Sensorische kartering: hoe machines hun omgeving in kaart brengen
Stel je voor dat je met je ogen dicht een onbekende kamer binnenloopt. Je steekt je handen uit, voelt de rand van een tafel, hoort een echo van je voetstappen tegen een muur, en langzaam bouw je in je hoofd een plattegrond op — terwijl je tegelijk bijhoudt waar jij zelf staat ten opzichte van die plattegrond. Dat is in essentie wat sensorische kartering is, alleen dan gedaan door een machine met sensoren in plaats van vingers en oren.
In de techniek heet dit proces SLAM: Simultaneous Localization and Mapping, oftewel gelijktijdige lokalisatie en kartering. Een zelfrijdende auto, een stofzuigrobot, een drone of een bril voor gemengde realiteit gebruikt sensoren om zowel een kaart van de omgeving te bouwen als de eigen positie in die kaart te bepalen — tegelijkertijd, zonder dat een van beide al bekend is. Dat klinkt als een kip-en-ei-probleem, en dat is het ook: je hebt een kaart nodig om te weten waar je bent, maar om de kaart te maken moet je weten waar je bent. Slimme wiskundige technieken lossen die schijnbare tegenstelling op.
Wat is het precies?
SLAM begint met sensoren die de omgeving aftasten. De bekendste is lidar (light detection and ranging): een sensor die laserpulsjes uitzendt en meet hoe lang het duurt voordat het licht terugkaatst van objecten. Zo ontstaat een "puntenwolk", een verzameling van duizenden afstandsmetingen die samen de vorm van een ruimte of straat schetsen. Andere systemen gebruiken camera's (dat heet visuele SLAM of vSLAM), radar, of een combinatie daarvan, aangevuld met een inertiemeetsysteem (IMU) dat versnelling en rotatie registreert, vergelijkbaar met het evenwichtsorgaan in ons binnenoor.
Het algoritme herkent in de sensordata vaste herkenningspunten, zogeheten "features" — een deurpost, een verkeersbord, een hoek van een muur. Door te zien hoe deze punten van meting tot meting verschuiven, kan het systeem berekenen hoe het zichzelf heeft bewogen. Dat proces heet odometrie. Tegelijkertijd worden de nieuwe metingen toegevoegd aan de groeiende kaart.
Een lastig probleem is drift: kleine meetfoutjes stapelen zich op, waardoor de kaart na verloop van tijd steeds verder gaat afwijken van de werkelijkheid. De oplossing heet loop closure (het sluiten van een lus): als het systeem herkent dat het terug is op een plek waar het al eerder is geweest, kan het de opgebouwde kaart met terugwerkende kracht corrigeren en de accumulatie van fouten wegwerken. Dit is vergelijkbaar met hoe jij, na een wandeling door een doolhof, opeens een herkenningspunt ziet en beseft dat je eerdere inschatting van de route iets moet worden bijgesteld.
Wat wil men ermee bereiken?
Het belangrijkste doel is autonome navigatie op plekken waar gps niet werkt of niet nauwkeurig genoeg is: binnenshuis, in tunnels, in parkeergarages, ondergronds in mijnen, of op andere planeten. Gps geeft doorgaans een nauwkeurigheid van enkele meters en valt binnenshuis vaak helemaal weg, terwijl een robot of auto vaak op centimeters nauwkeurig moet weten waar een muur, stoeprand of voetganger zich bevindt.
Daarnaast gaat het om veiligheid en efficiëntie. Een zelfrijdende auto die precies weet waar de weg, andere voertuigen en voetgangers zich bevinden, kan sneller en betrouwbaarder reageren dan een systeem dat alleen op een vooraf ingeladen kaart vertrouwt. Voor bedrijven ligt de belofte in kostenbesparing: magazijnrobots die zelfstandig door een distributiecentrum navigeren, of drones die autonoom een gewas- of bouwterrein inspecteren, hebben geen mens nodig die ze op afstand bestuurt.
Voorbeelden uit de praktijk
Het onderzoeksproject dat later Waymo werd, begon in 2009 bij Google en maakte gebruik van lidar-gebaseerde kartering om zelfrijdende auto's veilig door het verkeer te loodsen; sinds 2016 opereert het als zelfstandig bedrijf onder Alphabet.
