SEASON-Twin – Digitale Zwillinge für intelligente, adaptive Outdoor-Navigation
LAUFZEIT:
01/2025
—
12/2027
Projektlaufzeit gesamt:
3 Jahre
Digitaler Zwilling eines Weingartens, Foto: JOANNEUM RESEARCH DIGITAL
Das Projekt
Im Projekt wird ein digitaler Zwilling für autonome Outdoor-Navigation entwickelt, der saisonale und umweltbedingte Veränderungen realitätsnah abbildet. Mit multisaisonalen 3D-Datensätzen, Uncertainty Modelling und KI-basierter Simulation verbessert unser Projekt Lokalisierung, Routenplanung und Robustheit mobiler Roboter. Demonstriert wird der Ansatz im Weinbau, wo stark variierende Bedingungen eine präzise, zuverlässige Navigation besonders anspruchsvoll machen.
Unsere Tätigkeiten im Projekt
Das Institut DIGITAL und wir sind Koordinator des Projektes. Inhaltlich erstellen wir einen digitalen Zwilling eines Weingutes und generieren darauf aufbauend Testszenarien zur Untersuchung von saisonalen Einflüssen. Dabei analysieren und quantifizieren wir Umweltvariabilität, erstellen Visualisierungs- und Simulationsansätze und entwickeln ein Framework zur Risiko- und Performancebewertung. Zudem unterstützen wir bei der Integration des Digital Twins in das Navigationssystem und führen reale Navigationstests durch.
Forschungsgruppen
Downloads
Auftraggeber
FFG
Projektpartner
JOANNEUM RESEARCH
ARTI - Autonomous Robot Technology GmbH
Alpenspirit GmbH
Details zum Projekt
Die autonome Navigation mobiler Roboter in Outdoor-Umgebungen ist aufgrund dynamischer Umweltbedingungen wie etwa saisonaler Vegetationsveränderungen, wechselnder Bodenverhältnisse oder variierender Lichtbedingungen besonders herausfordernd. Diese Faktoren führen häufig zu Diskrepanzen zwischen Echtzeit-Sensorik und vorhandenen Karten, wodurch es zu Fehllokalisierungen und ineffizienten Navigationsentscheidungen kommen kann.
SEASON-Twin adressiert dieses Problem durch die Entwicklung eines umfassenden Digitalen Zwillings, der räumliche Strukturen, zeitliche Dynamiken und umweltbedingte Variabilität realitätsnah widerspiegelt. Mithilfe hochauflösender, multisaisonaler 3D-Datenerfassung (portable LiDAR-Rucksacksysteme, panoramische Bildgebung) werden präzise Punktwolken generiert, semantisch angereichert und in ein simulationsfähiges Modell überführt. Die daraus abgeleiteten Zeitreihen erlauben es, saisonale Veränderungen wie Pflanzenwachstum oder Bodenveränderungen quantitativ abzubilden.
Weitere Schwerpunkte sind die modellbasierte Quantifizierung, Visualisierung und Simulation von Unsicherheiten. Dies erlaubt eine proaktive Navigation, bei der Roboter auf Basis vorhersagbarer Umweltzustände bessere Entscheidungen treffen als bei rein reaktiven Ansätzen.
Für die Simulation kommen generative KI-Verfahren, prozedurale 3D-Szenengenerierung und modellbasierte Umgebungsmanipulationen zum Einsatz. Damit lassen sich realistische, dynamische Testumgebungen erstellen, in denen saisonale Veränderungen und Unsicherheiten systematisch untersucht werden können. Die Integration des digitalen Zwillings in eine bestehende autonome Navigationssoftware ermöglicht die Validierung der entwickelten Methoden im praktischen Einsatz.
Als Demonstrationsumgebung wurde ein realer Use-Case aus dem Weinbau gewählt. Dort muss ein autonomer Roboter entlang fixer Reihen navigieren, während das Umfeld starke saisonale Variation aufweist. Die gewonnenen Erkenntnisse sind übertragbar auf Landwirtschaft, Forstwirtschaft und Umweltmonitoring und tragen potenziell zur Reduktion von Stillstandzeiten und Wartungsaufwand bei.
