S tím, jak se roboti stávají sebestačnějšími,{0}}musí se ve svém okolí pohybovat s větší nezávislostí a spolehlivostí. Autonomní traktory, zemědělské kombajny a secí stroje si musí opatrně razit cestu přes pole s obilím, zatímco samořídící dodávková vozidla musí bezpečně projíždět ulicemi, aby umístila balíky na správné místo. V celé řadě aplikací vyžadují autonomní mobilní roboty (AMR) vysoce přesné zdroje polohování, aby bezpečně a úspěšně dokončily úkoly, pro které jsou určeny.
Dosažení takové přesnosti vyžaduje dvě sady lokalizačních schopností. Jedním z nich je pochopit relativní polohu sebe sama k jiným objektům. To poskytuje kritický vstup pro pochopení okolního světa a v nejzřejmějším případě se vyhnete překážkám, které jsou jak stacionární, tak v pohybu. Toto dynamické manévrování vyžaduje rozsáhlou sadu navigačních senzorů, jako jsou kamery, radar, lidar a podpůrný software, aby tyto signály zpracovaly a poskytly-směr AMR v reálném čase.
Druhou sadou schopností je, aby AMR porozuměl své přesné fyzické poloze (nebo absolutní poloze) ve světě, aby mohl přesně a opakovaně navigovat cestu, která byla naprogramována do zařízení. Zřejmým případem použití je zde vysoce přesné zemědělství, kde různé AMR potřebují cestovat po stejné úzké cestě v průběhu mnoha měsíců, aby sázely, zavlažovaly a sklízely plodiny, přičemž každý průchod vyžaduje, aby AMR pokaždé odkazovalo na stejné přesné místo.
To vyžaduje jinou sadu navigačních schopností, počínaje globálními navigačními satelitními systémy (GNSS), které využívá celý ekosystém senzorů a softwaru. Rozšíření GNSS jsou korekční funkce, jako je RTK a SSR, které pomáhají dosáhnout 100x vyšší přesnosti než samotný GNSS pro aplikace na otevřeném-obloze, a inerciální měřicí jednotky kombinované se softwarem pro fúzi senzorů pro navigaci tam, kde GNSS není k dispozici (mrtvé zúčtování).
Než se ponoříme do těchto technologií, strávme minutu pohledem na případy použití, kdy jsou pro AMR vyžadovány relativní i absolutní polohy.
Robotické aplikace vyžadující relativní a absolutní polohování
AMR odhalují, co lidé považují za samozřejmost - vrozenou schopnost přesně se lokalizovat ve světě a na základě těchto informací podnikat přesné kroky. Čím rozmanitější jsou aplikace pro AMR, tím více zjišťujeme, jaké typy akcí vyžadují extrémní přesnost. Některé příklady:
Automatizace zemědělství: V zemědělství jsou AMR stále běžnější pro úkoly, jako je sázení, sklizeň a monitorování plodin. Tyto roboty využívají absolutní určování polohy, obvykle prostřednictvím GPS, k přesné navigaci na velkých a často nerovných polích. To zajišťuje, že mohou systematicky pokrýt rozsáhlé oblasti a podle potřeby se vracet na konkrétní místa. Jakmile se však AMR ocitnou v blízkosti plodin nebo ve vymezené oblasti, spoléhají na relativní polohování u úkolů, které vyžadují vyšší úroveň přesnosti, jako je sběr ovoce, které mohlo vyrůst nebo změnit polohu od poslední návštěvy AMR. Díky kombinaci obou metod polohování mohou tyto roboty efektivně pracovat v náročných a proměnlivých prostředích typických pro zemědělská pole.
Last{0}}Mile Delivery in Urban Settings: AMR transformují doručování na poslední míli v městském prostředí autonomní přepravou zboží z distribučních center do konečných destinací. Tito roboti používají absolutní určování polohy k navigaci v ulicích města, uličkách a složitých městských uspořádáních, což zajišťuje, že sledují optimalizované trasy a zároveň se vyhýbají provozu a dodržují harmonogramy dodávek. Po dosažení blízkosti místa dodání využijí AMR také relativní polohu k manévrování kolem proměnlivých nebo neočekávaných překážek, jako je vozidlo, které je dvakrát zaparkované na ulici. Tento duální přístup umožňuje AMR zvládat složitosti městské krajiny a provádět přesné dodávky přímo ke dveřím zákazníků.
