Die Bewältigung von Katastrophen und Gefahrenlagen stellt eine immense Herausforderung für Einsatzkräfte, Behörden und die Öffentlichkeit dar. Der Einsatz von Rettungsrobotern mit Assistenzfunktionen kann dazu beitragen, diese Herausforderungen zu mindern, indem sie die allgemeine Einsatzfähigkeit verbessern. Dies geschieht beispielsweise durch Aufklärung und die Erstellung von 3D-Karten der Umgebung sowie die Durchführung von Aktionen aus der Ferne. Damit tragen sie auch zur Sicherheit der Einsatzkräfte bei, indem sie diesen ermöglichen, einen sicheren Abstand zu potenziellen Gefahren zu wahren.

Die Einsatzbedingungen für Rettungsroboter in Szenarien wie Feuer, Überschwemmungen, Einstürzen oder CBRNE sind äußerst anspruchsvoll. Die Umweltbedingungen sind in der Regel sehr widrig, gekennzeichnet durch schwierige Bodenverhältnisse, vielfältige und unregelmäßige Hindernisse sowie potenziell eingeschränkte Sichtverhältnisse aufgrund von Rauch, Nebel und Staub. Im Vergleich zu industriellen Robotereinsätzen sind die Einsatzszenarien und Umgebungen äußerst variabel und wiederholen sich selten. Dies erschwert den Einsatz gängiger Methoden und Ansätze aus den Bereichen der autonomen mobilen Roboter und der künstlichen Intelligenz (KI) erheblich. Gleichzeitig stellen diese Bedingungen auch eine Herausforderung für die Fernsteuerung dar, da sie die Wahrscheinlichkeit erhöhen das Operatoren schwerwiegenden Fehler machen.

Diese Dissertation zielt darauf ab, mobile Rettungsroboter mit Assistenzfunktionen zu entwickeln, die die Effizienz und Sicherheit bei der Katastrophenhilfe verbessern sollen. Hierbei liegt ein besonderer Fokus auf der Entwicklung neuer Methoden zur autonomen Erkundung, welche den spezifischen Anforderungen und Herausforderungen bei Rettungseinsätzen gerecht werden. In dieser Arbeit werden daher Ansätze für die Lokalisierung, Kartierung und Exploration mit mobilen Bodenrobotern im Kontext der Bewältigung von Katastrophen und Gefahren vorgestellt und Forschungsthemen in drei verschiedenen Bereichen untersucht.

Erstens ist ein umfassendes Verständnis der spezifischen Anforderungen an (autonome) Assistenzfunktionen von Rettungsrobotern entscheidend für die Forschung und Entwicklung hin zur praktischen Anwendbarkeit. Bisherige Analysen haben sich in hauptsächlich auf allgemeine Aspekte konzentriert, sodass eine Lücke im spezifischen Verständnis der Anforderungen für (autonome) Assistenzfähigkeiten besteht. Diese Lücke adressieren wir, indem wir ein neus Modell für eine integrierte Funktionsfähigkeit aus etablierten Modellen zur Technologieakzeptanz ableiten und eine umfassende, evidenzbasierte Analyse der Anwendungsanforderungen und Forschungsherausforderungen für (autonome) Assistenzfähigkeiten erstellen.

Zweitens ist eine präzise und zuverlässige gleichzeitige Lokalisierung und Kartierung (SLAM) in unbekannten Umgebungen ohne GNSS-Unterstützung für den (teil-)autonomen Betrieb unerlässlich. Insbesondere das Überqueren von unebenem Gelände kann zu abrupten Roboterbewegungen führen, die mit typischen SLAM-Methoden nicht genau oder effizient modelliert werden können. Zudem sind relevante Umgebungen oft unstrukturiert und möglicherweise visuell beeinträchtigt. Daher untersuchen wir neue Methoden zur robusten Registrierung von Lidar-Scans, zur präzisen Schätzung der Trajektorie in unebenem Gelände und der effizienten Kartierung großer Umgebungen mit mobilen Rettungsrobotern. Der Ansatz erzielt hohe Genauigkeit und Robustheit durch die Registrierung von Lidar-Scans in einer multi-resolution Truncated Signed Distance Function (TSDF) mit zeitkontinuierlicher Trajektoriendarstellung und ermöglicht die effiziente Kartierung von großen Umgebungen durch die Übertragung eines branch-and-bound-basierten Ansatzes zur Erkennung von Loop Closures für TSDF. Darüber hinaus untersuchen wir Erweiterungen für die Anwendung mit Radar.

Drittens müssen Roboter bei Einsätzen möglicherweise verschiedene Aufgaben in einer einzigen Mission erfüllen. In solch dynamischen und vielseitigen Umgebungen verfügen Rettungskräfte oft über Vorwissen und potentiell bessere Entscheidungsfähigkeiten als KI-Methoden für die Perzeption und Logik von autonomen Robotern. Die kognitive Belastung des Bedieners ist jedoch begrenzt, und die direkte Kontrolle durch den Bediener ist fehleranfällig, potentiell ineffizient und nicht immer möglich. Daher präsentieren wir eine neue, effiziente und flexible Methode für die Multi-Ziel-Exploration vor, die KI-Methoden mit den Fähigkeiten des Operators kombiniert. Die geschieht durch die Erweiterung eines hierarchischen Planungsansatz für Multi-Ziel-Explorationund die Bereitstellung flexiblee Bedienerunterstützung durch eine Umgebungsrepräsentation auf der Grundlage von Affordanzen ermöglicht.

Die in dieser Arbeit vorgestellten Innovationen, Methoden und Implementierungen wurden in verschiedenen komplexen simulierten und realen Roboterexperimenten erfolgreich evaluiert, wobei Genauigkeit, Robustheit und Effizienz demonstriert wurden. Teile der realen Evaluierung wurden unter den Bedingungen verschiedener internationaler Robotikwettbewerbe (RoboCup Rescue Robot League, EnRicH, World Robot Summit) durchgeführt und zeigten eine bessere Genauigkeit und Robustheit als konkurrierende Ansätze. Darüber hinaus flossen Ergebnisse dieser Arbeit in zwei deutsche Konsortialnormen (DIN SPEC) ein und wurden bei einem Katastropheneinsatz eingesetzt, was die Bedeutung der Arbeit für den Bereich der Rettungsrobotik unterstreicht.