8/10/2026
Zwei Roboter können derselben Rasenkante sehr unterschiedlich folgen: Einer hält die Spur bei Tageslicht präzise, während der andere unter Bäumen oder neben einfarbigen Wänden stabiler navigiert. Das führt häufig zu Missverständnissen, wenn Produktseiten vSLAM und LiDAR gegenüberstellen, ohne zu erklären, wie Lichtverhältnisse, Oberflächenstrukturen und Hindernisse die tatsächliche Navigation beeinflussen.
Dieser Artikel erklärt, welche Daten beide Systeme erfassen, wie sich ihre Kartierungsgenauigkeit und Umgebungsgrenzen unterscheiden und wann welche Lösung besser geeignet ist. Außerdem geht es um Sensorkosten, Wartung, Energieverbrauch und darum, warum das gesamte Navigationssystem wichtiger ist als die Bezeichnung einer einzelnen Technologie.
Für einen verständlichen Vergleich sollte zunächst betrachtet werden, welche Informationen die Systeme zur Positionsbestimmung verwenden. vSLAM wandelt fortlaufende Kamerabilder in eine Karte und eine kontinuierliche Bewegungsschätzung um.
vSLAM steht für visuelle simultane Lokalisierung und Kartierung. Eine oder mehrere Kameras nehmen fortlaufend Bilder auf, während die Software stabile Merkmale wie Ecken, Pflasterlinien, Zaunpfosten, Strukturwechsel und Objektkonturen verfolgt. Anhand der Verschiebung dieser Punkte zwischen den Bildern schätzt das System die Position des Roboters und aktualisiert gleichzeitig die Karte.
Die Leistung hängt von der Bildqualität ab. Ein Garten mit unterschiedlichen Oberflächen, klaren Begrenzungen, Sträuchern und festen Bauwerken bietet der Kamera mehr Orientierungspunkte als eine offene Fläche mit gleichmäßigem Rasen. Starkes Gegenlicht, tiefe Schatten, Bewegungsunschärfe, verschmutzte Objektive oder ähnlich aussehende Bereiche können die Zuverlässigkeit der Positionsverfolgung verringern. Deshalb kombinieren viele Außenroboter vSLAM mit Rad-Odometrie, Inertialsensoren, RTK oder Hinderniskameras.
LiDAR-SLAM löst dieselbe Kartierungsaufgabe mithilfe gemessener Entfernungen statt visueller Erkennung. Die Geometrie dient dabei als wichtigste Referenz für die Positionsbestimmung und die Erkennung umliegender Flächen.
LiDAR sendet Laserimpulse aus und misst, wie lange jeder Impuls für den Rückweg benötigt. Aus diesen Messungen entsteht eine punktbasierte Darstellung von Wänden, Bäumen, Möbeln, Kanten und anderen Oberflächen. Die SLAM-Software vergleicht aufeinanderfolgende Scans, um die Bewegung zu bestimmen und gleichzeitig die Karte zu erstellen oder zu aktualisieren.
Da LiDAR nicht von sichtbaren Farben oder Oberflächenstrukturen abhängt, funktioniert es auch bei schwachem Licht und in Bereichen mit einfarbigen, sich wiederholenden Flächen. Die Leistung im Freien hängt dennoch vom Systemaufbau ab: Regen, Staub, reflektierendes Glas, nasses Laub, dünne Objekte, bewegte Äste und Verschmutzungen des Sensors können die Messungen beeinflussen. Sensorposition, Reinigungszugang, Datenverarbeitung und die Kombination mit weiteren Sensordaten müssen daher ebenfalls berücksichtigt werden.
Nachdem die Messverfahren geklärt sind, sollten beide Systeme anhand der Faktoren verglichen werden, die die tägliche Navigation beeinflussen – nicht nur anhand der Sensorbezeichnung in einer Spezifikationstabelle.
vSLAM verarbeitet Bildmerkmale und erfasst dadurch sowohl die Geometrie als auch den visuellen Kontext: Kanten, Farbkontraste, Oberflächenstrukturen und erkennbare Objekte. Das System benötigt stabile Details, die über mehrere Bilder hinweg zugeordnet werden können. LiDAR zeichnet direkte Entfernungsmessungen auf und erzeugt eine geometrische Punktwolke, was besonders bei strukturarmen Flächen nützlich ist. Kameras liefern umfassendere Informationen über die Szene, LiDAR direktere Entfernungsdaten. Ohne geeignete Software kann jedoch keiner der beiden Sensoren die Umgebung zuverlässig interpretieren.
vSLAM schätzt Bewegungen, indem es Orientierungspunkte in aufeinanderfolgenden Bildern abgleicht. Die Position kann abweichen, wenn Merkmale verschwinden, sich wiederholen oder unscharf werden. LiDAR-SLAM richtet aufeinanderfolgende Entfernungsscans aneinander aus und bildet Wände sowie Hindernisse daher in dunklen oder visuell einheitlichen Bereichen häufig beständiger ab. Bei Außenrobotern hängt die Genauigkeit außerdem von Rad-Odometrie, Inertialsensoren, RTK, Kalibrierung und Wiederherstellungslogik ab. Vergleichen Sie die Wiederholgenauigkeit an Grenzen und Hindernissen statt nur eines unter Idealbedingungen ermittelten Spitzenwerts.
