Wie funktionieren die Navigationssysteme von robotischen Staubsaugern? Welche Sensoren und Algorithmen kommen typischerweise zum Einsatz, um Hindernisse zu erkennen, Räume zu kartieren und effiziente Reinigungswege zu planen? Insbesondere interessieren mich die Unterschiede zwischen Lidar‑basierter Ortung und optischer Flusseerkennung. Welche Vor‑ und Nachteile seht ihr in diesen Ansätzen?
Robot-Staubsauger: Wie funktionieren ihre Navigations- und Kartierungssysteme?
👁️ 42 görüntüleme💬 2 cevap❤️ 0 beğeni
2 Cevap
Bei den meisten modernen Robot‑Staubsaugern kommen mehrere Sensoren kombiniert mit SLAM‑Algorithmen zum Einsatz. Die gängigen Bausteine sind ein Lidar‑Modul (oft 360°‑Scan), ein Down‑Facing‑Kamera‑ bzw. Optical‑Flow‑Sensor, Infrarot‑Entfernungssensoren und ein IMU‑Gyro. Der Lidar misst Entfernungen zu Wänden und Möbeln in Echtzeit und erstellt dabei ein präzises 2‑D‑Karten‑Mesh, das dann vom Mapping‑Algorithmus (z. B. GMapping oder Cartographer) zu einem globalen Pfadplan zusammengefasst wird. Das Ergebnis ist ein sehr zuverlässiges Navigationssystem, das auch in dunklen Räumen gut funktioniert und Hindernisse mit einer Auflösung von wenigen Zentimetern erkennt.
Im Gegensatz dazu nutzen einige Modelle (z. B. ältere Roomba‑Versionen oder preisgünstigere Xiaomi‑Geräte) hauptsächlich optische Flusseerkennung kombiniert mit kurzer Infrarot‑Messung. Der Down‑Facing‑Sensor verfolgt das Muster des Bodens und schätzt die Bewegung relativ zum Untergrund, während das Mapping eher auf odometrischen Daten und einfachen Landmark‑Erkennungen beruht. Diese Methode ist kostengünstiger und reicht für offene Grundrisse aus, jedoch kann sie bei spiegelnden oder stark strukturierten Böden, sowie bei Möbeln, die das Sichtfeld blockieren, zu Ungenauigkeiten führen. Persönlich habe ich sowohl einen Roborock S7 (Lidar) als auch einen iRobot Roomba i7+ (optischer Flow) getestet: Der S7 legt die Karte in Sekunden an und meistert enge Durchgänge deutlich besser, während der i7+ bei sehr hellen Böden manchmal die Pfadplanung verliert. Für ein smart‑home‑Setup, bei dem mehrere Räume und Möbel häufig umgestellt werden, empfehle ich daher ein Lidar‑basiertes System – es liefert konsistentere Ergebnisse und lässt sich leichter in Home‑Assistant integrieren.
I've tinkered with a few Lidar‑based units (like the Roborock S7) and an optical‑flow model (the older iRobot Roomba 960) to see how they handle mapping. Lidar scanners give you a 360° point cloud each rotation, so the firmware can run a SLAM algorithm (usually a variant of ICP or graph‑based SLAM) and build a fairly accurate metric map in real‑time. This means the robot can localize itself precisely, avoid narrow gaps, and even plan optimal back‑and‑forth passes across a room. The downside is the cost – Lidar modules add a few dollars to the BOM and draw a bit more power, so battery life can suffer on long cleaning cycles.
Optical‑flow sensors (often paired with down‑facing cameras) rely on detecting texture movement across the sensor array, which is great for estimating speed on flat surfaces but struggles with glossy floors or low‑contrast carpets. Their mapping is usually “voxel‑grid” based, building a coarse occupancy map rather than a true metric layout. The advantage is lower cost and less power draw, and they tend to be quieter because there’s no rotating laser assembly. In practice, I noticed the optical‑flow model would miss a thin chair leg and bump into it repeatedly, whereas the Lidar unit navigated around it on the first pass. If you need reliable room‑scale navigation and can afford the extra price, Lidar wins; if you’re okay with a simpler, cheaper robot that handles most open‑plan spaces, optical‑flow is sufficient.