Naarmate robots zelfvoorzienend worden, moeten ze met grotere onafhankelijkheid en betrouwbaarheid door hun omgeving navigeren. Autonome tractoren, landbouwoogstmachines en zaaimachines moeten zich zorgvuldig een weg banen door akkers, terwijl zelfrijdende bestelwagens veilig door de straten moeten rijden om pakketten op de juiste plek te plaatsen. Voor een breed scala aan toepassingen hebben autonome mobiele robots (AMR's) zeer nauwkeurige positioneringsbronnen nodig om de taken waarvoor ze zijn ontworpen veilig en succesvol uit te voeren.
Voor het bereiken van een dergelijke precisie zijn twee sets locatiemogelijkheden vereist. Eén daarvan is het begrijpen van de relatieve positie van zichzelf ten opzichte van andere objecten. Dit levert kritische input om de wereld eromheen te begrijpen en, in het meest voor de hand liggende geval, obstakels te vermijden die zowel stilstaan als in beweging zijn. Dit dynamische manoeuvreren vereist een uitgebreide stapel navigatiesensoren zoals camera's, radar, lidar en de ondersteunende software om deze signalen te verwerken en realtime richting te geven aan de AMR.
De tweede reeks mogelijkheden is dat de AMR zijn precieze fysieke locatie (of absolute locatie) in de wereld begrijpt, zodat hij nauwkeurig en herhaaldelijk een pad kan navigeren dat in het apparaat is geprogrammeerd. Een voor de hand liggend gebruiksscenario hier is hoge-precisielandbouw, waarbij verschillende AMR's in de loop van vele maanden hetzelfde smalle pad moeten afleggen om gewassen te planten, te irrigeren en te oogsten, waarbij elke passage vereist dat de AMR elke keer naar dezelfde exacte plek verwijst. .
Dit vereist een andere reeks navigatiemogelijkheden, te beginnen met Global Navigation Satellite Systems (GNSS), waar het hele ecosysteem van sensoren en software gebruik van maakt. Verbetering van GNSS zijn correctiemogelijkheden zoals RTK en SSR die helpen een 100x hogere nauwkeurigheid te bereiken dan GNSS alleen voor toepassingen in de open lucht, en traagheidsmeeteenheden gecombineerd met sensorfusiesoftware voor navigatie op plaatsen waar GNSS niet beschikbaar is (gegist bestek).
Laten we, voordat we in deze technologieën duiken, even kijken naar gebruiksscenario's waarbij zowel relatieve als absolute locaties nodig zijn om een AMR zijn werk te laten doen.
Roboticatoepassingen die relatieve en absolute positionering vereisen
AMR's onthullen wat mensen als vanzelfsprekend beschouwen: het aangeboren vermogen om zichzelf nauwkeurig in de wereld te lokaliseren en op basis van die informatie nauwkeurige actie te ondernemen. Hoe gevarieerder de toepassingen voor AMR’s zijn, hoe meer we ontdekken welke soorten acties extreme precisie vereisen. Enkele voorbeelden zijn:
Agrarische automatisering: In de landbouw worden AMR's steeds gebruikelijker voor taken als planten, oogsten en gewasmonitoring. Deze robots maken gebruik van absolute positionering, meestal via GPS, om met precisie door grote en vaak oneffen velden te navigeren. Dit zorgt ervoor dat ze systematisch grote gebieden kunnen bestrijken en indien nodig naar specifieke locaties kunnen terugkeren. Eenmaal in de buurt van gewassen of binnen een aangewezen gebied vertrouwen AMR's echter op relatieve positionering voor taken die een hoger nauwkeurigheidsniveau vereisen, zoals het plukken van fruit dat mogelijk is gegroeid of van positie is veranderd sinds de AMR het voor het laatst bezocht. Door beide positioneringsmethoden te combineren, kunnen deze robots efficiënt opereren in de uitdagende en variabele omgevingen die typisch zijn voor landbouwvelden.
Last-Mile-levering in stedelijke omgevingen: AMR's transformeren last-mile-bezorging in stedelijke omgevingen door goederen autonoom van distributiecentra naar eindbestemmingen te vervoeren. Deze robots gebruiken absolute positionering om door stadsstraten, steegjes en complexe stedelijke lay-outs te navigeren, zodat ze geoptimaliseerde routes volgen terwijl ze verkeer vermijden en zich aan leveringsschema's houden. Bij het bereiken van de omgeving van de afleverlocatie zullen de AMR's ook relatieve positionering gebruiken om rond variabele of onverwachte obstakels te manoeuvreren, zoals een voertuig dat dubbel op straat geparkeerd staat. Deze dubbele aanpak stelt de AMR's in staat om met de complexiteit van stedelijke landschappen om te gaan en nauwkeurige leveringen rechtstreeks aan de deur van de klant uit te voeren.
