Etter hvert som roboter blir mer selvforsynte, må de navigere i omgivelsene med større uavhengighet og pålitelighet. Autonome traktorer, landbrukshøstere og såmaskiner må forsiktig ta seg gjennom avlingsfeltene mens selvkjørende leveringskjøretøyer må trygt krysse gatene for å plassere pakkene på riktig sted. På tvers av et bredt spekter av applikasjoner krever autonome mobile roboter (AMR) svært nøyaktige kilder til posisjonering for å trygt og vellykket fullføre jobbene de er designet for.
Å oppnå en slik presisjon krever to sett med plasseringsevner. Den ene er å forstå den relative plasseringen av seg selv til andre objekter. Dette gir kritiske innspill for å forstå verden rundt seg og, i det mest åpenbare tilfellet, unngå hindringer som er både stasjonære og under bevegelse. Denne dynamiske manøvreringen krever en omfattende stabel med navigasjonssensorer som kameraer, radar, lidar og støtteprogramvaren for å behandle disse signalene og gi sanntidsretning til AMR.
Det andre settet med funksjoner er for AMR å forstå sin nøyaktige fysiske plassering (eller absolutte plassering) i verden, slik at den nøyaktig og gjentatte ganger kan navigere en bane som ble programmert inn i enheten. En åpenbar brukssak her er høypresisjonslandbruk, der ulike AMR-er må reise nedover den samme smale banen i løpet av mange måneder for å plante, vanne og høste avlinger, med hver passering som krever at AMR-en refererer til det samme nøyaktige stedet hver gang .
Dette krever et annet sett med navigasjonsevner, som starter med Global Navigation Satellite Systems (GNSS), som hele økosystemet av sensorer og programvare utnytter. Augmenting GNSS er korreksjonsfunksjoner som RTK og SSR som hjelper til med å drive 100 ganger høyere presisjon enn GNSS alene for open-sky-applikasjoner, og treghetsmålingsenheter kombinert med sensorfusjonsprogramvare for navigering der GNSS ikke er tilgjengelig (dead reckoning).
Før vi dykker ned i disse teknologiene, la oss bruke et minutt på å se på brukstilfeller der både relative og absolutte lokasjoner kreves for at en AMR skal gjøre jobben sin.
Robotapplikasjoner som krever relativ og absolutt posisjonering
AMR-er avslører hva mennesker tar for gitt - den medfødte evnen til nøyaktig å lokalisere seg selv i verden og ta presise handlinger basert på den informasjonen. Jo mer varierte applikasjonene for AMR-er er, jo mer oppdager vi hvilke typer handlinger som krever ekstrem presisjon. Noen eksempler inkluderer:
Landbruksautomatisering: I landbruket blir AMR-er stadig mer vanlig for oppgaver som planting, høsting og avlingsovervåking. Disse robotene bruker absolutt posisjonering, typisk gjennom GPS, for å navigere store og ofte ujevne felt med presisjon. Dette sikrer at de kan dekke store områder systematisk og returnere til bestemte steder etter behov. En gang i nærheten av avlinger eller innenfor et bestemt område, er imidlertid AMR-er avhengige av relativ posisjonering for oppgaver som krever et høyere nivå av nøyaktighet, for eksempel å plukke frukt som kan ha vokst eller endret posisjon siden AMR-en sist besøkte den. Ved å kombinere begge posisjoneringsmetodene kan disse robotene operere effektivt i de utfordrende og varierende miljøene som er typiske for jordbruksmark.
Last-mile-levering i urbane omgivelser: AMR-er forvandler siste mils levering i urbane miljøer ved autonomt å transportere varer fra distribusjonssentre til endelige destinasjoner. Disse robotene bruker absolutt posisjonering for å navigere i bygater, smug og komplekse byoppsett, og sikrer at de følger optimaliserte ruter samtidig som de unngår trafikk og overholder leveringsplaner. Når de når i nærheten av leveringsstedet, vil AMR-ene også bruke relativ posisjonering for å manøvrere rundt variable eller uventede hindringer, for eksempel et kjøretøy som er dobbeltparkert på gaten. Denne doble tilnærmingen gjør det mulig for AMR-ene å håndtere vanskelighetene i urbane landskap og foreta presise leveranser direkte til kundenes dørstokker.