Automatizace staveniště: Na stavbách se používají AMR, aby bylo zajištěno, že projekt bude postaven podle přesných specifikací, které určili inženýři. Pomáhají také s úkoly, jako je přeprava materiálů a mapování nebo průzkum prostředí. Tyto stránky často pokrývají velké oblasti s neustále se měnícím prostředím, což vyžaduje, aby AMR používali absolutní pozici pro navigaci a udržení orientace v rámci celého projektu. Relativní určování polohy vstupuje do hry, když AMR provádějí úkoly, které vyžadují interakci s dynamickými prvky, jako je vyhýbání se dalšímu zařízení nebo dokonce personálu na místě. Kombinace obou polohovacích systémů umožňuje AMR účinně přispívat ke komplexní a dynamické povaze stavebních projektů a zvyšovat efektivitu a bezpečnost.
Autonomní údržba silnic: AMR se stále více používají při údržbě silnic, jako je kontrola vozovky, těsnění trhlin a nátěr čar. Tyto roboty využívají absolutní polohování k cestování po úsecích dálnic nebo vozovek, což zajišťuje, že zůstanou v kurzu na velké vzdálenosti a dokážou přesně zachytit konkrétní místa, kde je třeba provést údržbu. Při provádění těchto úkolů údržby se přepnou na relativní polohu, aby přesně identifikovaly a řešily konkrétní nedokonalosti vozovky, precizně namalovaly značení jízdních pruhů nebo obcházely překážky. Tato dvojí schopnost umožňuje AMR efektivně řídit úkoly údržby silnic a zároveň snížit potřebu lidských pracovníků pracovat v nebezpečných silničních prostředích, což zvyšuje bezpečnost a produktivitu.
Monitorování a ochrana životního prostředí: Ve venkovních prostředích jsou AMR často nasazovány pro monitorování a ochranu životního prostředí, jako je sledování divoké zvěře, detekce znečištění a mapování stanovišť. Tyto roboty využívají absolutní určování polohy k navigaci v rozsáhlých přírodních oblastech, od lesů po pobřežní oblasti, zajišťují komplexní pokrytí terénu a umožňují zachytit podrobné průzkumy a mapování lokality. AMR mohou provádět úkoly, jako je pořizování snímků s vysokým-rozlišením, shromažďování vzorků nebo sledování pohybu zvířat s naprostou přesností a mohou tyto vzorky v průběhu času překrývat soudržným způsobem.
Ve všech výše uvedených příkladech je vyžadována absolutní přesnost určování polohy mnohem menší než metr, aby se zabránilo potenciálně katastrofickým následkům. Bez přesné lokalizace pravděpodobně dojde ke zraněním pracovníků, značným ztrátám produktů a nákladným zpožděním. V podstatě kdekoli, kde AMR potřebuje fungovat v dosahu několika centimetrů, bude vyžadovat, aby měl řešení relativní i absolutní polohy.
Technologie pro relativní polohování
AMR využívají řadu senzorů, aby se lokalizovaly ve vztahu k jiným objektům v jejich prostředí. Patří sem:
Kamery: Kamery fungují jako vizuální senzory autonomních mobilních robotů a poskytují jim okamžitý obraz jejich okolí podobný tomu, jak fungují lidské oči. Tato zařízení zachycují bohaté vizuální informace, které mohou roboti využít k detekci objektů, vyhýbání se překážkám a mapování prostředí. Kamery jsou však závislé na dostatečném osvětlení a mohou být omezovány nepříznivými povětrnostními podmínkami, jako je mlha, déšť nebo tma. Aby se tato omezení vyřešila, kamery jsou často spárovány s blízkými-infračervenými senzory nebo vybaveny funkcí nočního vidění, která robotům umožňuje vidět za špatných-světelných podmínek. Kamery jsou klíčovou součástí vizuální odometrie, což je proces, kde se změny polohy v průběhu času počítají analýzou sekvenčních snímků z kamer. Obecně platí, že kamery vždy vyžadují značné zpracování, aby převedly jejich 2-D obrazy do 3-D struktur.
