Autonome Roboter sollen sich möglichst selbstständig durch ihre Umgebung bewegen, Hindernisse erkennen, freie Wege finden und ihre Arbeit zuverlässig erledigen. Damit das funktioniert, reicht es nicht aus, einen Motor, einige Sensoren und eine Software miteinander zu verbinden. Ein Roboter muss zunächst verstehen, wo er sich befindet und wie seine Umgebung aufgebaut ist. Genau an dieser Stelle kommt SLAM ins Spiel. Die Abkürzung steht für „Simultaneous Localization and Mapping“, auf Deutsch also für die gleichzeitige Positionsbestimmung und Kartenerstellung.
Das Grundproblem klingt zunächst beinahe widersprüchlich: Um eine Karte der Umgebung anzulegen, müsste ein Roboter eigentlich wissen, wo er sich befindet. Um die eigene Position zuverlässig zu bestimmen, wäre wiederum eine bereits vorhandene Karte hilfreich. SLAM löst dieses sogenannte Henne-Ei-Problem, indem beide Aufgaben gleichzeitig bearbeitet werden. Während der Roboter fährt, sammelt er laufend Messdaten, erkennt markante Merkmale seiner Umgebung, schätzt seine Bewegung und ergänzt daraus allmählich ein immer genaueres Abbild des Raumes.
Diese Technik findet sich längst nicht mehr ausschließlich in Forschungslaboren oder besonders teuren Industrieanlagen. Sie begegnet im Alltag unter anderem bei Haushaltsrobotern, autonomen Transportfahrzeugen, Servicerobotern, fahrerlosen Transportsystemen und verschiedenen mobilen Maschinen. Selbst moderne Smartphones und Augmented-Reality-Anwendungen nutzen verwandte Verfahren, um Bewegungen und räumliche Strukturen zu erfassen.
Besonders anschaulich lässt sich SLAM anhand autonomer Reinigungsgeräte erklären. Egal ob Saug-, Wisch-, oder auch der Kehrroboter: Moderne Geräte müssen nicht nur wissen, wo Schmutz entfernt werden soll, sondern zugleich erkennen, welche Bereiche bereits bearbeitet wurden, wo Hindernisse liegen, welche Wege frei sind und wie sich der kürzeste oder sinnvollste Weg zum nächsten Ziel berechnen lässt. Eine zuverlässige räumliche Orientierung kann dabei darüber entscheiden, ob ein Roboter systematisch arbeitet oder scheinbar ziellos durch Räume fährt.
Hinter dieser Fähigkeit steckt allerdings nicht ein einzelner Sensor und auch kein einfacher Algorithmus. SLAM ist vielmehr ein Zusammenspiel aus Messtechnik, Positionsschätzung, Kartierung und mathematischen Verfahren, die permanent versuchen, aus teilweise ungenauen Daten ein möglichst stimmiges Gesamtbild zu erzeugen.
Was bedeutet SLAM genau?
SLAM beschreibt ein Verfahren, mit dem ein mobiles System während seiner Bewegung gleichzeitig eine Karte einer zunächst unbekannten Umgebung erstellt und die eigene Position innerhalb dieser Karte bestimmt. Dabei kann es sich um einen kleinen Haushaltsroboter oder einen Rasenmäherroboter ebenso handeln wie um ein autonomes Fahrzeug in einer Lagerhalle oder eine mobile Plattform in einer Produktionsanlage.
Ein Roboter beginnt beispielsweise an einer Ladestation. Dieser Startpunkt kann zunächst als Referenz dienen. Während der Fahrt erfassen Sensoren Wände, Möbel, Türen, Regale oder andere Strukturen. Gleichzeitig registriert das System, wie weit sich die Räder gedreht haben, in welche Richtung gefahren wurde und ob Drehungen stattgefunden haben. Aus diesen Informationen entsteht zunächst eine grobe Einschätzung der eigenen Bewegung.
