• Menu

Harsher

🇬🇧 EN | 🇩🇪 DE | 🇪🇸 ES
  • Home
  • Technology
  • Contact
  • Team
  • Blog

← Zurück zum Blog

Die Architektonische Drehbühne — Wie Lokalisierung und Kartierung mit allen Roboterkomponenten interagieren

8. Juni 2026

Um einen autonomen Roboter zu verstehen, reicht es nicht aus, einzelne Softwaremodule isoliert zu betrachten. Ein Roboter ist ein Ökosystem voneinander abhängiger Systeme. Während Lokalisierung und Kartierung (SLAM) für das räumliche Bewusstsein zuständig sind 1, liegt ihr wahrer Wert darin, wie sie mit dem Rest des Hardware- und Software-Stacks interagieren. SLAM fungiert als zentraler Knotenpunkt der gesamten Roboterarchitektur 2 und dient als Bindegewebe zwischen roher Eingabe, übergeordnetem Denken und physischer Bewegung.

Ohne eine enge Integration in die anderen Komponenten des Roboters wären Lokalisierung und Kartierung 3 nichts weiter als eine interne Rechenübung 4. So interagieren die von SLAM generierten räumlichen Daten im gesamten Robotersystem.

1. Upstream-Interaktion: Die Sensor-Eingabeschicht

Bevor sich ein Roboter selbst lokalisieren kann, muss er Daten aus der physischen Welt aufnehmen. Das Lokalisierungs- und Kartierungsmodul befindet sich direkt hinter der Sensor-Abstraktionsschicht.

  • Propriozeptive Sensoren (Interner Zustand): Rad-Encoder und Inertiale Messeinheiten (IMUs) speisen hochfrequente, inkrementelle Daten direkt in die Lokalisierungs-Engine ein. Dies wird als Odometrie bezeichnet. Da die Odometrie im Laufe der Zeit schnell driftet, verlässt sich das Lokalisierungsmodul nur für kurzfristige Positionsverfolgungen zwischen größeren Kartenaktualisierungen auf diese Daten.
  • Exterozeptive Sensoren (Externer Zustand): LiDARs und Kameras scannen die Umgebung. Das Kartierungsmodul nimmt diese rohen Entfernungen und Pixelfelder, gleicht sie mit der aktuellen Lokalisierungsschätzung ab und verwendet sie, um Barrieren im Umgebungsmodell zu löschen oder einzutragen.

2. Downstream-Interaktion: Der Navigations-Stack (Planung)

Sobald Lokalisierung und Kartierung den räumlichen Zustand des Roboters zusammengestellt haben, werden diese Informationen sofort an den Navigations-Stack übergeben, der in globale und lokale Planer unterteilt ist.

  • Der globale Planer (Global Planner): Diese Komponente ist dafür verantwortlich, die effizienteste Route von Punkt A nach Punkt B zu finden. Sie interagiert direkt mit der vom Kartierungssystem erstellten statischen Karte. Durch die Analyse der in der Karte gespeicherten strukturellen Wände und dauerhaften Einrichtungen berechnet der globale Planer einen Makro-Pfad mithilfe von Algorithmen wie A* 5 oder Dijkstra 6.
  • Der lokale Planer (Local Planner): Während sich der Roboter entlang des globalen Pfads bewegt, übernimmt der lokale Planer die Echtzeit-Abweichungen. Er stützt sich stark auf dynamische Kartenaktualisierungen und die exakte Echtzeit-Pose des Lokalisierungssystems. Wenn beispielsweise unerwartet ein Gabelstapler den Weg kreuzt, markiert das Kartierungssystem das dynamische Hindernis, und der lokale Planer berechnet blitzschnell einen Mikro-Umweg, um sicherzustellen, dass der Roboter nicht zu weit von seinen globalen Koordinaten abweicht 7.

3. Die Ausführungsschleife: Motorsteuerungen und Aktuierung

Der Interaktionskreis schließt sich auf der Ebene der Aktuierung. Der Pfadplaner nimmt die lokalisierten räumlichen Daten und wandelt sie in Fahrbefehle (Linear- und Winkelgeschwindigkeiten) um 7.

