Mobile Service Robotik

Industrie-Roboter (Autofabrik) sind stationär. Sie sind am Boden festgeschraubt und machen immer das Gleiche. Der Mobile Service Roboter ist mobil (Räder, Beine, Drohne). Er muss sich in einer unbekannten, dynamischen Welt bewegen (Wohnzimmer, Krankenhaus, Mars). Er muss drei Fragen beantworten:

Wo bin ich? (Lokalisierung).
Wie sieht die Welt aus? (Kartierung).
Wie komme ich zum Ziel? (Pfadplanung). Staubsaug-Roboter (Roomba) sind die bekanntesten.

Merksatz: Ein Teilgebiet der Robotik, das sich mit autonomen mobilen Systemen beschäftigt, die Dienstleistungen für Menschen oder Einrichtungen in unstrukturierten Umgebungen erbringen.

Das wichtigste Tool: SLAM (Simultaneous Localization and Mapping). Der Roboter kommt in einen neuen Raum. Er hat keine Karte. Er baut die Karte und bestimmt seine Position gleichzeitig. (Henne-Ei-Problem: Ohne Karte keine Position. Ohne Position keine Karte). Gelöst durch Wahrscheinlichkeitsrechnung (Kalman Filter, Partikel Filter).

1. Kinematik & Dynamik

Kinematik: Geometrie der Bewegung. "Wenn sich das Rad 2x dreht, fahre ich 1m vorwärts." (Odometrie).
Dynamik: Kräfte. "Wenn der Boden rutschig ist, dreht das Rad durch." Mobile Roboter müssen "Non-Holonomic Constraints" beachten (ein Auto kann nicht seitwärts fahren, es muss einparken).

2. ROS (Robot Operating System)

Der Standard-Middleware für Robotik. Kein echtes OS, sondern ein Nachrichtensystem ('Nodes' schicken 'Topics'). "Kamera Node" schickt Bild -> "Vision Node" schickt Hindernis -> "Navigation Node" schickt Motor-Befehl.

1. SLAM Backend: Pose Graphs & Bundle Adjustment

Moderne SLAM-Systeme (wie ORB-SLAM oder Google Cartographer) trennen das "Frontend" (Sensordaten verarbeiten) vom "Backend" (Fehler optimieren). Das Backend nutzt einen Pose Graph: Jeder Knoten ist eine Position des Roboters, jede Kante eine Messung. Wenn der Roboter an einen bekannten Ort zurückkehrt (Loop Closure), stellt er fest, dass sich ein Fehler aufsummiert hat (Drift). Ein Optimierungs-Algorithmus (z.B. Levenberg-Marquardt) "biegt" den ganzen Graphen in Echtzeit so zurecht, dass alle Messungen wieder logisch zusammenpassen. In der Produktion ist dies der rechenintensivste Teil, der oft auf GPUs ausgelagert wird.

2. Probabilistik: EKF vs. Particle Filter

Wie geht man mit Rauschen um?

Extended Kalman Filter (EKF): Geht davon aus, dass alle Fehler eine Glockenkurve (Gauß-Verteilung) haben. Es ist extrem schnell, scheitert aber, wenn die Welt "mehrdeutig" ist (z.B. zwei identische Flure).
Particle Filter (MCL): Der Roboter verteilt tausende "Hypothesen" (Partikel) im Raum. Jedes Partikel sagt: "Ich glaube, wir sind hier". Je mehr die Messung zur Karte passt, desto stärker überlebt das Partikel. Das ist robuster gegen das "Kidnapped Robot Problem", braucht aber massiv mehr CPU.

3. Navigation Stack: Costmap Layers

In ROS navigiert ein Roboter nicht auf einer flachen Karte, sondern auf einer Costmap mit mehreren Layern:

Static Layer: Die feste Wand.
Obstacle Layer: Laser-Messungen von Hindernissen in Echtzeit.
Inflation Layer: Pufferzonen um Wände (damit der Roboter nicht mit der Kante hängen bleibt).
Social Layer: (Forschung) Erhöht die Kosten in der Nähe von Menschen, damit der Roboter höflichen Abstand hält. Die Verschmelzung dieser Layer zu einer globalen "Heatmap" erlaubt es dem Roboter, Pfade zu finden, die nicht nur kurz, sondern auch sicher und sozial akzeptiert sind.