När robotar blir mer självförsörjande- måste de navigera i sin omgivning med större oberoende och tillförlitlighet. Autonoma traktorer, jordbruksskördare och såmaskiner måste försiktigt ta sig fram genom odlingsfält medan självkörande leveransfordon måste passera gatorna på ett säkert sätt för att placera paket på rätt plats. För ett brett spektrum av applikationer kräver autonoma mobila robotar (AMR) mycket exakta positioneringskällor för att säkert och framgångsrikt slutföra de jobb som de är designade för.
För att uppnå sådan precision krävs två uppsättningar av lokaliseringsmöjligheter. En är att förstå den relativa positionen av sig själv till andra objekt. Detta ger kritisk input för att förstå omvärlden och i det mest uppenbara fallet undvika hinder som är både stillastående och under rörelse. Denna dynamiska manövrering kräver en omfattande stapel av navigeringssensorer som kameror, radar, lidar och den stödjande programvaran för att bearbeta dessa signaler och ge AMR:n i realtid.
Den andra uppsättningen funktioner är för AMR att förstå sin exakta fysiska plats (eller absoluta plats) i världen så att den exakt och upprepade gånger kan navigera en väg som programmerats in i enheten. Ett uppenbart användningsfall här är högprecisionsjordbruk, där olika AMR:er måste färdas längs samma smala väg under loppet av många månader för att plantera, bevattna och skörda grödor, med varje pass som kräver att AMR refererar till samma exakta plats varje gång.
Detta kräver en annan uppsättning av navigationsmöjligheter, till att börja med Global Navigation Satellite Systems (GNSS), som hela ekosystemet av sensorer och mjukvara utnyttjar. Förstärkande GNSS är korrigeringsfunktioner som RTK och SSR som hjälper till att driva 100 gånger högre precision än GNSS enbart för open-sky-applikationer, och tröghetsmätenheter i kombination med sensorfusionsprogramvara för att navigera där GNSS inte är tillgängligt (dödräkning).
Innan vi dyker in i dessa teknologier, låt oss ägna en minut åt att titta på användningsfall där både relativa och absoluta platser krävs för att en AMR ska göra sitt jobb.
Robotapplikationer som kräver relativ och absolut positionering
AMR:er avslöjar vad människor tar för givet - den medfödda förmågan att exakt lokalisera sig själv i världen och vidta exakta åtgärder baserat på den informationen. Ju mer varierande applikationerna är för AMR, desto mer upptäcker vi vilka typer av åtgärder som kräver extrem precision. Några exempel inkluderar:
Jordbruksautomation: Inom jordbruket blir AMR allt vanligare för uppgifter som plantering, skörd och övervakning av grödor. Dessa robotar använder absolut positionering, vanligtvis genom GPS, för att navigera i stora och ofta ojämna fält med precision. Detta säkerställer att de kan täcka stora områden systematiskt och återvända till specifika platser efter behov. Men en gång i närheten av grödor eller inom ett angivet område förlitar sig AMR:er på relativ positionering för uppgifter som kräver en högre nivå av noggrannhet, som att plocka frukt som kan ha växt eller ändrat position sedan AMR:en senast besökte den. Genom att kombinera båda positioneringsmetoderna kan dessa robotar arbeta effektivt i de utmanande och varierande miljöer som är typiska för jordbruksfält.
Senaste-mileleverans i stadsmiljöer: AMR:er förvandlar sista-mileleveranser i stadsmiljöer genom att självständigt transportera varor från distributionscentra till slutdestinationer. Dessa robotar använder absolut positionering för att navigera i stadens gator, gränder och komplexa urbana layouter, och säkerställer att de följer optimerade rutter samtidigt som de undviker trafik och följer leveransscheman. När de når närheten av leveransplatsen kommer AMR:erna också att använda relativ positionering för att manövrera runt varierande eller oväntade hinder, såsom ett fordon som är dubbelparkerat på gatan. Detta dubbla tillvägagångssätt gör det möjligt för AMR:erna att hantera invecklade stadslandskap och göra exakta leveranser direkt till kundernas tröskel.