Automatisering van bouwplaatsen: Op bouwplaatsen worden AMR's ingezet om ervoor te zorgen dat het project wordt gebouwd volgens de exacte specificaties die door de ingenieurs zijn aangegeven. Ze helpen ook met taken zoals het transport van materialen en het in kaart brengen of onderzoeken van omgevingen. Deze locaties bestrijken vaak grote gebieden met voortdurend veranderende omgevingen, waardoor AMR's absolute positionering moeten gebruiken om te navigeren en de oriëntatie binnen de totale projectlocatie te behouden. Relatieve positionering speelt een rol wanneer AMR's taken uitvoeren die interactie met dynamische elementen vereisen, zoals het vermijden van andere apparatuur of zelfs personeel op de locatie. Door de combinatie van beide positioneringssystemen kunnen AMR's effectief bijdragen aan het complexe en dynamische karakter van bouwprojecten, waardoor de efficiëntie en veiligheid worden verbeterd.
Autonoom wegenonderhoud: AMR's worden steeds vaker gebruikt bij wegenonderhoudstaken zoals bestratingsinspectie, het afdichten van scheuren en het schilderen van lijnen. Deze robots maken gebruik van absolute positionering om over stukken snelweg of wegen te reizen, zodat ze over lange afstanden op koers blijven en nauwkeurig de specifieke locaties kunnen vastleggen waar onderhoud moet plaatsvinden. Bij het uitvoeren van deze onderhoudstaken schakelen ze over op relatieve positionering om specifieke wegonvolkomenheden nauwkeurig te identificeren en aan te pakken, rijstrookmarkeringen nauwkeurig te schilderen of om obstakels heen te navigeren. Dankzij deze dubbele capaciteit kunnen AMR's wegenonderhoudstaken efficiënt beheren en tegelijkertijd de noodzaak voor menselijke werknemers om in gevaarlijke omgevingen langs de weg te werken verminderen, waardoor de veiligheid en productiviteit worden verbeterd.
Milieumonitoring en -behoud: In buitenomgevingen worden AMR's vaak ingezet voor milieumonitoring en inspanningen voor natuurbehoud, zoals het volgen van wilde dieren, het opsporen van vervuiling en het in kaart brengen van habitats. Deze robots maken gebruik van absolute positionering om door uitgestrekte natuurgebieden te navigeren, van bossen tot kustgebieden, waardoor een uitgebreide dekking van het terrein wordt gegarandeerd en gedetailleerde locatieonderzoeken en kaarten kunnen worden vastgelegd. AMR's kunnen taken uitvoeren zoals het vastleggen van beelden met een hoge resolutie, het verzamelen van monsters of het met uiterste nauwkeurigheid volgen van de bewegingen van dieren, en kunnen deze monsters in de loop van de tijd op een samenhangende manier over elkaar heen leggen.
In alle bovenstaande voorbeelden is een absolute positioneringsnauwkeurigheid van veel minder dan een meter vereist om potentieel catastrofale gevolgen te voorkomen. Letsel bij werknemers, aanzienlijke productverliezen en kostbare vertragingen zijn allemaal waarschijnlijk zonder precieze locatie. Overal waar een AMR binnen een paar centimeter moet opereren, zijn in wezen zowel relatieve als absolute locatieoplossingen nodig.
Technologie voor relatieve positionering
AMR's maken gebruik van een aantal sensoren om zichzelf te lokaliseren ten opzichte van andere objecten in hun omgeving. Deze omvatten:
Camera's: Camera's fungeren als visuele sensoren van autonome mobiele robots, waardoor ze een direct beeld krijgen van hun omgeving, vergelijkbaar met de manier waarop menselijke ogen werken. Deze apparaten leggen rijke visuele informatie vast die robots kunnen gebruiken voor objectdetectie, het vermijden van obstakels en het in kaart brengen van de omgeving. Camera's zijn echter afhankelijk van voldoende verlichting en kunnen worden gehinderd door ongunstige weersomstandigheden zoals mist, regen of duisternis. Om deze beperkingen aan te pakken, worden camera’s vaak gecombineerd met nabij-infraroodsensoren of uitgerust met nachtzichtmogelijkheden, waardoor de robots kunnen zien bij weinig licht. Camera's zijn een belangrijk onderdeel van de visuele odometrie, een proces waarbij positieveranderingen in de loop van de tijd worden berekend door opeenvolgende camerabeelden te analyseren. Over het algemeen vereisen camera's altijd aanzienlijke verwerkingsprocessen om hun 2-D-beelden om te zetten in 3-D-structuren.