Allein auf Radbewegungen kann sich ein autonomes System jedoch nicht verlassen. Räder können durchdrehen, auf Teppichen unterschiedlich stark einsinken oder beim Drehen leicht rutschen. Schon kleine Abweichungen summieren sich mit zunehmender Strecke. Deshalb werden die Bewegungsdaten mit weiteren Messungen verglichen. Erkennt der Roboter beispielsweise eine zuvor erfasste Wand oder einen markanten Gegenstand wieder, kann er überprüfen, ob die berechnete Position noch plausibel ist.
SLAM ist deshalb kein einmaliger Vorgang. Die Positionsbestimmung wird während der gesamten Fahrt fortlaufend überprüft und korrigiert. Gleichzeitig verändert sich auch die Karte, sobald neue Informationen hinzukommen.
Warum Navigation ohne zuverlässige Karte schwierig ist
Frühere Haushaltsroboter arbeiteten teilweise mit vergleichsweise einfachen Bewegungsmustern. Sie fuhren beispielsweise geradeaus, änderten nach einer Kollision ihre Richtung und setzten die Reinigung an anderer Stelle fort. Solche Geräte konnten einen Raum mit genügend Zeit weitgehend abdecken. Besonders systematisch war dieses Vorgehen jedoch nicht.
Mit einer Karte verändert sich die Arbeitsweise grundlegend. Der Roboter kann Räume erkennen, Flächen in Abschnitte unterteilen und bereits bearbeitete Bereiche speichern. Dadurch lassen sich unnötige Fahrwege reduzieren. Statt dieselbe Stelle mehrfach zu überqueren, kann die Software eine nachvollziehbare Route planen.
Eine Karte hilft außerdem beim Zurückfinden zu einem Ausgangspunkt. Muss etwa der Akku geladen werden, kann ein autonomer Roboter gezielt zur Ladestation fahren. Ohne eigene Positionsbestimmung müsste das Gerät die Station dagegen suchen oder sich an einem externen Signal orientieren.
In größeren Gebäuden wird dieser Unterschied noch deutlicher. Ein Transport- oder Kehrroboter, der mehrere Hallen, Gänge oder Bereiche autonom befährt, benötigt eine präzise Vorstellung davon, wo er sich befindet. Andernfalls wären geregelte Fahrwege, planbare Arbeitsabläufe und das zuverlässige Anfahren bestimmter Zonen kaum möglich.
Welche Sensoren SLAM ermöglichen
SLAM kann mit unterschiedlichen Sensortechniken umgesetzt werden. Welche Technik verwendet wird, hängt vom jeweiligen Gerät, seiner Umgebung und den gewünschten Fähigkeiten ab. Häufig werden mehrere Messverfahren miteinander kombiniert, damit Schwächen eines einzelnen Sensors durch andere Informationen ausgeglichen werden können.
LiDAR misst Entfernungen mit Laserlicht
LiDAR gehört zu den bekanntesten Techniken für die räumliche Orientierung autonomer Systeme. Der Name leitet sich von „Light Detection and Ranging“ ab. Ein LiDAR-Sensor sendet Laserimpulse aus und misst, wie lange das Licht benötigt, bis es von einem Objekt reflektiert wird und zum Sensor zurückkehrt.
Aus der Laufzeit lässt sich die Entfernung zu Wänden, Möbeln oder anderen Hindernissen bestimmen. Dreht sich der Sensor oder erfasst er mehrere Richtungen gleichzeitig, entsteht innerhalb kurzer Zeit ein umfangreiches Bild der Umgebung. Besonders bei mobilen Robotern können daraus sehr präzise zweidimensionale oder dreidimensionale Karten entstehen.
Ein Vorteil dieser Technik besteht darin, dass Entfernungsmessungen nicht allein von sichtbaren Strukturen oder Farben abhängig sind. Viele LiDAR-Systeme können deshalb auch bei schwachem Umgebungslicht arbeiten. Grenzen bestehen unter anderem bei bestimmten stark reflektierenden, transparenten oder ungewöhnlich beschaffenen Oberflächen.