Byggplatsautomation: På byggarbetsplatser används AMR för att säkerställa att projektet byggs enligt de exakta specifikationer som utsetts av ingenjörerna. De hjälper också till med uppgifter som transport av material och kartläggning eller kartläggning av miljöer. Dessa platser sträcker sig ofta över stora områden med ständigt föränderliga miljöer, vilket kräver att AMR:er använder absolut positionering för att navigera och bibehålla orientering inom den övergripande projektplatsen. Relativ positionering spelar in när AMR:er utför uppgifter som kräver interaktion med dynamiska element, som att undvika annan utrustning eller till och med personal på platsen. Kombinationen av båda positioneringssystemen gör att AMR:er effektivt kan bidra till byggprojektens komplexa och dynamiska karaktär, vilket ökar effektiviteten och säkerheten.
Autonomt vägunderhåll: AMR används i allt större utsträckning i vägunderhållsuppgifter som trottoarinspektion, sprickförsegling och linjemålning. Dessa robotar använder absolut positionering för att färdas längs motorvägar eller vägar, vilket säkerställer att de håller kursen över långa avstånd och kan exakt fånga de specifika platser där underhåll behöver ske. När de utför dessa underhållsuppgifter växlar de till relativ positionering för att exakt identifiera och åtgärda specifika vägfel, måla körfältsmarkeringar med precision eller navigera runt hinder. Denna dubbla förmåga tillåter AMR:er att effektivt hantera vägunderhållsuppgifter samtidigt som de minskar behovet för mänskliga arbetare att arbeta i farliga miljöer vid vägkanten, vilket förbättrar säkerheten och produktiviteten.
Miljöövervakning och bevarande: I utomhusmiljöer används AMR ofta för miljöövervakning och bevarandeinsatser såsom spårning av vilda djur, upptäckt av föroreningar och kartläggning av habitat. Dessa robotar utnyttjar absolut positionering för att navigera i stora naturområden, från skogar till kustområden, vilket säkerställer en omfattande täckning av terrängen och möjliggör infångning av detaljerade platsundersökningar och kartläggning. AMR:er kan utföra uppgifter som att ta bilder med hög-upplösning, samla in prover eller spåra djurrörelser med stor noggrannhet och kan överlappa dessa prover över tid på ett sammanhängande sätt.
I alla ovanstående exempel krävs en absolut positioneringsnoggrannhet på mycket mindre än en meter för att undvika potentiellt katastrofala konsekvenser. Arbetsskador, betydande produktförluster och kostsamma förseningar är sannolikt utan exakt plats. I grund och botten, var som helst en AMR behöver arbeta inom några få centimeter kommer det att kräva att den har både relativa och absoluta lokaliseringslösningar.
Teknik för relativ positionering
AMR:er utnyttjar ett antal sensorer för att lokalisera sig själva i förhållande till andra objekt i sin omgivning. Dessa inkluderar:
Kameror: Kameror fungerar som de visuella sensorerna för autonoma mobila robotar och ger dem en omedelbar bild av sin omgivning som liknar hur mänskliga ögon fungerar. Dessa enheter fångar rik visuell information som robotar kan använda för objektdetektering, undvikande av hinder och miljökartläggning. Men kameror är beroende av tillräcklig belysning och kan hämmas av ogynnsamma väderförhållanden som dimma, regn eller mörker. För att komma till rätta med dessa begränsningar är kameror ofta ihopkopplade med nära-infraröda sensorer eller utrustade med mörkerseende, vilket gör att robotarna kan se i svaga-ljusförhållanden. Kameror är en nyckelkomponent i visuell odometri, en process där förändringar i position över tiden beräknas genom att analysera sekventiella kamerabilder. I allmänhet kräver kameror alltid betydande bearbetning för att konvertera sina 2-D-bilder till 3-D-strukturer.