Radarové senzory: Radarové senzory fungují tak, že vysílají pulzující rádiové vlny, které se odrážejí od objektů a poskytují informace o rychlosti, vzdálenosti a relativní poloze objektu. Tato technologie je robustní a může efektivně fungovat v různých podmínkách prostředí, včetně deště, mlhy a prachu, kde mohou kamery a lidar bojovat. Radarové senzory však obvykle nabízejí řidší data a nižší rozlišení ve srovnání s jinými typy senzorů. Navzdory tomu jsou neocenitelné pro svou spolehlivost při zjišťování rychlosti pohybujících se objektů, díky čemuž jsou zvláště užitečné v dynamických prostředích, kde je kritické pochopení pohybu jiných entit.
Lidar senzory: Lidar neboli Light Detection and Ranging je senzorová technologie, která využívá laserové pulsy k měření vzdáleností načasováním odrazu světla od objektů. Skenováním prostředí rychlými laserovými pulzy vytváří lidar vysoce přesné, podrobné 3D mapy okolí. Díky tomu je nezbytným nástrojem pro simultánní určování polohy a mapování (SLAM), kdy robot vytváří mapu neznámého prostředí a zároveň sleduje svou polohu na této mapě. lidar je známý svou přesností a schopností dobře fungovat v různých světelných podmínkách, i když může být méně účinný v dešti, sněhu nebo mlze, kde kapičky vody mohou rozptylovat laserové paprsky. Přestože se jedná o drahou technologii, lidar je oblíbený v autonomní navigaci díky své přesnosti a spolehlivosti ve složitých prostředích.
Ultrazvukové senzory: Ultrazvukové senzory fungují tak, že vysílají- vysokofrekvenční zvukové vlny, které se odrážejí od blízkých objektů, přičemž senzor měří dobu, za kterou se ozvěna vrátí. To umožňuje robotu vypočítat vzdálenost k objektům a překážkám v cestě. Tyto senzory jsou zvláště užitečné pro detekci krátkého-dosahu a často se používají při činnostech s pomalým-dosahem, jako je navigace ve stísněných prostorech, jako jsou skladové uličky, nebo pro přesné manévry, jako je dokování nebo couvání. Ultrazvukové senzory jsou nákladově-efektivní a dobře fungují v různých podmínkách, ale jejich omezený dosah a pomalejší doba odezvy ve srovnání s lidarem a kamerami znamená, že se nejlépe hodí pro specifická kontrolovaná prostředí, kde je vyžadována vysoká přesnost v těsné blízkosti.
Základní technologie používaná pro absolutní určování polohy začíná GNSS (termín, který zahrnuje GPS a další satelitní systémy jako GLONASS, Galileo a BeiDou). Vzhledem k tomu, že GNSS je ovlivněn atmosférickými podmínkami a nekonzistentností satelitů, může poskytnout řešení polohy, které je o mnoho metrů mimo. Pro AMR, které vyžadují přesnější navigaci, to nestačí – proto se objevila technologie známá jako korekce GNSS, která tuto chybu zužuje až na jeden centimetr.
RTK: Kinematika v reálném čase{0}} (RTK) používá síť základnových stanic se známými polohami jako referenční body pro korekci odhadů polohy přijímače GNSS. Pokud je AMR do 50 kilometrů od základnové stanice a má spolehlivé komunikační spojení, může RTK spolehlivě poskytovat přesnost 1–2 centimetry.
SSR nebo PPP-RTK: State Space Representation (SSR), které se také někdy říká PPP-RTK, využívá informace ze sítě základnových stanic, ale namísto odesílání oprav přímo z místní základnové stanice modeluje chyby v široké geografické oblasti. Výsledkem je širší pokrytí, které umožňuje vzdálenosti daleko přes 50 km od základnové stanice, ale přesnost klesá na 3-10 centimetrů nebo více v závislosti na hustotě a kvalitě sítě.