Radarsensoren: Radarsensoren zenden pulserende radiogolven uit die reflecteren op objecten en geven informatie over de snelheid, afstand en relatieve positie van het object. Deze technologie is robuust en kan effectief functioneren in verschillende omgevingsomstandigheden, waaronder regen, mist en stof, waar camera's en lidar moeite mee kunnen hebben. Radarsensoren bieden echter doorgaans spaarzamere gegevens en een lagere resolutie in vergelijking met andere sensortypen. Desondanks zijn ze van onschatbare waarde vanwege hun betrouwbaarheid bij het detecteren van de snelheid van bewegende objecten, waardoor ze bijzonder nuttig zijn in dynamische omgevingen waar het begrijpen van de beweging van andere entiteiten van cruciaal belang is.
Lidar-sensoren: Lidar, of Light Detection and Ranging, is een sensortechnologie die laserpulsen gebruikt om afstanden te meten door de reflectie van licht op objecten te timen. Door de omgeving met snelle laserpulsen te scannen, creëert lidar zeer nauwkeurige, gedetailleerde 3D-kaarten van de omgeving. Dit maakt het een essentieel hulpmiddel voor gelijktijdige locatie- en mapping (SLAM), waarbij de robot een kaart van een onbekende omgeving bouwt terwijl hij de locatie binnen die kaart bijhoudt. lidar staat bekend om zijn precisie en vermogen om goed te functioneren onder verschillende lichtomstandigheden, hoewel het minder effectief kan zijn bij regen, sneeuw of mist, waar waterdruppels de laserstralen kunnen verstrooien. Ondanks dat het een dure technologie is, heeft lidar de voorkeur bij autonome navigatie vanwege de nauwkeurigheid en betrouwbaarheid in complexe omgevingen.
Ultrasone sensoren: Ultrasone sensoren werken door hoogfrequente geluidsgolven uit te zenden die weerkaatsen op nabijgelegen objecten, waarbij de sensor de tijd meet die nodig is voordat de echo terugkeert. Hierdoor kan de robot de afstand tot objecten en obstakels op zijn pad berekenen. Deze sensoren zijn vooral handig voor detectie op korte afstand en worden vaak gebruikt bij langzame activiteiten op korte afstand, zoals het navigeren in krappe ruimtes zoals gangpaden in magazijnen, of voor nauwkeurige manoeuvres zoals aanmeren of achteruit rijden. Ultrasone sensoren zijn kosteneffectief en werken goed onder verschillende omstandigheden, maar door hun beperkte bereik en langzamere responstijd in vergelijking met lidar en camera's zijn ze het meest geschikt voor specifieke, gecontroleerde omgevingen waar hoge precisie op korte afstand vereist is.
De basistechnologie die wordt gebruikt voor absolute positionering begint met GNSS (de term die GPS en andere satellietsystemen zoals GLONASS, Galileo en BeiDou omvat). Gegeven dat GNSS wordt beïnvloed door atmosferische omstandigheden en inconsistenties met satellieten, kan het een positie-oplossing bieden die vele meters afwijkt. Voor AMR's die nauwkeurigere navigatie vereisen, is dit niet goed genoeg – vandaar de opkomst van een technologie die bekend staat als GNSS Corrections en die deze fout verkleint tot slechts één centimeter.
RTK: Real-time kinematica (RTK) maakt gebruik van een netwerk van basisstations met bekende posities als referentiepunten voor het corrigeren van locatieschattingen van de GNSS-ontvanger. Zolang de AMR zich binnen 50 kilometer van een basisstation bevindt en een betrouwbare communicatieverbinding heeft, kan RTK op betrouwbare wijze een nauwkeurigheid van 1–2- centimeter leveren.
SSR of PPP-RTK: State Space Representation (SSR), ook wel PPP-RTK genoemd, maakt gebruik van informatie van het basisstationnetwerk, maar in plaats van correcties rechtstreeks vanaf een lokaal basisstation te verzenden, modelleert het de fouten over een groot geografisch gebied. Het resultaat is dat een bredere dekking afstanden tot ver voorbij 50 km vanaf een basisstation mogelijk maakt, maar de nauwkeurigheid daalt tot 3-10 centimeter of meer, afhankelijk van de dichtheid en kwaliteit van het netwerk.
Hoewel deze twee benaderingen uitzonderlijk goed werken waar GNSS-signalen beschikbaar zijn (meestal in de open lucht), zullen veel AMR's zich buiten de open lucht verplaatsen, waar er een obstakel is tussen de GNSS-ontvanger op de AMR en de lucht. Dit kan gebeuren in tunnels, parkeergarages, boomgaarden en stedelijke omgevingen. Dit is waar traagheidsnavigatiesystemen (INS) een rol gaan spelen met hun Inertial Measurement Unit (IMU) en Sensor Fusion-software.