Byggeplassautomatisering: På byggeplasser brukes AMR-er for å sikre at prosjektet bygges til de nøyaktige spesifikasjonene som ble utpekt av ingeniørene. De hjelper også med oppgaver som transport av materialer og kartlegging eller kartlegging av miljøer. Disse nettstedene spenner ofte over store områder med konstant skiftende miljøer, og krever at AMR-er bruker absolutt posisjonering for å navigere og opprettholde orienteringen innenfor det totale prosjektstedet. Relativ posisjonering spiller inn når AMR-er utfører oppgaver som krever interaksjon med dynamiske elementer, for eksempel å unngå annet utstyr eller til og med personell på stedet. Kombinasjonen av begge posisjoneringssystemene gjør at AMR-er effektivt kan bidra til den komplekse og dynamiske naturen til byggeprosjekter, noe som øker effektiviteten og sikkerheten.
Autonomt veivedlikehold: AMR-er brukes i økende grad i veivedlikeholdsoppgaver som fortausinspeksjon, sprekkforsegling og linjemaling. Disse robotene bruker absolutt posisjonering for å reise langs motorveier eller veier, og sikrer at de holder kurs over lange avstander og kan nøyaktig fange opp de spesifikke stedene der vedlikehold må skje. Når de utfører disse vedlikeholdsoppgavene, bytter de til relativ posisjonering for nøyaktig å identifisere og adressere spesifikke veifeil, male kjørefeltmarkeringer med presisjon eller navigere rundt hindringer. Denne doble funksjonen gjør at AMR-er effektivt kan håndtere veivedlikeholdsoppgaver samtidig som de reduserer behovet for menneskelige arbeidere til å operere i farlige veikantmiljøer, og forbedrer sikkerheten og produktiviteten.
Miljøovervåking og bevaring: I utendørsmiljøer blir AMR-er ofte utplassert for miljøovervåking og bevaringstiltak som sporing av dyreliv, forurensningsdeteksjon og habitatkartlegging. Disse robotene utnytter absolutt posisjonering for å navigere i store naturområder, fra skoger til kystregioner, og sikrer omfattende dekning av terrenget og muliggjør fangst av detaljerte områdeundersøkelser og kartlegging. AMR-er kan utføre oppgaver som å ta bilder med høy oppløsning, samle prøver eller spore dyrebevegelser med presis nøyaktighet og kan legge disse prøvene over tid på en sammenhengende måte.
I alle eksemplene ovenfor kreves absolutt posisjoneringsnøyaktighet på mye mindre enn en meter for å unngå potensielt katastrofale konsekvenser. Arbeiderskader, betydelige produkttap og kostbare forsinkelser er sannsynligvis uten nøyaktig plassering. I hovedsak vil hvor som helst en AMR trenger å operere innen noen få centimeter kreve at den har både relative og absolutte lokasjonsløsninger.
Teknologi for relativ posisjonering
AMR-er utnytter en rekke sensorer for å lokalisere seg selv i forhold til andre objekter i miljøet. Disse inkluderer:
Kameraer: Kameraer fungerer som de visuelle sensorene til autonome mobile roboter, og gir dem et umiddelbar bilde av omgivelsene på samme måte som menneskelige øyne fungerer. Disse enhetene fanger opp rik visuell informasjon som roboter kan bruke til gjenstandsdeteksjon, unngåelse av hindringer og kartlegging av miljøet. Kameraer er imidlertid avhengige av tilstrekkelig belysning og kan bli hemmet av ugunstige værforhold som tåke, regn eller mørke. For å møte disse begrensningene, er kameraer ofte sammenkoblet med nær-infrarøde sensorer eller utstyrt med nattsynsfunksjoner, som lar robotene se under dårlige lysforhold. Kameraer er en nøkkelkomponent i visuell odometri, en prosess der endringer i posisjon over tid beregnes ved å analysere sekvensielle kamerabilder. Generelt krever kameraer alltid betydelig behandling for å konvertere 2-D-bildene til 3-D-strukturer.