Kameras erkennen sichtbare Merkmale
Eine andere Möglichkeit ist Visual SLAM, häufig als V-SLAM bezeichnet. Hier bilden eine oder mehrere Kameras die Grundlage der Navigation. Die Software untersucht die aufgenommenen Bilder und sucht nach markanten Punkten, Kanten oder Strukturen.
Bewegt sich die Kamera, verändert sich die Position dieser Merkmale innerhalb des Bildes. Aus diesen Veränderungen lässt sich auf die Bewegung des Roboters schließen. Werden dieselben Merkmale später erneut erkannt, kann die Software daraus ebenfalls Rückschlüsse auf die aktuelle Position ziehen.
Kameras liefern besonders viele Informationen über eine Umgebung. Neben geometrischen Strukturen können entsprechende Systeme prinzipiell auch Gegenstände erkennen und unterscheiden. Ihre Leistungsfähigkeit hängt jedoch stärker von den Lichtverhältnissen ab. Sehr dunkle Bereiche, starke Gegenlichtsituationen oder weitgehend strukturlose Flächen können die Auswertung erschweren.
Bewegungssensoren ergänzen die Umgebungserfassung
Viele mobile Roboter besitzen zusätzlich eine sogenannte Inertial Measurement Unit, kurz IMU. Darin befinden sich typischerweise Beschleunigungs- und Drehratensensoren. Sie erfassen Bewegungen und Drehungen des Geräts und liefern damit zusätzliche Informationen über Richtungsänderungen.
Hinzu kommen häufig Radsensoren, die aus den Umdrehungen der Antriebsräder eine zurückgelegte Strecke berechnen. Dieses Verfahren wird als Odometrie bezeichnet. Für kurze Strecken können daraus recht brauchbare Positionsschätzungen entstehen. Über längere Zeit nimmt die Abweichung jedoch zu, weshalb die Daten mit anderen Sensorinformationen abgeglichen werden.
Wie aus Messpunkten eine Karte entsteht
Die Rohdaten eines Sensors sind noch keine fertige Karte. Ein LiDAR-System liefert beispielsweise zunächst zahlreiche Entfernungswerte. Eine Kamera erzeugt Bilddaten. Radsensoren melden wiederum Bewegungsinformationen. Die Software muss diese unterschiedlichen Angaben zeitlich und räumlich zusammenführen.
Bei einer zweidimensionalen Karte kann eine Umgebung beispielsweise als Raster dargestellt werden. Jedes Feld dieses Rasters erhält Informationen darüber, ob es wahrscheinlich frei, belegt oder bislang unbekannt ist. Erkennt der Roboter an einer bestimmten Position immer wieder eine Wand, steigt die Wahrscheinlichkeit, dass die entsprechenden Rasterfelder tatsächlich blockiert sind.
Neue Messungen werden während der Fahrt ständig in dieses Kartenmodell eingefügt. Dadurch wächst die Karte mit jedem erkundeten Bereich. Gleichzeitig können bestehende Einträge korrigiert werden, wenn spätere Messungen zeigen, dass frühere Annahmen ungenau waren.
Bei dreidimensionalen Anwendungen ist der Vorgang aufwendiger. Hier können Punktwolken entstehen, die zahlreiche Messpunkte im Raum enthalten. Aus ihnen lassen sich Oberflächen und räumliche Strukturen rekonstruieren. Solche Verfahren werden unter anderem bei Robotik, autonomem Fahren, Vermessung und Augmented Reality eingesetzt.
Wie der Roboter seine eigene Position berechnet
Parallel zur Kartenerstellung muss das System jederzeit möglichst genau abschätzen, wo es sich befindet. Dafür werden Bewegungsdaten und Beobachtungen der Umgebung miteinander kombiniert. Das Ergebnis ist keine unumstößliche Positionsangabe, sondern eine mathematische Schätzung, die kontinuierlich angepasst wird.