IMU (Engelstalig)– Een IMU combineert versnellingsmeters, gyroscopen en soms magnetometers om respectievelijk de lineaire versnelling, hoeksnelheid en magnetische veldsterkte van een systeem te meten. Dit zijn cruciale gegevens waarmee een INS in realtime de positie, snelheid en oriëntatie van een object ten opzichte van een startpunt kan bepalen.
De geschiedenis van de IMU gaat terug tot het begin van de 20e eeuw, met zijn wortels in de ontwikkeling van gyroscopische apparaten die worden gebruikt in navigatiesystemen voor schepen en vliegtuigen. De eerste praktische IMU's werden ontwikkeld tijdens de Tweede Wereldoorlog, voornamelijk voor gebruik in raketgeleidingssystemen en later in het ruimteprogramma. De Apollo-missies waren bijvoorbeeld sterk afhankelijk van IMU's voor navigatie in de ruimte, waar traditionele navigatiemethoden niet haalbaar waren. In de loop van de decennia is de IMU-technologie aanzienlijk vooruitgegaan, dankzij de miniaturisering van elektronische componenten en de komst van micro-elektro-mechanische systemen (MEMS)-technologie aan het einde van de 20e eeuw. Deze evolutie heeft geleid tot compactere, betaalbare en nauwkeurigere IMU's, waardoor hun integratie in een breed scala aan consumentenelektronica, autosystemen en industriële toepassingen van vandaag mogelijk is.
Sensorfusie– Sensorfusiesoftware is verantwoordelijk voor het combineren van gegevens van de IMU en andere sensoren om een samenhangend en nauwkeurig begrip te creëren van de absolute locatie van een AMR wanneer GNSS niet beschikbaar is. De meest elementaire implementaties "vullen de gaten op" in realtime, tussen het moment waarop het GNSS-signaal wordt weggelaten en het moment waarop het weer wordt opgepikt door de AMR. De nauwkeurigheid van sensorfusiesoftware is afhankelijk van verschillende factoren, waaronder de kwaliteit en kalibratie van de betrokken sensoren, de algoritmen die voor fusie worden gebruikt en de specifieke toepassing of omgeving waarin deze wordt ingezet. Geavanceerdere sensorfusiesoftware kan verschillende sensormodaliteiten kruiscorreleren, wat resulteert in een superieure positionele nauwkeurigheid dan wanneer een van de sensoren in de oplossing alleen werkt.
RTK voor GNSS biedt een zeer nauwkeurige bron van absolute locatie voor autonome robots. Zonder RTK zijn veel robotica-toepassingen echter eenvoudigweg niet mogelijk of praktisch. Van bouwonderzoekswagens tot autonome bezorgdrones en autonome landbouwinstrumenten: talloze AMR's zijn afhankelijk van de centimeter-nauwkeurige absolute positionering die alleen RTK kan bieden.
Dat gezegd hebbende, een RTK-oplossing is slechts zo goed als het netwerk erachter. Voor consistent betrouwbare correcties is een zeer dicht netwerk van basisstations nodig, zodat ontvangers zich altijd binnen voldoende bereik bevinden voor nauwkeurige foutcorrecties. Hoe groter het netwerk, hoe gemakkelijker het is om waar dan ook correcties voor AMR's te verkrijgen. Dichtheid alleen is niet de enige factor. Netwerken zijn zeer gecompliceerde real-time systemen en vereisen professionele monitoring, onderzoek en integriteitscontrole om ervoor te zorgen dat de gegevens die naar de AMR worden verzonden nauwkeurig en betrouwbaar zijn.
Wat betekent dit alles voor de ontwikkelaars van autonome robots? Als het buitentoepassingen betreft, is geen enkele AMR compleet zonder een RTK-aangedreven GNSS-ontvanger. Voor de meest nauwkeurige oplossing moeten ontwikkelaars vertrouwen op het dichtste en meest betrouwbare RTK-netwerk. En waar robots vaak in en uit ideale GNSS-signaalomgevingen moeten bewegen, zoals voor een zelfrijdend bestelvoertuig, biedt RTK in combinatie met een IMU de meest uitgebreide bron van absolute positionering die beschikbaar is.
Geen twee autonome robotica-toepassingen zijn hetzelfde, en elke unieke opstelling vereist zijn eigen mix van relatieve en absolute positioneringsinformatie. Voor de outdoor AMR's van morgen is GNSS met een robuust RTK-correctienetwerk echter een essentieel onderdeel van de sensorstapel.