Diese Befehle werden an die Motorsteuerungen gesendet, um die Räder oder Ketten anzutreiben. Während die Motoren diese Bewegungen ausführen, drehen sich die Räder, was wiederum neue Encoderdaten erzeugt. Diese neuen Encoderdaten werden als nächster Schritt der Radodometrie direkt an das Lokalisierungsmodul zurückgegeben. Jene kontinuierliche Rückkopplungsschleife stellt sicher, dass das, was der Roboter zu tun geplant hat, mit dem übereinstimmt, was er in der physischen Realität tatsächlich getan hat.

4. Die kritische Leitplanke: Sicherheits-Subsysteme

Industrie- und kommerzielle Roboter verfügen über hardware- und softwarebasierte Sicherheitssysteme, die Kollisionen um jeden Preis verhindern sollen. Diese Sicherheits-Subsysteme überwachen die Ausgaben der Lokalisierungs- und Kartierungs-Pipelines.

Wenn das Lokalisierungssystem einen plötzlichen Anstieg der Unsicherheit meldet (z. B. wenn der Roboter angehoben wird oder seine Räder auf Eis durchdrehen), kann das Sicherheits-Subsystem einen kontrollierten Stopp auslösen. Darüber hinaus erstellt die Echtzeit-Karte virtuelle „Sicherheitszonen“ (Costmaps) um den Roboter herum. Wenn das Kartierungsmodul ein Hindernis erkennt, das in die innere Sicherheitszone eindringt, umgeht es die Standard-Planungs-Pipeline vollständig und sendet einen Not-Aus-Befehl direkt an die Motoraktoren.

Fazit

Lokalisierung und Kartierung existieren nicht auf einer isolierten Insel. Sie sind der Kernmotor des Betriebszyklus eines Roboters. Sie nehmen rohe Hardware-Daten von Sensoren auf, übersetzen sie in räumliche Intelligenz für die Planungssoftware, validieren die physische Ausführung der Motorsteuerungen und liefern kritische Schwellenwerte für Sicherheitsabschaltungen. Echte Autonomie wird erst dann erreicht, wenn diese Interaktionen nahtlos in einer kontinuierlichen Schleife im Millisekundenbereich ablaufen.

Verwandte Artikel

  • Lokalisierung und Kartierung — Die Grundlage autonomer Roboter
  • Warum Roboterlokalisierung in GNSS-freien Umgebungen scheitert

Interessiert, wie das für Ihren Einsatz relevant ist? Wir freuen uns von Ihnen zu hören.

Kontakt aufnehmen

Quellen

  1. Thrun, Sebastian. "Probabilistic robotics." Communications of the ACM 45, no. 3 (2002): 52-57.
  2. Stachniss, Cyrill. "Simultaneous Localization and Mapping." In Photogrammetrie und Fernerkundung: Handbuch der Geodäsie, herausgegeben von Freeden, Willi und Rummel, Reiner, pp. 293-320. Berlin, Heidelberg: Springer Berlin Heidelberg, 2017.
  3. Wang, Dong, Haag, Hannes, Casado Herraez, Daniel, May, Stefan, Stachniss, Cyrill, and Nüchter, Andreas. "Doppler-SLAM: Doppler-aided radar-inertial and LiDAR-inertial simultaneous localization and mapping." IEEE Robotics and Automation Letters (2025).
  4. Zheng, Kaiyu. "Ros navigation tuning guide." In Robot Operating System (ROS) The Complete Reference (Volume 6), pp. 197-226. Cham: Springer International Publishing, 2021.
  5. Hart, Peter E., Nilsson, Nils J., and Raphael, Bertram. "A formal basis for the heuristic determination of minimum cost paths." IEEE transactions on Systems Science and Cybernetics 4, no. 2 (1968): 100-107.
  6. Wang, Huijuan, Yu, Yuan, and Yuan, Quanbo. "Application of Dijkstra algorithm in robot path-planning." In 2011 second international conference on mechanic automation and control engineering, pp. 1067-1069. IEEE, 2011.
  7. Ogren, Petter, and Leonard, Naomi Ehrich. "A convergent dynamic window approach to obstacle avoidance." IEEE Transactions on Robotics 21, no. 2 (2005): 188-195.