Husky und Jackal: Roboter von Clearpath in sechs Forschungsarbeiten auf der IROS 2026
Clearpath hat eine Übersicht von Forschungsarbeiten veröffentlicht, die auf der IROS 2026 vorgestellt wurden und bei denen die Roboter Husky und Jackal zum Einsatz kamen. Die Themen reichen von der Erkennung von Krankheiten im Obstgarten bis zur Navigation in untertägigen Kohlebergwerken. Nach Angaben des Unternehmens zeigen die Arbeiten, wie flexibel sich die Plattformen für Entwicklung, Test und Validierung von Robotikforschung einsetzen lassen.
- Clearpath hebt sechs Arbeiten der IROS 2026 hervor, in denen die Roboter Husky und Jackal zum Einsatz kamen.
- SPINE-HT, ein LLM-basiertes Framework für gemischte Roboterteams, erreichte laut den Autoren in realen Missionen eine Erfolgsquote von 87,5 %.
- Ein Team von Carnegie Mellon und Virginia Tech nutzte einen Husky zur Erkennung von Feuerbrand an Apfelbäumen, mit einem besten F1-Wert von 0,9058 im Labor.
- FIRE-LIVWO fusioniert Radar, LiDAR, Bildverarbeitung und Radodometrie für Kohlebergwerke, mit einem mittleren Lokalisierungsfehler von 5,677 m und quelloffenem Code.
- Eine Methode für sicheres Reinforcement Learning der University of Liverpool erzielte eine Erfolgsquote von 98,3 % und wurde auf einem physischen Jackal getestet.
Generative KI für gemischte Roboterteams
Eine Arbeit der Texas A&M University, des U.S. Army Research Laboratory und des GRASP Laboratory der University of Pennsylvania stellt SPINE-HT vor. Das Framework verankert das Schlussfolgern großer Sprachmodelle im wechselnden Kontext eines heterogenen Roboterteams. Laut Abstract leitet ein LLM zunächst aus Missionsbeschreibungen in natürlicher Sprache und den Fähigkeiten des Teams die nötigen Teilaufgaben ab. Anschließend werden diese auf Machbarkeit geprüft und den Robotern anhand von Fähigkeiten wie Befahrbarkeit oder Wahrnehmung zugewiesen. Schließlich werden die Teilaufgaben mithilfe semantischer Karten und der von den Robotern gesammelten Ergebnisse laufend online aktualisiert.
Die Autoren berichten, dass das Framework in der Simulation eine nahezu doppelt so hohe Erfolgsquote erreicht wie frühere LLM-gestützte Ansätze für heterogene Teams. In Tests unter realen Bedingungen mit einem Clearpath Jackal, einem Clearpath Husky, einem Boston Dynamics Spot und einer in großer Höhe fliegenden Drohne erzielte die Methode eine Erfolgsquote von 87,5 % bei Missionen, in denen über Roboterfähigkeiten nachgedacht und Teilaufgaben mit Online-Feedback verfeinert werden mussten.
Landwirtschaft und Untertagebergbau
Ein Team des Robotics Institute der Carnegie Mellon University und des Department of Plant Pathology der Virginia Polytechnic Institute and State University setzte einen Husky für ein autonomes aktives Wahrnehmungssystem ein, das Feuerbrand an Apfelbäumen in der Vegetationsruhe erkennen soll. Nach Angaben der Autoren ist die manuelle Kontrolle arbeitsintensiv und im Maßstab moderner Obstanlagen finanziell nicht tragbar, weshalb Ausbrüche oft spät erkannt und nur auf Ebene einzelner Anlagenblöcke verfolgt werden. Das System kombiniert blitzbeleuchtete RGB-Stereosensorik, Tiefenschätzung in Echtzeit, Instanzsegmentierung und eine konfidenzbewusste semantische 3D-Kartierung.
Die Arbeit vergleicht drei Strategien zur Blickpunktplanung. In der Simulation erzielte der semantische Planer nach 30 Blickpunkten den höchsten F1-Wert (0,6106), während der volumetrische Planer die höchste ROI-Abdeckung (85,82 %) erreichte. Im Labor kam der semantische Planer auf den höchsten abschließenden F1-Wert (0,9058). Die Autoren bezeichnen die Experimente, die an einem nachgebauten Laborbaum und fünf simulierten Bäumen mit Symptomen liefen, als Vorstufe zu einer Feldevaluierung.
Forscher der China University of Mining and Technology, die ebenfalls einen Husky nutzten, widmeten sich dem Thema SLAM in großen untertägigen Kohlebergwerken. Rauch und Staub beeinträchtigen visuelle Daten und LiDAR-Daten, und lange, einander ähnelnde Strecken führen zu Drift in der Odometrie. Ihr Framework FIRE-LIVWO fusioniert 4D-mmWave-Radar, LiDAR und visuelle Merkmale und zieht in degenerierten Strecken zusätzlich die Radodometrie heran. Als zentralen Beitrag beschreiben die Autoren eine Strategie, die Degeneration erkennt und die Gewichtung der Modalitäten online anpasst. In Versuchen in realen Bergwerken geben die Autoren einen mittleren Lokalisierungsfehler von 5,677 m an und teilen mit, dass sie ihren Code auf Github als Open Source veröffentlicht haben.
Sichere Navigation und was die Übersicht zeigt
Ein Team der University of Liverpool nutzte einen Jackal, um einen sicherheitsorientierten Ansatz des Reinforcement Learning zu validieren. Das Framework trainiert Policies mit Constraints auf Basis des Conditional Value-at-Risk (CVaR) auf einem TD3-Grundgerüst und prüft die Sicherheitsmargen nach dem Training mittels Erreichbarkeitsverifikation für neuronale Netze. In zehn Navigationsszenarien und gegenüber sechs Baselines berichten die Autoren von einer Erfolgsquote von 98,3 % und der höchsten Sicherheitsverifikationsrate unter den verglichenen Methoden. Sie weisen zudem darauf hin, dass die Rangfolgen nach durchschnittlichen Kosten und nach erreichbarkeitsbasierter Sicherheit auseinanderlaufen können, die Erreichbarkeitsverifikation also Risiken erfasst, die empirische Kostenmetriken übersehen. Die Methode wurde auf einem physischen Clearpath Jackal validiert und zeigte damit einen erfolgreichen Sim-to-Real-Transfer.
Die Übersicht nennt außerdem eine sechste Arbeit, Stereo4DWalker, zum Lernen 4D-bewusster verkörperter urbaner Navigation aus Stereovideos aus dem Internet. Der hier vorliegende Quelltext bricht jedoch vor den Details dazu ab.
Für die Forschungsgemeinde zeigt die Auswahl, dass Husky und Jackal in sehr unterschiedlichen Umgebungen genutzt werden, von Obstgärten und Bergwerken über Multi-Roboter-Teams bis zur Sicherheitsverifikation. Clearpath bezeichnet sie als bewährte Plattformen für solche Arbeiten.
Clearpath/OTTO: IROS Research Round-Up: Husky and Jackal in Action