Radarsensorer: Radarsensorer fungerar genom att sända ut pulserande radiovågor som reflekteras från föremål, vilket ger information om föremålets hastighet, avstånd och relativa position. Denna teknik är robust och kan fungera effektivt i olika miljöförhållanden, inklusive regn, dimma och damm, där kameror och lidar kan kämpa. Men radarsensorer erbjuder vanligtvis glesare data och lägre upplösning jämfört med andra sensortyper. Trots detta är de ovärderliga för sin tillförlitlighet när det gäller att upptäcka hastigheten hos rörliga föremål, vilket gör dem särskilt användbara i dynamiska miljöer där förståelse av andra entiteters rörelser är avgörande.
Lidar sensorer: Lidar, eller Light Detection and Ranging, är en sensorteknik som använder laserpulser för att mäta avstånd genom att tajma reflektionen av ljus från föremål. Genom att skanna omgivningen med snabba laserpulser skapar lidar mycket exakta, detaljerade 3D-kartor över omgivningen. Detta gör den till ett viktigt verktyg för simultan lokalisering och kartläggning (SLAM), där roboten bygger en karta över en okänd miljö samtidigt som den håller reda på sin plats inom kartan. lidar är känt för sin precision och förmåga att fungera bra i olika ljusförhållanden, även om det kan vara mindre effektivt i regn, snö eller dimma, där vattendroppar kan sprida laserstrålarna. Trots att det är en dyr teknik, är lidar favoriserad inom autonom navigering på grund av dess noggrannhet och tillförlitlighet i komplexa miljöer.
Ultraljudssensorer: Ultraljudssensorer fungerar genom att avge hög-ljudvågor som studsar mot närliggande föremål, med sensorn som mäter den tid det tar för ekot att återvända. Detta gör att roboten kan beräkna avståndet till föremål och hinder i dess väg. Dessa sensorer är särskilt användbara för kort-avståndsdetektering och används ofta i långsamma-aktiviteter som att navigera i trånga utrymmen som lagergångar, eller för exakta manövrar som dockning eller backning. Ultraljudssensorer är kostnadseffektiva- och fungerar bra under en mängd olika förhållanden, men deras begränsade räckvidd och långsammare svarstid jämfört med lidar och kameror gör att de är bäst lämpade för specifika, kontrollerade miljöer där hög precision i närheten krävs.
Baslinjetekniken som används för absolut positionering börjar med GNSS (termen som inkluderar GPS och andra satellitsystem som GLONASS, Galileo och BeiDou). Med tanke på att GNSS påverkas av atmosfäriska förhållanden och satellitinkonsekvenser kan det ge en positionslösning som är avstängd med många meter. För AMR:er som kräver mer exakt navigering är detta inte tillräckligt bra – alltså uppkomsten av en teknik som kallas GNSS Corrections som minskar detta fel till så lågt som en centimeter.
RTK: Real-tidskinematisk (RTK) använder ett nätverk av basstationer med kända positioner som referenspunkter för att korrigera GNSS-mottagarens platsuppskattningar. Så länge som AMR är inom 50 kilometer från en basstation och har en pålitlig kommunikationslänk, kan RTK på ett tillförlitligt sätt ge 1–2 centimeters noggrannhet.
SSR eller PPP-RTK: State Space Representation (SSR), som ibland också kallas PPP-RTK, utnyttjar information från basstationsnätverket, men istället för att skicka korrigeringar direkt från en lokal basstation, modellerar den felen över ett stort geografiskt område. Resultatet är en bredare täckning som tillåter avstånd långt över 50 km från en basstation, men noggrannheten sjunker till 3-10 centimeter eller mer beroende på nätverkets täthet och kvalitet.
Även om dessa två tillvägagångssätt fungerar exceptionellt bra där GNSS-signaler är tillgängliga (vanligtvis öppen himmel), kommer många AMR:er att resa bort från den öppna himlen, där det finns ett hinder mellan GNSS-mottagaren på AMR och himlen. Detta kan hända i tunnlar, parkeringshus, fruktträdgårdar och stadsmiljöer. Det är här tröghetsnavigeringssystem (INS) kommer in i bilden med sina tröghetsmätenheter (IMU) och Sensor Fusion-mjukvara.
