscher Annahmen über ihre Position treffen. Selbst wenn GNSS scheinbar verfügbar ist, kann sich die Lokalisierungsqualität aufgrund von Signalreflexionen und -blockaden erheblich verschlechtern.
Warum die sensorbasierte Lokalisierung nicht perfekt ist
Moderne autonome Roboter nutzen eine Vielzahl von Sensoren, um das Fehlen von GNSS auszugleichen. Jede Sensortechnologie hat jedoch ihre Grenzen.
LiDAR-Systeme liefern hochpräzise geometrische Messungen, können jedoch in staubigen, verrauchten oder nebligen Umgebungen Schwierigkeiten haben. Kameras bieten umfangreiche visuelle Informationen, sind jedoch empfindlich gegenüber Lichtverhältnissen und Sichtbehinderungen. IMUs liefern kontinuierliche Bewegungsschätzungen, weisen jedoch im Laufe der Zeit eine zunehmende Abweichung auf. Radar funktioniert unter widrigen Bedingungen gut, bietet jedoch im Allgemeinen eine geringere räumliche Auflösung als LiDAR.
Da kein einzelner Sensor perfekt ist, müssen Lokalisierungssysteme die Stärken und Schwächen mehrerer Erfassungsmodalitäten kontinuierlich gegeneinander abwägen. Selbst ausgefeilte Algorithmen zur Sensorfusion können versagen, wenn die Umgebungsbedingungen besonders schwierig werden.
Die Auswirkungen von Lokalisierungsfehlern auf die autonome Navigation
Lokalisierungsfehler wirken sich auf jeden Aspekt des autonomen Betriebs aus. Je ungenauer die Positionsschätzungen werden, desto schlechter wird die Navigationsleistung und desto größer werden die Sicherheitsrisiken.
Eine der unmittelbarsten Folgen ist die Abweichung vom vorgesehenen Weg. Navigationssysteme generieren Routen auf der Grundlage der geschätzten Position des Roboters. Ist diese Schätzung falsch, kann der Roboter unwissentlich von seinem vorgesehenen Weg abweichen. In Anwendungsbereichen wie dem Bergbau, dem Bauwesen und der Materialhandhabung können bereits geringe Abweichungen die Effizienz mindern und die Genauigkeit der Aufgabenausführung beeinträchtigen.
Lokalisierungsfehler führen zudem zu einer Fehlausrichtung der Karte. Autonome Roboter stützen sich häufig auf detaillierte Karten, um ihre Umgebung zu erfassen und Navigationsentscheidungen zu treffen. Wenn es zu Lokalisierungsabweichungen kommt 4, stimmen die Sensorbeobachtungen nicht mehr korrekt mit den kartierten Merkmalen überein. Hindernisse können an falschen Stellen erscheinen, Orientierungspunkte entsprechen möglicherweise nicht den Erwartungen, und die Darstellung der Umgebung durch den Roboter wird zunehmend inkonsistent.
Ein weiteres großes Problem ist das Kollisionsrisiko. Autonome Systeme treffen Entscheidungen auf der Grundlage ihrer angenommenen Position. Ist diese Annahme falsch, kann der Roboter die Position von Hindernissen, Maschinen, Infrastruktur oder Personal in seiner Nähe falsch interpretieren. Dies kann die Wahrscheinlichkeit unsicherer Manöver und Betriebsvorfälle erhöhen.
Die Folgen für autonome Bagger
Die Lokalisierungsgenauigkeit ist für autonome Bagger besonders entscheidend, da ihre Aufgaben eine direkte Interaktion mit der physischen Umgebung beinhalten.
Ein Bagger, bei dem Lokalisierungsfehler auftreten, kann an der falschen Stelle graben, Material aus dem falschen Bereich laden oder vorgesehene Ziele nicht erreichen. Bei groß angelegten Bergbau- und Bauprojekten können selbst kleine Positionsungenauigkeiten zu kostspieligen Nacharbeiten, verminderter Produktivität und Betriebsverzögerungen führen.
Da Bagger häufig in der Nähe von teuren Maschinen, Infrastruktur und Menschen im Einsatz sind, ist eine zuverlässige Lokalisierung zudem eine zentrale Sicherheitsanforderung. Eine unzureichende Lokalisierung kann die Wirksamkeit von Kollisionsvermeidungssystemen beeinträchtigen und das Vertrauen in den autonomen Betrieb mindern.
Da die Bergbau- und Bauindustrie den Einsatz von Schwermaschinen zunehmend automatisiert, wird die Lokalisierungsleistung zu einem der wichtigsten Faktoren für den Erfolg des autonomen Einsatzes.
Neue Lösungen für die Positionsbestimmung ohne GNSS
Um die Einschränkungen von GNSS zu überwinden, haben wir robuste und präzise Technologien zur Positionsbestimmung entwickelt.
Unsere Sensorfusion kann Informationen aus LiDAR, Radar, IMUs 5 und Radometrie 6 kombinieren und so zuverlässigere Positionsschätzungen liefern, als es jeder einzelne Sensor für sich allein könnte.
SLAM-Verfahren (Simultaneous Localization and Mapping) 7 ermöglichen es Robotern, Karten zu erstellen und gleichzeitig ihre Position innerhalb dieser Karten zu schätzen. Fortschrittliche radarbasierte Lokalisierungsmethoden verbessern die Leistung in wiedrigen Umgebungen und bei schlechter Sicht, während Techniken des maschinellen Lernens Robotern helfen, komplexe Umgebungsmerkmale zu erkennen und sich daran zu orientieren.
Unsere Pipeline für Lokalisierung und Kartierung nutzt eine Kombination dieser Technologien, um selbst unter den anspruchsvollsten Betriebsbedingungen eine robuste Lokalisierung zu erreichen.
Fazit
Die Lokalisierung ist der Grundpfeiler der autonomen Navigation. Ohne eine genaue Positionsbestimmung können Roboter keine Wege zuverlässig planen, Hindernissen ausweichen, Aufgaben ausführen und sicher arbeiten. Umgebungen ohne GNSS-Empfang oder mit beeinträchtigtem GNSS-Empfang stellen erhebliche Herausforderungen dar, da sie die absoluten Positionsdaten, auf die autonome Systeme traditionell angewiesen sind, entfernen oder verfälschen.
In unterirdischen Bergwerken summieren sich Lokalisierungsfehler durch Sensordrift. In der Nähe von Gebäuden können GNSS-Signale blockiert oder reflektiert werden, was zu erheblichen Positionsungenauigkeiten führt. Diese Störungen können zu Abweichungen vom Weg, Fehlausrichtungen der Karte, Kollisionen, fehlerhafter Aufgabenausführung und zum Scheitern des Einsatzes führen.
Da autonome Roboter im Bergbau, im Bauwesen, in der Logistik und in der Industrie immer häufiger zum Einsatz kommen, wird die Lösung des Lokalisierungsproblems eine der wichtigsten Herausforderungen in der Robotik bleiben. Zuverlässige Lokalisierung ist nicht nur eine Anforderung an die Navigation – sie ist die Grundlage, auf der sichere, effiziente und skalierbare Autonomie aufbaut.