LiDAR & SLAM erklärt: Wie autonome Reinigungsroboter wirklich navigieren

Wer vor zehn Jahren einen Saugroboter durchs Wohnzimmer fahren sah, kennt das Bild: Das Gerät rammt eine Wand, dreht sich, fährt in eine andere Richtung, rammt die nächste Wand. Kein Plan, keine Karte – nur Stoßsensoren, Infrarot und Zufall. Diese frühen Modelle kannten ihre Umgebung nicht, sie ertasteten sie bei jeder Kollision neu.

Wer heute einen professionellen Reinigungsroboter durch eine große Lagerhalle fahren sieht, sieht etwas fundamental anderes: eine Maschine, die weiß, wo sie ist, wohin sie muss, und welche Hindernisse morgen an anderer Stelle stehen als heute. Der Sprung dazwischen heißt SLAM – Simultaneous Localization and Mapping – meist in Kombination mit LiDAR-Sensorik. Was in Datenblättern gerne als Buzzword-Kombination auftaucht, lässt sich mit ein paar klaren Prinzipien erklären. Und die Technik hat, entgegen mancher Hochglanz-Broschüre, auch heute noch reale Grenzen, die für die Kaufentscheidung relevant sind.

Wie SLAM technisch funktioniert

SLAM beschreibt kein einzelnes Bauteil, sondern einen fortlaufenden Rechenprozess, der vier Schritte immer wieder durchläuft.

Punktwolke: Ein LiDAR-Sensor sendet in schneller Folge Laserpulse aus und misst, wie lange sie brauchen, um von Oberflächen zurückzuprallen. Aus tausenden solcher Distanzmessungen entsteht eine Punktwolke – eine räumliche Momentaufnahme der Umgebung, mehrmals pro Sekunde neu aufgenommen.

Odometrie: Zwischen zwei solchen Scans muss der Roboter einschätzen, wie weit und in welche Richtung er sich bewegt hat – etwa über Radumdrehungen, Trägheitssensoren oder Bildvergleiche. Diese Schätzung ist nie exakt; jede Messung enthält einen kleinen Fehler.

Update-Zyklus: Scannen, Bewegung schätzen, Position und Karte aktualisieren, auf Wiedererkennung prüfen – dieser Zyklus läuft kontinuierlich und mehrfach pro Sekunde.

Loop Closure: Kehrt der Roboter zu einem bereits kartierten Ort zurück, erkennt das System das und nutzt die Wiedererkennung, um alle bisherigen Positionsschätzungen rückwirkend zu korrigieren. Ohne diesen Korrekturmechanismus würde sich die Karte durch aufsummierte Messfehler zunehmend verziehen.

Die Auto-Analogie: Tesla vs. Waymo

Die Frage, wie viel Sensorik ein autonomes System wirklich braucht, ist keine neue – und aus dem autonomen Fahren gibt es dafür ein aufschlussreiches Beispiel. Tesla setzt bewusst auf reine Kamera-Sensorik (rund 400 US-Dollar Materialkosten pro Fahrzeug) und verfolgt damit einen kartenarmen Ansatz, der ohne aufwendig vorab erstellte Karten auskommen soll. Waymo betreibt dagegen einen kommerziellen Fahrdienst ganz ohne Sicherheitsfahrer, mittlerweile in mehr als zehn US-Städten, und stützt sich dabei auf präzise vorkartierte Betriebsgebiete kombiniert mit Kamera, LiDAR und Radar – für geschätzt rund 12.700 US-Dollar Sensorik pro Fahrzeug (Quelle: Contrary Research). Zwei unterschiedliche technische Philosophien mit jeweils eigener Begründung – kartenarm und kamerazentriert versus kartenintensiv und sensorredundant.

Diese Debatte lässt sich nicht eins zu eins auf Reinigungsroboter übertragen – belastbare Zahlen, die Automotive-LiDAR-Präzision direkt mit der Genauigkeit von Reinigungsroboter-Sensorik vergleichen, gibt es nicht. Strukturell aber begegnet einem in der professionellen Reinigungsrobotik dieselbe Grundfrage: Reicht ein einzelner, günstigerer Sensortyp – oder braucht es die Redundanz mehrerer sich ergänzender Systeme?

Ehrliche Grenzen der Technik

Drift – der aufsummierte Fehler

Jede einzelne Positionsschätzung im SLAM-Prozess enthält einen kleinen Fehler – oft nur wenige Zentimeter. Über hunderte Messungen summiert sich das jedoch zu spürbaren Abweichungen. Ohne Loop Closure oder andere Korrekturmechanismen "verläuft" sich die Karte eines Roboters mit der Zeit zunehmend.

