Wenn Algorithmen oder Sensoren ausfallen, ist es wichtig, dass es eine Reihe von robusten Alternativen gibt. Zum Beispiel können Kameras für autonome Drohnen verwendet werden. Wenn die Sichtverhältnisse jedoch äußerst schlecht sind, ist Lidar als Backup-Lösung erforderlich – Ausfallsicherheit durch Redundanz. Solide Alternativlösungen zeigen großes Potenzial, wenn sie den Sprung aus dem Labor ins Feld schaffen und über das Paradigma eines einzelnen Bedieners pro Roboter hinausgehen. Das maschinelle Lernen hat die Vielseitigkeit autonomer Systeme in den letzten Jahren verbessert, indem es die Einschränkungen durch verrauschte Sensordaten und den nahezu unendlichen Entscheidungsraum der realen Welt überwunden hat.
Über den Sprecher
Sebastian Scherer ist Associate Research Professor am Robotics Institute (RI) der Carnegie Mellon University (CMU). Seine Forschung konzentriert sich auf die Ermöglichung von Autonomie in herausfordernden Umgebungen. Er leitete zuvor den CMU-Beitrag zur SubT-Challenge. Scherer und sein Team präsentierten bereits mehrere autonome Flugroboter und Geländefahrzeuge.