Die Lichtverhältnisse wirken sich direkt auf vSLAM aus. Tiefe Schatten, Betrieb am Abend, Blendung, schnelle Wechsel zwischen Sonne und Schatten, beschlagene Objektive und gleichförmiger Rasen können die Zahl nutzbarer Bildmerkmale verringern. LiDAR ist weniger vom Umgebungslicht abhängig, doch Regen, Staub, reflektierende Flächen, nasse Pflanzen, dünne Stuhlbeine und bewegte Äste können Messungen abschwächen oder verfälschen. Testen Sie die tatsächliche Route des Roboters, insbesondere unter Bäumen, neben dunklen Zäunen sowie in der Nähe von Glas- oder Metallkonstruktionen.
Kameramodule sind im Allgemeinen leichter und kostengünstiger und können weniger Energie benötigen. Die Verarbeitung mehrerer Bildströme erfordert jedoch ebenfalls leistungsfähige Hardware. LiDAR benötigt zusätzlich eine Lasereinheit, ein Schutzgehäuse, Kalibrierung und regelmäßige Reinigung, wodurch die Systemkosten häufig steigen. Bei Außeneinsätzen spielt auch die Wartung eine wichtige Rolle: Prüfen Sie, wie einfach sich Objektive oder Scanner reinigen und schützen lassen. Die Akkulaufzeit hängt vom gesamten Roboter ab, darunter Motoren, Gelände, Geschwindigkeit, Rechenlast und Sensorfusion – nicht allein vom Navigationssensor.
Bei der Auswahl eines Rasenmähroboter sollte das Navigationsverfahren zu den vorherrschenden Bedingungen des Einsatzbereichs passen: Licht, Oberflächenstruktur, Hindernisse, Streckenkomplexität und die erforderliche Wiederholgenauigkeit der Grenzen.
Bei großen Rasenflächen mit wechselnden Lichtverhältnissen, Baumbestand, schmalen Passagen und mehreren Zonen kann Sensorfusion eine stabilere Navigation ermöglichen als ein einzelnes Messverfahren. Der Sunseeker Elite X9 kombiniert über AONavi 2.0 nRTK mit VSLAM 2.0, während 360° OmniSight die Erkennung von Grenzen und Hindernissen unterstützt. Dieser integrierte Ansatz hilft dem robotischen Mäher, Routen ohne Begrenzungskabel zu kartieren und unterschiedliche Rasenbereiche systematisch abzudecken.
vSLAM und LiDAR lösen dieselbe Navigationsaufgabe anhand unterschiedlicher Informationen: Das eine System interpretiert visuelle Merkmale, das andere misst die Geometrie direkt. Die Auswahl sollte sich an den schwierigsten Bedingungen im Einsatzbereich orientieren. Prüfen Sie anschließend das vollständige System bei Schatten, Blendung, Hindernissen und wechselnden Oberflächen. Bei Außenrobotern entsteht zuverlässige Navigation erst durch das Zusammenspiel von Sensorfusion, Kalibrierung, Software und Wiederherstellungsfunktionen. Ein Praxistest vor Ort ist aussagekräftiger als die Wahl der Technologie mit der eindrucksvolleren Bezeichnung.
vSLAM kann leichtere Kamerahardware verwenden, während LiDAR einen Laserscanner und zusätzliche Datenverarbeitung benötigt. Der Sensortyp allein bestimmt die Laufzeit jedoch nicht. Antriebsmotoren, Steigung, Grasdichte, Mähgeschwindigkeit, Akkukapazität, Routeneffizienz und die Rechenleistung des Systems haben zusammen meist einen größeren Einfluss. Vergleichen Sie die Laufzeitangaben des Herstellers unter Bedingungen, die Ihrem Grundstück möglichst nahekommen.
Kamerabasiertes Standard-vSLAM benötigt ausreichend sichtbare Merkmale, um Orientierungspunkte zu verfolgen. Bei Dunkelheit oder sehr schwachem Licht nimmt die Leistung daher meist ab. Systeme können den Betrieb durch Infrarotbeleuchtung, lichtempfindliche Kameras oder die Kombination mit RTK, Odometrie und weiteren Sensoren erweitern. Prüfen Sie, ob eine Navigation bei Nacht ausdrücklich unterstützt wird, und testen Sie schattige Bereiche oder Abendfahrten, bevor Sie sich darauf verlassen.
Starker Regen, Staub in der Luft, reflektierendes Glas, nasse Pflanzen, glänzendes Metall, dünne Drähte oder Stuhlbeine sowie bewegte Äste können LiDAR-Messungen abschwächen oder verfälschen. Auch ein verschmutztes oder verdecktes Sensorfenster verringert die Zuverlässigkeit. Leistungsfähige Systeme nutzen Filterung, mehrere Sensoren und Software zur Hindernisklassifizierung. Bewerten Sie daher den gesamten Roboter und nicht nur den Scanner.