Radarsensorer: Radarsensorer fungerer ved å sende ut pulserende radiobølger som reflekterer objekter, og gir informasjon om objektets hastighet, avstand og relative posisjon. Denne teknologien er robust og kan fungere effektivt under ulike miljøforhold, inkludert regn, tåke og støv, der kameraer og lidar kan slite. Imidlertid tilbyr radarsensorer vanligvis sparsommere data og lavere oppløsning sammenlignet med andre sensortyper. Til tross for dette er de uvurderlige for deres pålitelighet når det gjelder å oppdage hastigheten til objekter i bevegelse, noe som gjør dem spesielt nyttige i dynamiske miljøer der det er avgjørende å forstå bevegelsen til andre enheter.
Lidar sensorer: Lidar, eller Light Detection and Ranging, er en sensorteknologi som bruker laserpulser til å måle avstander ved å tidsbestemme refleksjon av lys fra objekter. Ved å skanne miljøet med raske laserpulser, lager lidar svært nøyaktige, detaljerte 3D-kart over omgivelsene. Dette gjør den til et essensielt verktøy for simultan plassering og kartlegging (SLAM), der roboten bygger et kart over et ukjent miljø mens den holder styr på plasseringen innenfor det kartet. lidar er kjent for sin presisjon og evne til å fungere godt under ulike lysforhold, selv om den kan være mindre effektiv i regn, snø eller tåke, hvor vanndråper kan spre laserstrålene. Til tross for at det er en dyr teknologi, er lidar foretrukket i autonom navigering på grunn av nøyaktigheten og påliteligheten i komplekse miljøer.
Ultralydsensorer: Ultralydsensorer fungerer ved å sende ut høyfrekvente lydbølger som spretter av objekter i nærheten, med sensoren som måler tiden det tar før ekkoet kommer tilbake. Dette lar roboten beregne avstanden til gjenstander og hindringer i veien. Disse sensorene er spesielt nyttige for kortdistansedeteksjon og brukes ofte i langsomme aktiviteter på nært hold, som for eksempel å navigere innenfor trange områder som lagerganger, eller for presise manøvrer som dokking eller sikkerhetskopiering. Ultralydsensorer er kostnadseffektive og fungerer godt under en rekke forhold, men deres begrensede rekkevidde og langsommere responstid sammenlignet med lidar og kameraer betyr at de er best egnet for spesifikke, kontrollerte miljøer der høy presisjon i nærheten er nødvendig.
Grunnlinjeteknologien som brukes for absolutt posisjonering starter med GNSS (begrepet som inkluderer GPS og andre satellittsystemer som GLONASS, Galileo og BeiDou). Gitt at GNSS påvirkes av atmosfæriske forhold og satellitt-inkonsekvenser, kan det gi en posisjonsløsning som er mange meter av. For AMR-er som krever mer presis navigasjon, er dette ikke godt nok – dermed fremveksten av en teknologi kjent som GNSS-korreksjoner som begrenser denne feilen til så lavt som én centimeter.
RTK: Sanntidskinematisk (RTK) bruker et nettverk av basestasjoner med kjente posisjoner som referansepunkter for å korrigere GNSS-mottakerplasseringsestimater. Så lenge AMR er innenfor 50 kilometer fra en basestasjon og har en pålitelig kommunikasjonsforbindelse, kan RTK gi pålitelig 1–2-centimeters nøyaktighet.
SSR eller PPP-RTK: State Space Representation (SSR), som også noen ganger kalles PPP-RTK, utnytter informasjon fra basestasjonsnettverket, men i stedet for å sende rettelser direkte fra en lokal basestasjon, modellerer den feilene over et bredt geografisk område. Resultatet er bredere dekning tillater avstander langt utover 50 km fra en basestasjon, men nøyaktigheten faller til 3-10 centimeter eller mer avhengig av tettheten og kvaliteten på nettverket.
Mens disse to tilnærmingene fungerer eksepsjonelt bra der GNSS-signaler er tilgjengelige (vanligvis åpen himmel), vil mange AMR-er reise bort fra åpen himmel, der det er en hindring mellom GNSS-mottakeren på AMR og himmelen. Dette kan skje i tunneler, parkeringshus, frukthager og bymiljøer. Det er her Inertial Navigation Systems (INS) kommer inn i bildet med deres Inertial Measurement Unit (IMU) og Sensor Fusion-programvare.
