Terreinschatting: hoe machines leren zien wat ze onder de wielen krijgen
Stel je voor dat je met een quad door een onbekend bos rijdt, in het donker, zonder koplampen. Je zou voortdurend moeten raden: is dat een vaste bodem of drijfzand, een steen of een kuil, mos dat glad is of gras dat grip geeft? Precies dat probleem heeft een robot, een zelfrijdende auto of een ruimtevoertuig voortdurend op te lossen. Terreinschatting is de verzamelnaam voor de technieken waarmee een machine zelfstandig inschat hoe de ondergrond eruitziet en hoe goed die begaanbaar is, nog vóórdat de wielen of poten er daadwerkelijk overheen gaan.
Het klinkt eenvoudig, maar voor een machine is dit verrassend lastig. Mensen herkennen in een oogopslag dat modder glibberig is en asfalt niet, omdat we jarenlange ervaring hebben met lopen en vallen. Een robot heeft die ervaring niet vanzelf; hij moet leren uit camerabeelden, laserscans en trillingen in zijn eigen wielen af te leiden of de grond hem gaat dragen of juist laten wegglijden. Terreinschatting zit daarmee op het snijvlak van sensortechniek, kunstmatige intelligentie en klassieke werktuigbouwkunde, en is een cruciale schakel in vrijwel elk voertuig dat zelfstandig buiten de gebaande, goed gemarkeerde paden moet bewegen.
Wat is het precies?
Terreinschatting draait om twee vragen die een systeem steeds opnieuw beantwoordt: hoe ziet het terrein eruit (de geometrie) en wat voor materiaal is het (de samenstelling)? Voor de geometrie gebruiken voertuigen meestal lidar (een laserscanner die met lichtpulsen een 3D-puntenwolk van de omgeving maakt) of stereocamera's (twee camera's die, net als onze ogen, dieptezicht opleveren door verschillen tussen de beelden te vergelijken). Uit die data bouwt het systeem een zogeheten elevation map: een soort digitaal reliëfkaartje van het gebied vlak voor het voertuig, met hoogteverschillen, hellingen, gaten en obstakels.
De samenstelling van de ondergrond is lastiger te meten, want een camera ziet wel kleur en textuur, maar niet hoe hard of zacht iets is. Hiervoor gebruiken onderzoekers semantische segmentatie: een neuraal netwerk dat elke pixel in een camerabeeld een label geeft, zoals 'gras', 'zand', 'rots' of 'asfalt'. Dat netwerk is getraind op duizenden gelabelde voorbeelden. Steeds vaker wordt dit gecombineerd met zelf-superviserend leren: het voertuig rijdt over een stuk terrein, meet met zijn proprioceptieve sensoren (sensoren die de eigen beweging registreren, zoals een traagheidsmeter of wielslipsensor) hoe glad of hobbelig dat aanvoelde, en koppelt die ervaring vervolgens terug aan hoe dat stuk terrein er visueel uitzag. Zo bouwt het systeem, zonder dat een mens elk stukje terrein handmatig hoeft te labelen, geleidelijk een eigen 'gevoel' op voor welk uiterlijk bij welke ondergrond hoort.
De uitkomst van dit alles is een begaanbaarheidskaart (traversability map): een overlay op de omgeving die per stukje grond aangeeft hoe riskant of eenvoudig het is om daar overheen te gaan. Die kaart voedt vervolgens het padplanningsalgoritme, dat een route kiest die veilig en energiezuinig is, in plaats van simpelweg de kortste.
Wat wil men ermee bereiken?
Het uiteindelijke doel is dat voertuigen en robots zich zelfstandig kunnen verplaatsen in omgevingen die niet vooraf in kaart zijn gebracht en niet zijn ingericht voor machines, zoals wegen dat wel zijn met belijning en verkeersborden. Denk aan een planetaire rover op Mars, een reddingsrobot in een ingestort gebouw, of een landbouwmachine op een oneffen akker. In al die gevallen is er geen mens die vooraf precies kan zeggen welke route veilig is.
Een tweede, minstens zo belangrijke drijfveer is veiligheid en efficiëntie. Een voertuig dat vastloopt in slappe grond, omslaat op een te steile helling, of onnodig energie verspilt door over ruw terrein te ploegen in plaats van eromheen te rijden, kost tijd, geld en soms de hele missie. Bij een Mars-rover is er geen monteur die even komt duwen; bij een reddingsrobot kan een fout letterlijk het verschil maken tussen op tijd een slachtoffer bereiken of niet. Terreinschatting is dus geen luxe-functie, maar de basis waarop autonome mobiliteit in de praktijk staat of valt.
