8/10/2026
Ein Roboter versteht Ihren Garten nicht so wie Sie. Wenn er durch schmale Durchgänge, schattige Ecken oder um Hindernisse herumfährt, erstellt er fortlaufend eine Karte und versucht gleichzeitig, sich in Echtzeit zu orientieren. Genau hier kommt vSLAM zum Einsatz.
Anstatt sich ausschließlich auf fest installierte Signale zu verlassen, nutzt Visual SLAM Kameradaten, um die Umgebung zu erfassen, Bewegungen zu verfolgen und die eigene Position bei Veränderungen in der Umgebung laufend zu aktualisieren. In diesem Artikel erfahren Sie, wie vSLAM funktioniert, warum die Technologie für die Roboternavigation wichtig ist und worauf Sie bei der Bewertung für den praktischen Einsatz achten sollten.
VSLAM ist eine kamerabasierte Navigationstechnologie. Für die meisten Roboter eignet sie sich besonders dann, wenn die Umgebung stabile visuelle Merkmale bietet und das System über ausreichend Rechenleistung sowie eine zuverlässige Driftkorrektur verfügt.
VSLAM steht für Visual Simultaneous Localization and Mapping, also visuelle simultane Lokalisierung und Kartierung. Ein Roboter oder ein anderes Gerät nutzt Kamerabilder, um seine eigene Position zu bestimmen und gleichzeitig eine Karte seiner Umgebung zu erstellen oder zu aktualisieren. Das Wort „simultan“ ist dabei entscheidend: Lokalisierung und Kartierung erfolgen gleichzeitig und nicht als voneinander getrennte Aufgaben.
Der praktische Nutzen ist leicht nachvollziehbar. Ein Saugroboter, Mähroboter, eine Drohne oder ein AR-Headset kann sich bewegen, ohne ausschließlich auf GPS, Begrenzungskabel, Magnetstreifen oder fest installierte Signalgeber angewiesen zu sein. Das System erfasst visuelle Merkmale wie Ecken, Kanten, Oberflächenstrukturen, Möbellinien, Fugen im Pflaster, Wände und Begrenzungen von Beeten. Anschließend vergleicht es neue Bilder mit früheren Aufnahmen, um Bewegungen und die aktuelle Position zu bestimmen.
VSLAM ist keine magische Form des Sehens. Die Technologie funktioniert am besten, wenn die Kamera stabile und eindeutig erkennbare Details erfassen kann. Leere weiße Wände, Dunkelheit, Blendlicht, Regentropfen auf der Linse, schnelle Bewegungen und sich wiederholende Muster erschweren die Navigation. Leistungsfähige Systeme gleichen solche Bedingungen mit besseren Kameras, einer höheren Toleranz gegenüber wechselnden Lichtverhältnissen, Trägheitssensoren, Radodometrie und Software aus, die erkennt, wenn die Positionsschätzung allmählich abweicht.
VSLAM (Visual Simultaneous Localization and Mapping) hilft einem Roboter dabei, mithilfe einer Kamera seine aktuelle Position zu bestimmen und gleichzeitig eine Karte seiner Umgebung zu erstellen. Dazu werden fortlaufend einzelne Videobilder gleichzeitig in Positions- und Karteninformationen umgewandelt.
Zunächst verfolgt das System während der Bewegung des Roboters visuelle Details in der Umgebung, beispielsweise Kanten, Muster oder markante Punkte an Objekten. Indem es vergleicht, wie sich diese Punkte zwischen den einzelnen Bildern verschieben, schätzt es die Bewegung Schritt für Schritt. Dieser als visuelle Odometrie bezeichnete Prozess liefert kontinuierlich aktualisierte Informationen über Position und Bewegungsrichtung.
Gleichzeitig erstellt VSLAM anhand derselben visuellen Merkmale eine Karte. Diese muss nicht wie ein klassischer Grundriss aussehen. Sie speichert lediglich wiedererkennbare Punkte, anhand derer der Roboter Grenzen und Hindernisse erkennt und feststellen kann, welche Bereiche er bereits gereinigt oder durchfahren hat.
Mit der Zeit können sich kleine Fehler bei der Positionsverfolgung summieren. Um diese zu korrigieren, nutzt das System den sogenannten „Schleifenschluss“. Dabei erkennt es Orte wieder, die es bereits zuvor erfasst hat, und passt die Karte an, um die Abweichungen zu verringern. Dadurch bleibt die Navigation auch bei langen Betriebszyklen stabil und präzise.
Ein gutes VSLAM-System besteht aus mehreren aufeinander abgestimmten Komponenten und nicht nur aus einer einzelnen Kamera. Die Kamera liefert Beobachtungsdaten, die Software interpretiert diese Informationen, und zusätzliche Sensoren stabilisieren die Positionsschätzung, wenn Kamerabilder allein nicht ausreichen.