Ein Beispiel verdeutlicht das Prinzip. Ein Roboter fährt laut Radsensoren zwei Meter geradeaus und dreht anschließend nach rechts. Die Software kann daraus zunächst eine neue Position berechnen. Gleichzeitig registriert der Entfernungssensor jedoch eine Wand in einer bestimmten Entfernung. Passt die gemessene Wand nicht zur vermuteten Position auf der bisherigen Karte, muss die Schätzung korrigiert werden.
Dieser ständige Vergleich macht moderne SLAM-Verfahren so leistungsfähig. Sensoren werden nicht einfach unabhängig voneinander ausgewertet. Ihre Informationen ergänzen und überprüfen sich gegenseitig.
Loop Closure: Wenn der Roboter einen bekannten Ort wiedererkennt
Eine besonders wichtige Funktion innerhalb vieler SLAM-Systeme wird als Loop Closure bezeichnet. Gemeint ist das Erkennen eines Ortes, an dem sich der Roboter bereits zuvor befunden hat.
Angenommen, ein Gerät fährt durch mehrere Räume und kehrt nach einigen Minuten in die Nähe seines Ausgangspunktes zurück. Während dieser Fahrt können sich kleine Messfehler angesammelt haben. Die intern berechnete Position stimmt deshalb möglicherweise nicht mehr vollständig mit der Realität überein.
Erkennt das System nun Strukturen wieder, die bereits zu Beginn erfasst wurden, entsteht ein wichtiger Bezugspunkt. Die Software stellt fest, dass zwei vermeintlich unterschiedliche Kartenausschnitte tatsächlich denselben Ort darstellen. Anschließend kann sie die zurückgelegte Route und Teile der Karte neu berechnen.
Dadurch werden aufaddierte Positionsfehler reduziert. Ohne eine solche Korrektur könnten Karten nach längeren Fahrten zunehmend verzerrt erscheinen. Wände würden beispielsweise leicht versetzt eingezeichnet oder Räume könnten falsche Abmessungen erhalten.
Von der Karte zur intelligenten Routenplanung
Eine erstellte Karte allein sorgt noch nicht dafür, dass ein Roboter sinnvoll arbeitet. Erst auf ihrer Grundlage kann eine weitere Softwareebene planen, wohin das Gerät fahren soll.
Bei einem Reinigungsroboter kann die Fläche beispielsweise in einzelne Bahnen aufgeteilt werden. Die Software berechnet anschließend eine Route, die möglichst große Bereiche abdeckt und unnötige Wiederholungen vermeidet. Hindernisse werden bei der Planung berücksichtigt.
Ändert sich die Umgebung während der Fahrt, muss auch die Route angepasst werden. Steht plötzlich ein Stuhl auf einer zuvor freien Fläche oder versperrt ein Gegenstand einen Gang, erkennt der Roboter das Hindernis und sucht nach einem anderen Weg. SLAM liefert dafür die räumliche Grundlage, während zusätzliche Navigationsalgorithmen die eigentliche Fahrentscheidung treffen.
Bei professionellen Robotern kann die Planung deutlich komplexer werden. Dort können bestimmte Arbeitsbereiche vorgegeben, Sperrzonen eingerichtet oder Prioritäten für einzelne Flächen definiert sein. Auch mehrere autonome Maschinen können in einem gemeinsamen System koordiniert werden.
SLAM ist nicht gleich künstliche Intelligenz
Im Zusammenhang mit autonomen Robotern wird häufig schnell von künstlicher Intelligenz gesprochen. SLAM selbst muss jedoch nicht zwangsläufig auf moderner KI basieren. Viele grundlegende Verfahren beruhen auf klassischer Mathematik, Wahrscheinlichkeitsrechnung, Geometrie und Optimierungsverfahren.