Voorbeelden uit de praktijk
Het meest tot de verbeelding sprekende voorbeeld is NASA's Marsrover Curiosity, die sinds 2012 over het Marsoppervlak rijdt, en zijn opvolger Perseverance, die in 2021 landde. Beide gebruiken een systeem genaamd AutoNav: met stereocamera's bouwt de rover terwijl hij rijdt een lokale hoogtekaart op, herkent gevaarlijke stenen en hellingen, en plant zelfstandig een veilige route, zonder dat ieder stuurcommando eerst via een radiosignaal van acht tot twintig minuten vanaf de aarde hoeft te komen. Perseverance kreeg een verbeterde versie die sneller rekent, waardoor de rover tijdens het rijden kan blijven 'denken' in plaats van steeds stil te staan om de omgeving te analyseren.
In de robotica op aarde is het viervoetige robotplatform ANYmal, ontwikkeld aan het Robotic Systems Lab van de ETH Zürich onder leiding van hoogleraar Marco Hutter, een veelgebruikt onderzoeksplatform voor terreinschatting bij lopende robots. Onderzoekers combineren daar camerabeelden met de kracht die elke poot voelt bij het neerzetten, om te leren welke ondergrond stevig genoeg is om op te steunen, iets waar wielvoertuigen geen ervaring mee hebben omdat zij nooit één punt tegelijk belasten.
Het Amerikaanse defensie-onderzoeksbureau DARPA financierde tussen 2004 en 2008 het programma LAGR (Learning Applied to Ground Robots), waarbij meerdere Amerikaanse universiteiten kleine buitenrobots bouwden die via zelflerende algoritmes moesten leren welk begroeid terrein wel en niet doorwaadbaar was, zoals hoog gras versus een verborgen sloot. Dit programma wordt vaak genoemd als een van de vroege aanjagers van zelf-superviserende terreinclassificatie.
Ook Carnegie Mellon University heeft met zijn Robotics Institute een lange geschiedenis op dit terrein: het NavLab-project, dat al in de jaren tachtig en negentig begon, was een van de eerste voertuigen die (deels) zelfstandig over onverharde wegen kon navigeren, en legde daarmee een basis voor veel latere technieken.
Ten slotte is terreinschatting inmiddels ook praktijk in de landbouw: fabrikanten van autonome tractoren en oogstmachines gebruiken vergelijkbare camera- en sensortechniek om slappe of natte stukken akker te herkennen, zodat machines niet vastlopen en de bodem niet onnodig wordt verdicht.
Hoe ver is de techniek?
Terreinschatting werkt inmiddels goed in relatief voorspelbare, herhaalde omgevingen: Mars-rovers rijden er al meer dan tien jaar succesvol mee, en industriële voertuigen op vaste terreinen zoals mijnbouwlocaties gebruiken vergelijkbare systemen operationeel. Het grote obstakel is generalisatie: een systeem dat getraind is op droog zand herkent een met sneeuw bedekt gat niet automatisch, en omgekeerd. Elke nieuwe omgeving, elk nieuw seizoen en elk nieuw weertype introduceert weer nieuwe, onbekende visuele patronen.
Een tweede obstakel is dat de gevaarlijkste situaties vaak juist de zeldzaamste zijn: verborgen holtes, drijfzand, ijs onder een laagje sneeuw. Omdat zelflerende systemen leren van ervaring, hebben ze relatief weinig voorbeelden van precies die zeldzame, riskante gevallen, wat ze kwetsbaar maakt voor verrassingen. Ook blijft real-time verwerking een uitdaging: hoe rijker en gedetailleerder de terreinkaart, hoe meer rekenkracht nodig is, en juist kleine, energiezuinige robots hebben daar weinig ruimte voor.
Onderzoekers zien de afgelopen jaren wel duidelijke vooruitgang door de combinatie van meerdere sensortypes (sensorfusie) en door grotere, diversere trainingsdatasets. Toch is een universeel systeem dat in élk denkbaar terrein, weer en licht betrouwbaar is, er nog niet; de techniek is sterk in specifieke, goed geteste toepassingen, maar minder robuust zodra de omstandigheden sterk afwijken van wat een systeem eerder heeft gezien.
Wie werken eraan?
NASA's Jet Propulsion Laboratory (JPL) in de Verenigde Staten is toonaangevend dankzij decennia ervaring met Mars- en Maanrovers. In Europa geldt het Robotic Systems Lab van de ETH Zürich (met spin-off ANYbotics) als een van de belangrijkste onderzoeksgroepen voor terreinschatting bij lopende robots. In de Verenigde Staten speelt ook Carnegie Mellon University met zijn Robotics Institute al decennialang een leidende rol in off-road autonome navigatie.
Op het gebied van industriële toepassingen investeren bedrijven als Boston Dynamics (bekend van de robots Spot en Atlas) in terreinschatting voor commerciële inspectierobots, terwijl landbouwfabrikanten zoals John Deere de techniek inzetten voor autonome machines op het land. Defensieonderzoek, met name via het Amerikaanse DARPA, heeft historisch veel fundamenteel onderzoek gefinancierd dat later ook in civiele toepassingen terechtkwam. Daarnaast dragen tal van universiteiten wereldwijd, van Zweden tot Japan, bij aan het vakgebied via publicaties in vaktijdschriften op het gebied van robotica en veldrobotica.