Bewegte Umgebungen

Klassische SLAM-Systeme gehen implizit von einer statischen Welt aus. Menschen, Wagen oder andere bewegte Objekte erzeugen instabile Merkmalspunkte, die das System fälschlich als feste Umgebung interpretieren kann – mit Folgen für Karte und Pfadplanung. Wie groß dieser Effekt ohne Gegenmaßnahmen ausfallen kann, zeigt eine 2025 in Nature Scientific Reports veröffentlichte Studie: Ein Algorithmus zur Filterung dynamischer Objekte reduzierte den Bahnfehler in gering-dynamischen Szenen um bis zu 96,84 Prozent.

Spiegel und Glas

Ein in Gebäuden alltägliches, aber wenig bekanntes Problem: Laserpulse durchdringen Glasflächen oft vollständig – der Sensor registriert, was dahinter liegt, nicht die Scheibe selbst. Spiegel und poliertes Metall lenken den Lichtstrahl vom Empfänger weg und erzeugen "Phantom-Hindernisse" oder blinde Flecken. Eine experimentelle Studie (MDPI Applied Sciences) beschreibt sogar einen Fall, in dem ein Roboter sein eigenes Spiegelbild als Hindernis interpretierte. Das Problem verschärft sich mit der Zahl der Spiegel- und Glasflächen im Raum – relevant etwa in Lobbys, Büros, Krankenhäusern oder stark verglasten Verkaufsflächen.

Praxisbeispiel – dynamisch und reflektierend zugleich: Besonders anspruchsvoll wird es, wenn sich bewegte Objekte und reflektierende Oberflächen überschneiden – etwa in Autohäusern, wo Reinigungsroboter zwischen wechselnden, glänzend lackierten Fahrzeugen navigieren müssen. In solchen Umgebungen hat sich in der Praxis 3D-LiDAR als bevorzugte Wahl etabliert, da es bei der dynamischen Erkennung auf spiegelnden Flächen die höchste Zuverlässigkeit bietet. Zusätzlich wird trotz präzisen Mappings meist mit virtuellen Sperrzonen um die festen Fahrzeug-Stellplätze gearbeitet – nicht weil das Kontaktrisiko hoch wäre, sondern um es bei hochwertigem Inventar vollständig auszuschließen. (Upgrade Robotics, eigene Praxiserfahrung)

Lichtverhältnisse

Hier unterscheiden sich die Sensortypen deutlich: Visuelle SLAM-Systeme, die primär auf Kameras basieren, haben bei Dunkelheit oder texturarmen Flächen Schwierigkeiten. LiDAR-basierte Systeme arbeiten unabhängig vom Umgebungslicht. Diese Einschätzung stammt von SLAMTEC, einem LiDAR-Hersteller – der technische Grundmechanismus ist unabhängig plausibel, die konkrete Quelle hat aber ein wirtschaftliches Eigeninteresse an dieser Einordnung.

Große Flächen

Wie zuverlässig SLAM auf sehr großen Flächen bleibt, wird unterschiedlich eingeschätzt. Ein unabhängiges Forschungsprojekt (OST) kommt zu dem Ergebnis, dass klassische SLAM-Navigation ab etwa 10.000 Quadratmetern zunehmend unzuverlässig wird. Gausium* gibt für sein Modell Beetle dagegen bis zu 60.000 Quadratmeter an. Diese Diskrepanz lässt sich mit den vorliegenden Quellen nicht abschließend auflösen – mögliche Erklärungsansätze sind unterschiedliche Testbedingungen und Flächenlayouts (offene Hallenfläche vs. verwinkelter, hindernisreicher Grundriss), unterschiedliche Definitionen von „zuverlässig" oder der Einsatz zusätzlicher Assistenzsysteme, die in Herstellerangaben nicht immer transparent gemacht werden. Für die Praxis heißt das: Herstellerangaben zur maximalen Flächengröße sollten nicht unkritisch übernommen, sondern nach Möglichkeit am eigenen, konkreten Layout überprüft werden.

Mehrere Stockwerke

Die zuverlässige Interaktion mit Aufzügen und die Navigation über mehrere Stockwerke hinweg gelten in der aktuellen Forschung (2025/26) weiterhin als aktives, ungelöstes Feld – nicht als etabliertes Alltagsfeature.