I když tyto dva přístupy fungují výjimečně dobře tam, kde jsou dostupné signály GNSS (obecně otevřené nebe), mnoho AMR se bude pohybovat daleko od otevřeného nebe, kde je překážka mezi přijímačem GNSS na AMR a oblohou. To se může stát v tunelech, parkovacích garážích, sadech a městském prostředí. Zde vstupují do hry Inertial Navigation Systems (INS) se svou inerciální měřicí jednotkou (IMU) a softwarem Sensor Fusion.
IMU– IMU kombinuje akcelerometry, gyroskopy a někdy i magnetometry k měření lineárního zrychlení systému, úhlové rychlosti a síly magnetického pole. Toto jsou klíčová data, která umožňují INS určit polohu, rychlost a orientaci objektu vzhledem k výchozímu bodu v reálném-čase.
Historie IMU sahá až do počátku 20. století s kořeny ve vývoji gyroskopických zařízení používaných v navigačních systémech pro lodě a letadla. První praktické IMU byly vyvinuty během druhé světové války, především pro použití v systémech navádění raket a později ve vesmírném programu. Mise Apollo se například do značné míry spoléhaly na IMU pro navigaci ve vesmíru, kde tradiční navigační metody nebyly proveditelné. V průběhu desetiletí technologie IMU výrazně pokročila díky miniaturizaci elektronických součástek a příchodu technologie Micro-Electro{5}}Mechanical Systems (MEMS) na konci 20. století. Tento vývoj vedl ke kompaktnějším, dostupnějším a přesnějším IMU, které umožňují jejich integraci do široké řady dnešních spotřební elektroniky, automobilových systémů a průmyslových aplikací.
Spojení senzorů– Software pro fúzi senzorů je zodpovědný za kombinování dat z IMU a dalších senzorů za účelem vytvoření soudržného a přesného pochopení absolutní polohy AMR, když GNSS není k dispozici. Nejzákladnější implementace „vyplňují mezery“ v reálném-čase, mezi okamžikem, kdy signál GNSS odpadne, a okamžikem, kdy jej AMR znovu zachytí. Přesnost softwaru pro fúzi senzorů závisí na několika faktorech, včetně kvality a kalibrace použitých senzorů, algoritmů používaných pro fúzi a konkrétní aplikace nebo prostředí, ve kterém je nasazen. Sofistikovanější software pro fúzi senzorů je schopen křížit-korelaci různých modalit senzorů, což vede k vyšší přesnosti polohy než u kteréhokoli ze senzorů v řešení pracujících samostatně.
RTK pro GNSS poskytuje vysoce přesný zdroj absolutní polohy pro autonomní roboty. Bez RTK však mnoho robotických aplikací jednoduše není možné nebo praktické. Od stavebních průzkumných roverů po autonomní doručovací drony a autonomní zemědělské nástroje, mnoho AMR závisí na centimetr-přesné absolutní poloze, kterou může poskytnout pouze RTK.
To znamená, že řešení RTK je jen tak dobré, jak dobrá je síť za ním. Trvale spolehlivé korekce vyžadují vysoce hustou síť základnových stanic, takže přijímače jsou vždy v dostatečné blízkosti pro přesné opravy chyb. Čím větší je síť, tím snazší je získat opravy pro AMR odkudkoli. Samotná hustota není jediným faktorem. Sítě jsou velmi komplikované systémy-v reálném čase a vyžadují profesionální monitorování, průzkum a kontrolu integrity, aby bylo zajištěno, že data odesílaná do AMR jsou přesná a spolehlivá.
Co to všechno znamená pro vývojáře autonomních robotů? Přinejmenším pokud jde o venkovní aplikace, žádné AMR není kompletní bez přijímače GNSS napájeného RTK-. Pro co nejpřesnější řešení by se vývojáři měli spoléhat na nejhustší a nejspolehlivější RTK síť. A tam, kde se roboti musí často pohybovat dovnitř a ven z ideálního signálového prostředí GNSS, jako například u samořídícího-dodávkového vozidla, poskytuje RTK v kombinaci s IMU nejkomplexnější dostupný zdroj absolutní polohy.
Žádné dvě autonomní robotické aplikace nejsou stejné a každé jedinečné nastavení vyžaduje vlastní kombinaci relativních a absolutních informací o poloze. Pro venkovní AMR zítřka je však GNSS s robustní sítí RTK korekcí nezbytnou součástí sady senzorů.