KI kann die Systeme dennoch erweitern. Kamerabasierte Roboter können beispielsweise mithilfe neuronaler Netze Gegenstände erkennen. Statt lediglich festzustellen, dass sich ein Hindernis im Weg befindet, könnte die Software unterscheiden, ob es sich um ein Möbelstück, ein Kabel, eine Person oder einen anderen Gegenstand handelt.
Diese semantische Interpretation der Umgebung geht über die reine geometrische Kartierung hinaus. Für eine grundlegende SLAM-Funktion ist eine solche Objekterkennung jedoch nicht zwingend erforderlich.
Warum SLAM trotz moderner Technik nicht fehlerfrei ist
Auch leistungsfähige Navigationssysteme können Schwierigkeiten bekommen. Besonders problematisch sind Umgebungen, in denen nur wenige eindeutige Merkmale vorhanden sind. Ein langer Gang mit nahezu identischen Wänden kann etwa schwerer zuzuordnen sein als ein Raum mit vielen charakteristischen Strukturen.
Auch spiegelnde Flächen, Glas, starke Sonneneinstrahlung oder wechselnde Lichtbedingungen können je nach Sensortechnik zu ungenauen Messungen führen. Bei Kameras können schlechte Lichtverhältnisse problematisch werden, während bestimmte LiDAR-Systeme Schwierigkeiten mit transparenten Flächen haben können.
Hinzu kommen Veränderungen in der Umgebung. Möbel werden verschoben, Türen geöffnet oder geschlossen und Gegenstände stehen zeitweise an anderen Orten. Ein gutes Navigationssystem muss deshalb unterscheiden können, welche Strukturen dauerhaft zur Karte gehören und welche lediglich temporäre Hindernisse darstellen.
Die Hardware selbst setzt ebenfalls Grenzen. Sensoren besitzen nur eine bestimmte Reichweite und Genauigkeit, während Prozessoren eine große Menge an Messwerten möglichst schnell auswerten müssen. Gerade bei kleinen mobilen Geräten müssen Leistung, Energieverbrauch, Platzbedarf und Wärmeentwicklung sinnvoll aufeinander abgestimmt werden.
2D-SLAM und 3D-SLAM verfolgen unterschiedliche Ziele
Nicht jeder Roboter benötigt ein vollständiges dreidimensionales Modell seiner Umgebung. Bei vielen Reinigungsrobotern reicht eine zweidimensionale Karte der befahrbaren Fläche aus. Wände und Hindernisse werden dabei vereinfacht auf einer Ebene dargestellt.
Für andere Anwendungen genügt das nicht. Ein Roboter, der sich durch komplexe industrielle Umgebungen bewegt, ein autonomes Fahrzeug oder eine Drohne benötigt unter Umständen deutlich umfangreichere räumliche Informationen. Dann kommt 3D-SLAM zum Einsatz.
Dreidimensionale Systeme erfassen neben Länge und Breite zusätzlich die Höhe. Dadurch können beispielsweise Rampen, Regale, Gebäudestrukturen oder andere räumliche Formen berücksichtigt werden. Die anfallende Datenmenge und der Rechenaufwand steigen entsprechend.
Welche Variante sinnvoll ist, richtet sich deshalb nach der konkreten Aufgabe. Eine umfangreichere Karte ist nicht automatisch besser, wenn zusätzliche Informationen für die Navigation überhaupt nicht benötigt werden.
Warum SLAM für autonome Roboter so wertvoll ist
SLAM ermöglicht Maschinen eine Form der räumlichen Selbstständigkeit. Statt ausschließlich festgelegten Linien, Magnetstreifen oder externen Orientierungshilfen zu folgen, kann ein Roboter seine Umgebung eigenständig erfassen und seine Position darin bestimmen.
Das eröffnet deutlich flexiblere Einsatzmöglichkeiten. Änderungen an einer Umgebung müssen nicht zwangsläufig dazu führen, dass sämtliche Fahrwege neu programmiert oder physische Leitsysteme angepasst werden. Ein autonomes System kann neue Bereiche erkunden, Veränderungen erkennen und seine Karte aktualisieren.