Marktlandschaft heute

Wie viel und welche Sensorik ein Reinigungsroboter mitbringt, unterscheidet sich nicht nur zwischen Herstellern, sondern teils auch innerhalb eines Herstellerportfolios, je nach Preisklasse und Einsatzzweck:

Gausium kombiniert grundsätzlich LiDAR und Kamera, in unterschiedlicher Tiefe: Der Scrubber 50 nutzt 2D-LiDAR plus Kameras, während das Modell Mira laut Hersteller über mehr als 20 Sensoren verfügt – 3D-LiDAR, 2D-Laser, 3D-Kameras und Millimeterwellen-Radar.

Pudu setzt mit "VSLAM+" auf eine Kombination aus LiDAR und visueller Sensorik.

ADLATUS positioniert sich bewusst als kamerafreier Anbieter – LiDAR-only, unter anderem mit Verweis auf Datenschutz-Aspekte.

KEENON Robotics (China), laut IDC-Ranking weltweite Nummer eins im kommerziellen Serviceroboter-Markt, setzt beim Modell C55 auf eine Kombination aus LiDAR und Stereo-Vision.

Avidbots (Kanada) kombiniert LiDAR mit weiteren 3D-Sensoren; zu den Referenzkunden zählen laut eigenen Angaben unter anderem DHL sowie mehrere Flughäfen.

Ein Sonderfall ist das Ökosystem rund um Brain Corp: Das US-Unternehmen entwickelt selbst keine eigenen Roboter, sondern liefert mit BrainOS die Navigationssoftware für Hardware anderer Marken – darunter Tennant, Nilfisk, Minuteman und teilweise SoftBank Robotics' Whiz. Nicht jeder Hersteller entwickelt also seinen eigenen SLAM-Stack; manche lizenzieren ihn.

Trend: sinkende Einrichtungskomplexität

Ein Muster, das sich über mehrere aktuelle Modelle hinweg beobachten lässt: Der Aufwand für Ersteinrichtung und Kartierung sinkt tendenziell. Gausium bewirbt sein Modell Mira etwa mit einem "Drop & Go Auto Deployment" – laut Hersteller ohne separates professionelles Mapping oder komplexe Konfiguration, wobei sich die Karte bei Layoutänderungen in Echtzeit anpassen soll. Das ist eine Herstellerangabe, keine unabhängig verifizierte Messung – aber ein aktuelles, konkretes Beispiel für die Richtung, in die sich der Implementierungsaufwand branchenweit zu entwickeln scheint.

LiDAR-only oder Sensorfusion: Entscheidungskriterium für die Praxis

Für Betreiber, die zwischen Modellen mit unterschiedlicher Sensorphilosophie wählen, lohnt sich weniger die Frage "Wie viele Sensoren sind mehr?" als eine an den eigenen Einsatzort angepasste Betrachtung:

Layout und Flächengröße: Große, wenig strukturierte Flächen stellen andere Anforderungen an Kartierung und Loop Closure als kleinteilige, verwinkelte Grundrisse.

Glas- und Spiegelanteil: Räume mit viel Verglasung oder Spiegeln (Lobbys, Verkaufsflächen, Krankenhausflure) sind ein Umfeld, in dem LiDAR-only-Systeme an die oben beschriebenen Grenzen stoßen können – hier kann zusätzliche Kamerasensorik einen praktischen Unterschied machen.

Lichtverhältnisse: Wechselnde oder schwache Beleuchtung spricht tendenziell für LiDAR-gestützte statt rein kamerabasierte Navigation.

Redundanzbedarf: Je kritischer der störungsfreie Betrieb (etwa in Bereichen mit hohem Personenaufkommen), desto eher rechtfertigt sich der Mehraufwand einer Sensorfusion – analog zur Waymo-Logik im Auto-Vergleich weiter oben.

Es gibt keine universell "richtige" Sensorphilosophie – nur eine, die zum jeweiligen Einsatzort passt oder nicht.

Fazit

Der Weg vom bumpernden Heimroboter zur sensorfusionierten Reinigungsmaschine ist kein linearer Fortschritt hin zu "immer mehr Sensorik", sondern eine Ausdifferenzierung: Verschiedene Hersteller treffen unterschiedliche, jeweils begründbare Entscheidungen darüber, welche Grenzen sie in Kauf nehmen und welche nicht. Wer einen Reinigungsroboter für die eigene Fläche auswählt, trifft im Kern dieselbe Entscheidung im Kleinen.

Hinweis zur Transparenz: Gausium und Pudu gehören zum Vertriebsportfolio von Upgrade Robotics. Die Nennung von Herstellern und Produkten in diesem Artikel folgt ausschließlich redaktionellen Kriterien und stellt keine Kaufempfehlung dar.