Die meisten VSLAM-Systeme arbeiten mit monokularen Kameras, Stereokameras, Fischaugenkameras oder Kamerasystemen mit Tiefenerfassung. Eine monokulare Kamera kann Bewegungen aus einer einzigen Perspektive schätzen, doch die Bestimmung des Maßstabs ist schwieriger, sofern das System nicht auf zusätzliche Annahmen oder weitere Sensoren zurückgreift. Stereokameras vergleichen zwei Perspektiven und können dadurch Entfernungen unmittelbarer ermitteln. Weitwinkelobjektive erfassen einen größeren Teil der Umgebung, was die Verfolgung visueller Merkmale in engen Bereichen verbessern kann.
Bei Robotern für den Außenbereich ist die Anpassung der Belichtung besonders wichtig. Ein Mähroboter kann innerhalb weniger Sekunden aus hellem Sonnenlicht in den Schatten unter einem Baum fahren. Ein schwaches Bildverarbeitungssystem kann bei einem solchen Übergang wichtige visuelle Merkmale verlieren. Verschmutzte Linsen, Wasserflecken, tief stehende Sonne und der Betrieb bei Nacht beeinflussen ebenfalls die Qualität der visuellen Eingangsdaten.
Die Software wählt visuelle Merkmale aus, gleicht sie zwischen aufeinanderfolgenden Bildern ab, schätzt die Bewegung der Kamera, erstellt die Karte, erkennt Schleifenschlüsse und korrigiert Fehler. Klassische Computer-Vision-Verfahren übernehmen weiterhin einen großen Teil dieser anspruchsvollen Aufgaben, insbesondere den Merkmalsabgleich und die geometrische Schätzung. KI kann zusätzlich bei der Interpretation von Szenen, der Erkennung von Objekten, der semantischen Kennzeichnung und der Bewertung helfen, welche Bildbereiche zuverlässig sind.
Leistungsfähige Systeme verwerfen unzuverlässige visuelle Informationen. Sich bewegende Personen, im Wind schwankendes Gras, Haustiere, Spiegelungen und vorbeifahrende Fahrzeuge dürfen nicht als feste Orientierungspunkte behandelt werden. Wird die Karte anhand instabiler Merkmale erstellt, wird auch die Navigation unzuverlässig.
Trägheitsmesseinheiten, Radsensoren, GPS, Ultraschallsensoren, Radar und Time-of-Flight-Sensoren können VSLAM unterstützen. Sie ersetzen die visuelle Karte nicht, sondern überbrücken Situationen, in denen die Kameradaten nicht zuverlässig genug sind.
Bei einem Mähroboter kann die Radodometrie dabei helfen, kurze Bewegungen zu schätzen, während die Bildverarbeitung bereits besuchte Orte und Begrenzungen erkennt. Bei einer Drohne unterstützt ein Trägheitssensor die Navigation während schneller Drehbewegungen. Die besten Systeme kombinieren ihre Sensoren entsprechend den möglichen Fehlerquellen der jeweiligen Umgebung und nicht lediglich anhand einer Liste gängiger Schlagwörter.
VSLAM und LiDAR-SLAM lösen dasselbe grundlegende Problem: Sie bestimmen die Position einer Maschine und erstellen gleichzeitig eine Karte ihrer Umgebung. Der Unterschied liegt in der jeweils verwendeten Hauptsensortechnik. VSLAM verarbeitet Kamerabilder. LiDAR-SLAM misst Entfernungen, indem Laserimpulse ausgesendet und deren Rücklaufzeiten erfasst werden.
Faktor | VSLAM | LiDAR-SLAM |
Hauptsensor | Kamera | Laserbasierter Entfernungssensor |
Stärke | Umfangreiche visuelle Informationen und geringerer Hardwareaufwand | Direkte Erfassung der Geometrie und zuverlässige Entfernungsmessung |
Schwachpunkt | Lichtverhältnisse, Blendung, fehlende Oberflächenstrukturen und bewegliche visuelle Merkmale | Hardwarekosten, reflektierende Oberflächen und begrenzte semantische Informationen |
Typische Einsatzbereiche | Verbraucherroboter, AR und kompakte autonome Geräte | Industrieroboter, Kartierungsfahrzeuge und hochpräzise Navigation |
VSLAM ist besonders dort sinnvoll, wo ein Gerät seine unmittelbare Umgebung erfassen muss, ohne auf eine festgelegte Route angewiesen zu sein. Typische Beispiele sind Maschinen, die bereits besuchte Bereiche erneut anfahren, Hindernissen ausweichen und sich an veränderte Umgebungsbedingungen anpassen müssen.
Saugroboter und Rasenpflegeroboter
Saugroboter nutzen VSLAM, um Raumkarten zu erstellen, einzelne Räume zu erkennen, ihre Reinigungswege zu optimieren und mit weniger zufälligen Bewegungen zur Ladestation zurückzukehren. Das System hilft dem Roboter zu verstehen, dass ein Flur, die Kante eines Sofas oder eine Kücheninsel wiedererkennbare Orientierungspunkte und nicht nur einzelne Hindernisse sind.