Consumentenrobots namen de techniek mee naar binnenshuis: vanaf ongeveer 2015 introduceerde iRobot met de Roomba 980 camera-gebaseerde visuele SLAM (vSLAM), waardoor de stofzuigrobot voor het eerst systematisch een plattegrond van een huis kon opbouwen in plaats van willekeurig rond te rijden.
De vierpotige robot Spot van Boston Dynamics gebruikt stereocamera's rondom het lichaam om een driedimensionale kaart van zijn omgeving te maken en daarmee autonoom obstakels te ontwijken tijdens inspectietaken in fabrieken en op bouwplaatsen.
Ook buiten de aarde wordt de techniek toegepast: de Mars-rover Perseverance van NASA, die in 2021 landde, gebruikt visuele navigatiesystemen (waaronder AutoNav) om met camerabeelden zelfstandig een veilig pad over het Marsoppervlak te plannen, iets wat onmisbaar is met een communicatievertraging van meerdere minuten naar de aarde.
In een heel andere hoek van de technologie gebruikt Microsoft's HoloLens, geïntroduceerd in 2016, spatial mapping op basis van meerdere camera's en sensoren om een ruimte te scannen, zodat digitale objecten in mixed reality op de juiste plek lijken te "blijven staan" ten opzichte van echte muren en meubels.
Hoe ver is de techniek?
Voor relatief voorspelbare, afgesloten omgevingen is SLAM inmiddels volwassen technologie: stofzuigrobots, magazijnrobots en inspectiedrones gebruiken het dagelijks en betrouwbaar. In die context zijn de obstakels grotendeels bekend en verandert de omgeving niet razendsnel.
Voor complexere, open omgevingen ligt dat anders. Zelfrijdende auto's in drukke steden moeten omgaan met onvoorspelbaar gedrag van andere weggebruikers, wisselend weer (regen en sneeuw verstoren lidar- en camerabeelden), en scènes die voortdurend veranderen. Volledige autonomie zonder enige menselijke ingreep in alle omstandigheden is, eerlijk gezegd, nog niet opgelost — ondanks jarenlange testkilometers blijven bedrijven als Waymo en Cruise voorzichtig uitbreiden naar nieuwe steden in plaats van in één keer wereldwijd te lanceren.
Een actieve onderzoeksrichting is semantische SLAM: niet alleen de geometrische vorm van de omgeving vastleggen, maar ook begrijpen wát er staat — is dat een geparkeerde auto of een voetganger die kan bewegen? Dat vraagt om koppeling van kaarttechniek met beeldherkenning via machine learning.
Ook de sensorkeuze verschuift. Lidar is nauwkeurig maar was lange tijd duur; de prijzen dalen, maar goedkopere camera-only systemen (visuele SLAM, zoals Tesla die toepast in zijn advanced driver assistance-systemen) winnen terrein omdat camera's goedkoper en compacter zijn — al blijven ze gevoeliger voor slechte lichtomstandigheden. De benodigde rekenkracht daalt dankzij gespecialiseerde chips, waardoor kartering steeds meer direct op het apparaat zelf kan gebeuren in plaats van via een dataverbinding met een server.
Wie werken eraan?
Op het gebied van zelfrijdende voertuigen zijn Waymo, Tesla, Cruise en verscheidene Chinese partijen zoals Baidu actief. Boston Dynamics en iRobot ontwikkelen kartering voor respectievelijk industriële en huishoudelijke robots. Chipmaker NVIDIA levert de rekenkracht die veel van deze systemen gebruiken, en Microsoft blijft investeren in spatial mapping voor mixed reality.
Op universitair niveau lopen onderzoeksgroepen bij MIT, ETH Zürich en Oxford voorop in fundamenteel SLAM-onderzoek. In Nederland doet TU Delft onderzoek naar autonome navigatie voor robots en voertuigen, onder meer binnen onderzoeksgroepen gericht op cognitieve robotica. Veel van deze kennis wordt gedeeld via open source: het Robot Operating System (ROS) is een wereldwijd gebruikte softwareverzameling waarmee onderzoekers en bedrijven SLAM-algoritmes bouwen en uitwisselen zonder steeds het wiel opnieuw uit te vinden.
Ten slotte zet ruimtevaartorganisatie NASA, via het Jet Propulsion Laboratory (JPL), kartering en visuele navigatie in voor missies waar geen gps beschikbaar is — een omgeving die in zekere zin de meest extreme testcase vormt voor deze technologie.