Das autonome Explorieren von gefährlichen Umgebungen erfordert besondere Strategien in der Steuerungsarchitektur von robotischen Systemen. In einem Erkundungsszenario, bei dem der Roboter z.B. auf einem extraterrestrischen Planeten abgesetzt wird und unbekannte Gebiete zur Kartierung befahren soll, kann die Immobilität des Systems das Scheitern der Mission bedeuten. Speziell in abgeschotteten Umgebungen wie Höhlen oder Kratern ist die Aufrechterhaltung des Funkkontakts mit der Basisstation eingeschränkt bzw. nicht möglich. Solche Situationen erfordern ein autonomes Agieren des Roboters, da eine externe Steuerung ausgeschlossen ist. Aktuelle perzeptive Systeme messen trotz einer Vielzahl an Sensoren nur inakkurat, was zu falschen Interpretationen in der weiteren Datenverarbeitung führen kann. Diese Differenz zwischen Realität und Messung kann zu kritischen Abweichungen in der Lokomotion führen. Dabei handelt es sich beispielsweise um die Aktion „geradeaus fahren”, welche tatsächlich aber durch im Weg liegende Hindernisse nicht ausführbar ist. Somit ist der berechnete Plan des Roboters nicht valide - dies gilt es zu detektieren.
Das beschriebene Problem soll mithilfe von Machine Learning-Verfahren gelöst werden. Entwickelte Komponenten zur Klassifikation des Fehlerzustandes kommen auf den Robotern Crex und Asguard zum Einsatz.