IMU– En IMU kombinerer akselerometre, gyroskoper og noen ganger magnetometre for å måle henholdsvis et systems lineære akselerasjon, vinkelhastighet og magnetfeltstyrke. Dette er viktige data som gjør det mulig for en INS å bestemme posisjonen, hastigheten og orienteringen til et objekt i forhold til et utgangspunkt i sanntid.
Historien til IMU går tilbake til tidlig på 1900-tallet, med røtter i utviklingen av gyroskopiske enheter brukt i navigasjonssystemer for skip og fly. De første praktiske IMU-ene ble utviklet under andre verdenskrig, først og fremst for bruk i missilstyringssystemer og senere i romprogrammet. Apollo-oppdragene var for eksempel sterkt avhengige av IMU-er for navigering i rommet, der tradisjonelle navigasjonsmetoder ikke var gjennomførbare. I løpet av tiårene har IMU-teknologien utviklet seg betydelig, drevet av miniatyriseringen av elektroniske komponenter og bruken av Micro-Electro-Mechanical Systems (MEMS) teknologi på slutten av 1900-tallet. Denne utviklingen har ført til mer kompakte, rimelige og nøyaktige IMU-er, som muliggjør integrering av dem i et bredt spekter av forbrukerelektronikk, bilsystemer og industrielle applikasjoner i dag.
Sensor Fusion– Sensorfusjonsprogramvare er ansvarlig for å kombinere data fra IMU, så vel som andre sensorer for å skape en sammenhengende og nøyaktig forståelse av en AMRs absolutte plassering når GNSS ikke er tilgjengelig. De mest grunnleggende implementeringene "fyller ut hullene" i sanntid, mellom når GNSS-signalet slippes og når det blir plukket opp igjen av AMR. Nøyaktigheten til sensorfusjonsprogramvare avhenger av flere faktorer, inkludert kvaliteten og kalibreringen av sensorene som er involvert, algoritmene som brukes for fusjon, og den spesifikke applikasjonen eller miljøet den er distribuert i. Mer sofistikert sensorfusjonsprogramvare er i stand til å krysskorrelere forskjellige sensormodaliteter, noe som resulterer i overlegen posisjonsnøyaktighet enn fra noen av sensorene i løsningen som fungerer alene.
RTK for GNSS gir en svært nøyaktig kilde til absolutt plassering for autonome roboter. Uten RTK er imidlertid mange robotapplikasjoner rett og slett ikke mulige eller praktiske. Fra byggeundersøkelsesrovere til autonome leveringsdroner og autonome landbruksverktøy, er mange AMR-er avhengige av den centimeternøyaktige absolutte posisjoneringen som bare RTK kan gi.
Når det er sagt, er en RTK-løsning bare så god som nettverket bak. Konsekvent pålitelige korreksjoner krever et svært tett nettverk av basestasjoner slik at mottakerne alltid er innenfor nær nok rekkevidde for nøyaktige feilrettinger. Jo større nettverket er, desto lettere er det å få korrigeringer for AMR-er hvor som helst. Tetthet alene er ikke den eneste faktoren. Nettverk er svært kompliserte sanntidssystemer og krever profesjonell overvåking, kartlegging og integritetskontroll for å sikre at dataene som sendes til AMR er nøyaktige og pålitelige.
Hva betyr alt dette for utviklerne av autonome roboter? I det minste når det gjelder utendørsapplikasjoner, er ingen AMR komplett uten en RTK-drevet GNSS-mottaker. For en mest mulig nøyaktig løsning bør utviklere stole på det tetteste og mest pålitelige RTK-nettverket. Og der roboter ofte må bevege seg inn og ut av ideelle GNSS-signalmiljøer, som for et selvkjørende leveringskjøretøy, gir RTK kombinert med en IMU den mest omfattende kilden til absolutt posisjonering tilgjengelig.
Ingen to autonome robotapplikasjoner er like, og hvert unike oppsett krever sin egen blanding av relativ og absolutt posisjonsinformasjon. For morgendagens utendørs AMR-er er imidlertid GNSS med et robust RTK-korreksjonsnettverk en viktig komponent i sensorstakken.