Topinformationen

Mobile Robotik – Ressourceneffiziente Informationsverarbeitung für energiebeschränkte autonome Systeme

In der Robotik interessieren uns insbesondere mobile Systeme mit beschränktem Energiebudget. Diese Systeme werden mit immer leistungsfähigeren Sensorsystemen, wie hochauflösenden Kameras oder 3D-Laserscannern ausgestattet. Um die damit einhergehenden stetig wachsenden Datenmengen in Echtzeit auf dem Roboter verarbeiten zu können, wird immer mehr Rechenleistung benötigt, gleichzeitig soll aber der Energiebedarf für die Datenverarbeitung nach Möglichkeit nicht steigen. Daher bringen wir unsere Expertise im Bereich domänenspezifischer Hardware und effizienter paralleler Programmierung ein.
Unsere Systeme reichen von den kleinen, in der Arbeitsgruppe entwickelten Minirobotern EMAROs über leistungsstarke Plattformen für den Außeneinsatz bis hin zu Drohnen unterschiedlicher Baugröße mit bis zu 5kg Nutzlast. Alle Plattformen statten wir mit eigener Rechnerhardware und Sensorik aus, teilweise auf speziell dafür von uns entwickelten Leiterplatten. Ebenso wie bei den Beschleunigern für KI-Algorithmen setzen wir auf einen Codesign-Ansatz, bei dem die Algorithmen für die jeweilige Prozessorplattform individuell optimiert werden. Neben eingebetteten Prozessoren und GPUs kommen auch hier FPGAs zum Einsatz, so dass Algorithmen und Hardware optimal aufeinander abgestimmt und sogar im laufenden Betrieb adaptiert werden können.
Für die einfache Nutzung unserer Hardware-Software-Realisierungen in mobilen Robotern nutzen wir das Robot Operating System (ROS 2) als Middleware-Schicht. Für den Einsatz rekonfigurierbarer Hardware haben wir mit RekonfROS eine Möglichkeit geschaffen, FPGA-basierte Hardwarebeschleuniger einfach in ROS zu nutzen. Weitere Arbeiten umfassen die Echtzeitverarbeitung von LiDAR-Daten zur Oberflächenrekonstruktion und Kartierung direkt auf Robotern und Drohnen mit Hilfe optimierter Algorithmen auf GPUs und FPGAs.

Ausgewählte Publikationen

• Eisoldt, M.; Mock, A.; Wiemann, T.; Porrmann, M.:
  Towards 6D MCL for LiDARs in 3D TSDF Maps on Embedded Systems with GPUs.
  In International Journal of Semantic Computing, World Scientific Publishing Company (accepted for publication).
• Gaal, J.; Wiemann, T.; Mock, A.; Porrmann, M.:
  FeatSense - A Feature-based Registration Algorithm with GPU-accelerated TSDF-Mapping Backend for NVIDIA Jetson Boards.
  In: IEEE Robotic Computing, IRC 2023, Laguna Hills, CA, USA, December 11-13, 2023, pp. 198-205.
  DOI: doi.org/10.1109/IRC59093.2023.00040
• Eisoldt, M.; Mock, A.; Porrmann, M.; Wiemann, T.:
  Towards 6D MCL for LiDARs in 3D TSDF Maps on Embedded Systems with GPUs.
  In: IEEE Robotic Computing, IRC 2023, Laguna Hills, CA, USA, December 11-13, 2023, pp.158-165.
  DOI: doi.org/10.1109/IRC59093.2023.00035
• Rahn, S.; Gehricke, P.; Petermöller, C.-L.; Neumann, E.; Schlinge, P.; Rabius, L.; Termühlen, H.; Sieh, C.; Tassemeier, M.; Wiemann, T.; Porrmann, M.:
  Redrose – Reconfigurable drone setup for resource-efficient SLAM.
  In: Proceedings of DroneSE and RAPIDO: System Engineering for Constrained Embedded Systems), Toulouse, France, January 18, 2023, pp. 20-30.
  DOI: doi.org/10.1145/3579170.3579266
• Eisoldt, M.; Flottmann, M.; Gaal, J.; Hinderink, S.; Vana, J.; Tassemeier, M.; Rothmann, M.; Wiemann, T.; Porrmann, M.:
  ReconfROS: An Approach for Accelerating ROS Nodes on Reconfigurable SoCs.
  In: Microprocessors and Microsystems, Vol. 94, Elsevier, 2022,
  DOI: doi.org/10.1016/j.micpro.2022.104655
• Eisoldt, M.; Gaal, J.; Wiemann, T.; Flottmann, M.; Rothmann, M.; Tassemeier, M.; Porrmann, M.:
  A Fully Integrated System for Hardware-accelerated TSDF SLAM with LiDAR Sensors (HATSDF SLAM).
  In: Robotics and Autonomous Systems, Vol. 156, October 2022,
  DOI: doi.org/10.1016/j.robot.2022.104205
• Wiemann, T.; Eisoldt, M.; Flottmann, M.; Gaal, J.; Rothmann, M.; Tassemeier, M.; Porrmann, M.:
  Energieeffizientes FPGA-basiertes TSDF-SLAM für Mobile Mapping.
  In: 20. Oldenburger 3D-Tage. February 2-3, 2022.
• Flottmann, M.; Eisoldt, M.; Gaal, J.; Rothmann, M.; Tassemeier, M.; Wiemann, T.; Porrmann, M.:
  Energy-efficient FPGA-accelerated LiDAR-based SLAM for Embedded Robotics.
  In: International Conference on Field-Programmable Technology (FPT 2021), Auckland, New Zealand, December 6-10, 2021.
  DOI: doi.org/10.1109/ICFPT52863.2021.9609934
• Eisoldt, M.; Flottmann, M.; Gaal, J.; Buschermöhle, P.; Hinderink, S.; Hillmann, M.; Nitschmann, A.; Hoffmann, P.; Wiemann, T.; Porrmann, M.:
  HATSDF SLAM – Hardware-accelerated TSDF SLAM for Reconfigurable SoCs.
  In: European Conference on Mobile Robots (ECMR 2021), Bonn, Germany, August 31st – September 3rd, 2021.
  DOI: doi.org/10.1109/ECMR50962.2021.9568815
• Eisoldt, M.; Flottmann, M.; Gaal, J.; Hinderink, S.; Vana, J.; Rothmann, M.; Tassemeier, M.; Wiemann, T.; Porrmann, M.:
  ReconfROS: Running ROS on Reconfigurable SoCs.
  In: Drone Systems Engineering (DroneSE-2021), Budapest, Hungary, January 18, 2021.
  DOI: doi.org/10.1145/3444950.3444959
• Meyer, H.; Klimeck, D.; Paskarbeit, J.; Rückert, U.; Egelhaaf, M.; Porrmann, M.; Schneider, A.:
  Resource-efficient bio-inspired visual processing on the hexapod walking robot HECTOR.
  In: PLoS ONE 15(4): e0230620; 2020,
  DOI: doi.org/10.1371/journal.pone.0230620.