Comment fonctionnent les cartes de navigation des aspirateurs robots ?

04 Eki 21:35

Ich habe mir vor etwa einem Jahr einen Roborock S7 gekauft und das Mapping‑System fast von Anfang an analysiert, weil ich das Gerät gern in meinem kleinen Studio‑Apartment optimieren wollte. Der Roboter nutzt ein kombiniertes Sensor‑Setup: ein 2‑D‑Lidar‑Scanner an der Unterseite scannt die Raumgeometrie in Echtzeit, während ein RGB‑Kamera‑Modul (die sogenannte „Vision‑System‑Kamera“) oben im Gehäuse Farbinformationen für Möbel‑Erkennung liefert. Zusätzlich kommen Infrarot‑ und Ultraschall‑Messungen zum Einsatz, um niedrige Hindernisse wie Kabel oder Teppichkanten zu erfassen, die vom Lidar eventuell übersehen werden. Die eigentliche SLAM‑(Simultaneous Localization and Mapping‑)Pipeline läuft auf einem kleinen Edge‑CPU‑Kern, der die Lidar‑Distanzpunkte zu einer Punktwolke zusammenführt und mittels ICP‑Algorithmus (Iterative Closest Point) die aktuelle Position im bereits bekannten Kartenrahmen korrigiert. Die Kamera liefert semantische Labels (z. B. „Stuhl“, „Tisch“), die in das Occupancy‑Grid eingebettet werden, sodass das System nicht nur Wände, sondern auch „unpassierbare“ Zonen erkennt. Die Ultraschall‑Sensoren ergänzen das Bild, indem sie sehr nahe Objekte (unter 5 cm) erfassen – das verhindert, dass der Roboter an Kabeln hängen bleibt. Wenn das Gerät ein neues Zimmer betritt, startet es mit einer kurzen „Explorations‑Phase“, bei der es spiralförmig fährt und gleichzeitig das Lidar‑Signal und die Kameradaten auswertet. Sobald genug Overlap zu bereits bekannten Bereichen besteht, wird die Karte automatisch zusammengeführt und der Pfadoptimierer (basierend auf A*‑ oder Dijkstra‑Algorithmen) plant die effizienteste Reinigungsroute, wobei er bereits gescannte Zonen priorisiert. Ich habe dabei festgestellt, dass das manuelle Setzen von „No‑Go‑Zonen“ in der App das System weiter entlastet – es muss nicht ständig neu berechnen, wo es nicht fahren darf. Falls du tiefer in die Theorie einsteigen willst, empfehle ich das Paper „Real‑Time Lidar‑Camera SLAM for Consumer Robots“ von Xu et al. (2021) und den Open‑Source‑Projekt‑Fork „Hector SLAM“, der die Lidar‑basierte Pose‑Schätzung sehr anschaulich implementiert. Beide Quellen zeigen, wie die Sensorfusion in Echtzeit funktioniert und geben gute Ausgangspunkte für eigene Experimente.