Rasenpflegeroboter stehen vor einer komplexeren Variante derselben Herausforderung. Das Erscheinungsbild von Gras verändert sich je nach Licht, Wetter und Wachstum, während Schatten, Gefälle und Gartenbegrenzungen die visuelle Umgebung fortlaufend beeinflussen. Systeme in fortschrittlichen Geräten wie der Sunseeker Elite X9 Series sind für diese anspruchsvollen Außenbedingungen ausgelegt. Sie kombinieren eine bildbasierte Navigation mit zuverlässiger Geländegängigkeit, um auch auf großen und unebenen Flächen einen stabilen Betrieb zu gewährleisten. Der X9 wurde für weitläufige Bereiche wie Anwesen und Sportplätze entwickelt. Dort muss er eine gleichmäßige Flächenabdeckung sicherstellen, starke Steigungen bewältigen und auch dann weiterarbeiten, wenn sich Licht- und Bodenverhältnisse im Laufe des Tages verändern.
Augmented Reality und mobile Geräte
AR-Geräte nutzen VSLAM, um digitale Objekte fest in der realen Umgebung zu verankern. Wenn Sie beispielsweise einen virtuellen Stuhl in einem Raum platzieren, muss sich das Gerät während Ihrer Bewegung weiterhin an die Position von Boden und Wänden erinnern. Ohne eine stabile Positionsverfolgung scheint das Objekt zu schweben, zu verrutschen oder zu springen.
Smartphones und Headsets verwenden die visuelle Positionsverfolgung außerdem zur Vermessung von Bereichen, zum Scannen von Räumen, zur Positionsbestimmung in Innenräumen und für Mixed-Reality-Einblendungen. Die Fehlertoleranz ist gering, da Nutzer Positionsabweichungen sofort wahrnehmen.
Drohnen, Lagerhäuser und autonome Maschinen
Drohnen nutzen VSLAM dort, wo GPS nur eingeschränkt oder gar nicht verfügbar ist, beispielsweise in Innenräumen, unter Brücken, in der Nähe von Gebäuden oder bei Inspektionsarbeiten. Die visuelle Navigation hilft ihnen dabei, ihre Position zu halten, Hindernissen auszuweichen und auf einer bekannten Route zurückzukehren.
In Lagerhäusern wird die SLAM-basierte Navigation für mobile Roboter eingesetzt, die sich zwischen Regalen, Paletten und Arbeitsstationen bewegen. Autonome Maschinen in der Landwirtschaft, im Bauwesen, in der Sicherheitsbranche und bei Lieferdiensten nutzen dasselbe Prinzip: Sie kombinieren aktuelle Sensordaten mit einer Karte, damit die Maschine positionsbezogene Entscheidungen treffen kann, anstatt lediglich auf das nächstgelegene Hindernis zu reagieren.
VSLAM eignet sich, wenn eine Maschine auf stabile visuelle Merkmale zurückgreifen kann und über ausreichend Rechenleistung sowie Sensorunterstützung verfügt, um Positionsabweichungen zu kontrollieren. Die Technologie ist besonders nützlich für Haushaltsroboter, AR-Geräte, Drohnensysteme und Anwendungen für Rasenmähroboter, bei denen eine flexible Navigation ohne Begrenzungskabel erforderlich ist. Vergleichen Sie verschiedene Systeme, sollten Sie zunächst die jeweiligen Einsatzbedingungen prüfen: wechselnde Lichtverhältnisse, sich wiederholende Oberflächenstrukturen, Verschmutzungen der Kameralinse und die erforderliche Genauigkeit, mit der das Gerät wiederholt dieselbe Position anfahren muss.
vSLAM ist LiDAR nicht grundsätzlich überlegen, da beide Technologien unterschiedliche Zwecke erfüllen. vSLAM nutzt Kameras, um visuelle Merkmale zu erfassen. Dadurch ist die Technologie kosteneffizient und liefert detailreiche Informationen, reagiert jedoch empfindlich auf die Lichtverhältnisse. LiDAR misst Entfernungen direkt und funktioniert bei schlechten Lichtverhältnissen zuverlässiger. Viele moderne Roboter kombinieren beide Technologien, um in komplexen Umgebungen eine höhere Navigationsgenauigkeit und Stabilität zu erreichen.
Die Genauigkeit von vSLAM hängt von der Kameraqualität, den Lichtverhältnissen, der Rechenleistung und den Oberflächenstrukturen der Umgebung ab. In gut beleuchteten Bereichen mit vielen eindeutig erkennbaren Merkmalen kann die Technologie eine sehr stabile Positionsbestimmung ermöglichen, die sich für die Kartierung von Innenräumen und strukturierten Außenbereichen eignet. Bei schwachem Licht oder sich wiederholenden Oberflächen können sich jedoch mit der Zeit kleine Abweichungen ansammeln. Diese werden durch Schleifenschluss und Kartenkorrekturen reduziert.
Ja, moderne vSLAM-Systeme nutzen häufig KI, um die Erkennung visueller Merkmale, die Objekterkennung und Navigationsentscheidungen zu verbessern. KI hilft dem System dabei, relevante visuelle Punkte zu erkennen, Störinformationen herauszufiltern und sich an veränderte Bedingungen wie bewegliche Objekte oder wechselnde Lichtverhältnisse anzupassen. Dadurch wird die Karte stabiler und das System arbeitet unter dynamischen Bedingungen in der Praxis zuverlässiger.