IMU– En IMU kombinerar accelerometrar, gyroskop och ibland magnetometrar för att mäta ett systems linjäracceleration, vinkelhastighet respektive magnetfältstyrka. Detta är avgörande data som gör det möjligt för en INS att bestämma positionen, hastigheten och orienteringen för ett objekt i förhållande till en startpunkt i realtid-.
IMU:s historia går tillbaka till tidigt 1900-tal, med sina rötter i utvecklingen av gyroskopiska enheter som används i navigationssystem för fartyg och flygplan. De första praktiska IMU:erna utvecklades under andra världskriget, främst för användning i missilstyrningssystem och senare i rymdprogrammet. Apollo-uppdragen, till exempel, förlitade sig mycket på IMU:er för navigering i rymden, där traditionella navigeringsmetoder inte var genomförbara. Under decennierna har IMU-tekniken utvecklats avsevärt, drivet av miniatyriseringen av elektroniska komponenter och tillkomsten av Micro-Electro-Mechanical Systems (MEMS)-teknik i slutet av 1900-talet. Denna utveckling har lett till mer kompakta, prisvärda och exakta IMU:er, vilket möjliggör deras integration i ett brett utbud av hemelektronik, fordonssystem och industriella applikationer idag.
Sensor Fusion– Sensorfusionsmjukvara är ansvarig för att kombinera data från IMU, såväl som andra sensorer för att skapa en sammanhängande och korrekt förståelse av en AMR:s absoluta plats när GNSS inte är tillgängligt. De mest grundläggande implementeringarna "fyller i luckorna" i realtid-, mellan när GNSS-signalen släpps och när den plockas upp igen av AMR. Noggrannheten hos sensorfusionsprogramvara beror på flera faktorer, inklusive kvaliteten och kalibreringen av de involverade sensorerna, de algoritmer som används för sammansmältning och den specifika applikationen eller miljön där den används. Mer sofistikerad mjukvara för sensorfusion kan kors-korrelera olika sensormodaliteter, vilket resulterar i överlägsen positionsnoggrannhet än från någon av sensorerna i lösningen som arbetar ensam.
RTK för GNSS ger en mycket exakt källa för absolut plats för autonoma robotar. Utan RTK är dock många robotapplikationer helt enkelt inte möjliga eller praktiska. Från byggundersökningsrovers till autonoma leveransdrönare och autonoma jordbruksverktyg, många AMR:er är beroende av den centimeter-exakta absoluta positioneringen som bara RTK kan tillhandahålla.
Som sagt, en RTK-lösning är bara lika bra som nätverket bakom den. Konsekvent tillförlitliga korrigeringar kräver ett mycket tätt nätverk av basstationer så att mottagarna alltid är inom tillräckligt nära avstånd för noggranna felkorrigeringar. Ju större nätverk, desto lättare är det att få korrigeringar för AMRs var som helst. Enbart täthet är inte den enda faktorn. Nätverk är mycket komplicerade-realtidssystem och kräver professionell övervakning, mätning och integritetskontroll för att säkerställa att data som skickas till AMR är korrekta och tillförlitliga.
Vad betyder allt detta för utvecklarna av autonoma robotar? Åtminstone när det gäller utomhusapplikationer är ingen AMR komplett utan en RTK-driven GNSS-mottagare. För en så exakt lösning som möjligt bör utvecklare förlita sig på det tätaste och mest pålitliga RTK-nätverket. Och där robotar ofta måste röra sig in och ut ur idealiska GNSS-signalmiljöer, såsom för ett självkörande-leveransfordon, ger RTK i kombination med en IMU den mest omfattande källan till absolut positionering som finns.
Inga två autonoma robotapplikationer är den andra lik, och varje unik installation kräver sin egen blandning av relativ och absolut positioneringsinformation. För morgondagens utomhus-AMR är dock GNSS med ett robust RTK-korrektionsnätverk en viktig komponent i sensorstacken.