Bei Reinigungsrobotern führt das zu systematischeren Fahrwegen und einer besseren Flächenabdeckung. In Logistik und Industrie ermöglicht dieselbe technische Grundlage autonome Transportfahrten. Serviceroboter können sich durch Gebäude bewegen, während Forschungsroboter unbekannte Umgebungen erfassen.
Das Grundprinzip bleibt dabei immer ähnlich: Sensoren beobachten die Umgebung, die Software schätzt die eigene Bewegung, neue Informationen fließen in die Karte ein und bekannte Strukturen helfen dabei, Positionsfehler zu korrigieren.
Eine Technik, die aus Orientierung echte Autonomie macht
SLAM gehört zu den Schlüsseltechniken moderner mobiler Robotik, weil es zwei Probleme gleichzeitig löst, die unmittelbar miteinander verbunden sind. Ein Roboter muss wissen, wie seine Umgebung aussieht, um darin navigieren zu können. Gleichzeitig benötigt er seine eigene Position, um eine verlässliche Karte aufzubauen. Durch die fortlaufende Kombination beider Aufgaben entsteht während der Bewegung ein immer genaueres räumliches Modell.
Dabei ist SLAM kein einzelnes Bauteil, das einfach in einen Roboter eingebaut wird. Hinter dem Begriff verbirgt sich vielmehr ein Zusammenspiel aus Sensoren, Bewegungsmessung, Mathematik und Software. LiDAR, Kameras, Radsensoren und Inertialsensoren können unterschiedliche Informationen liefern, die anschließend miteinander abgeglichen werden. Je mehr verlässliche Messdaten verfügbar sind, desto genauer kann das System seinen Standort und die Struktur seiner Umgebung einschätzen.
Besonders interessant ist die Fähigkeit, eigene Fehler im Laufe einer Fahrt zu erkennen und teilweise wieder auszugleichen. Durch das Wiedererkennen bekannter Orte können Abweichungen korrigiert und Karten nachträglich verbessert werden. Dadurch unterscheidet sich SLAM deutlich von einer einfachen Positionsberechnung, die lediglich Radumdrehungen oder zurückgelegte Strecken zusammenzählt.
Für autonome Reinigungsgeräte zeigt sich der praktische Nutzen besonders deutlich. Ein moderner Roboter kann Räume kartieren, Hindernisse eintragen, bearbeitete Flächen erkennen und gezielt zu bestimmten Bereichen fahren. Dieselben Grundprinzipien lassen sich jedoch auf zahlreiche weitere Maschinen übertragen. Autonome Transportfahrzeuge, Serviceroboter, Fahrzeuge, Drohnen und mobile Industriesysteme stehen letztlich vor derselben Aufgabe: Sie müssen verstehen, wo sie sich befinden und wie ihre unmittelbare Umgebung aufgebaut ist.
Mit leistungsfähigeren Sensoren und schnelleren Prozessoren werden solche Systeme zunehmend genauer. Gleichzeitig entwickelt sich die Software weiter. Karten können detaillierter werden, Objekte lassen sich zusätzlich klassifizieren und verschiedene Sensorarten immer besser miteinander verbinden. Aus einer ursprünglich anspruchsvollen Aufgabe der Robotik ist damit eine Technik geworden, die bereits in zahlreichen alltäglichen und professionellen Geräten arbeitet.
SLAM sorgt also nicht einfach nur dafür, dass ein Roboter eine Karte zeichnet. Das Verfahren schafft die Grundlage dafür, dass mobile Maschinen ihre Umgebung erfassen, sich darin orientieren und ihre nächsten Bewegungen auf verlässlichen räumlichen Informationen aufbauen können. Genau diese Verbindung aus Wahrnehmung, Positionsbestimmung und Kartierung ist ein entscheidender Schritt auf dem Weg von einem lediglich beweglichen Gerät zu einem tatsächlich autonom arbeitenden Roboter.
