RTK Technology: The Core of Accurate Positioning for Robot Mowers—But Is That Enough?

Представете си: докато се прибирате у дома от работа, вашият смартфон неочаквано се проваля като навигационно устройство. Можете ли все пак да намерите пътя си у дома? Технологията GNSS (Глобална навигационна спътникова система) може да изглежда непретенциозна, но е съществена за локализирането ни, навигацията и изследването на околната среда. Нейната точност и удобство са вградени в ежедневието ни.

Вдъхновен от това, RTK (Real-Time Kinematic), който разчита на GNSS сателитни сигнали като основен източник на позиционни данни, стана широко прилаган в роботизирани косачки за трева. Тази технология позволява на тези косачки да постигат прецизност на сантиметри, трансформирайки процеса на грижа за тревата. Въпреки това, могат ли днешните RTK позиционни системи да бъдат толкова "умни", колкото GNSS технологията, използвана в смартфоните? Могат ли ефективно да помагат на роботизирани косачки да определят точно местоположението си и да направят поддръжката на тревата по-ефективна? Нека да разгледаме по-отблизо.

1. Какви ефективни технологии за позициониране са налични за роботизирани косачки за трева?

1.1 RTK Позиционираща Технология

RTK, или кинематика в реално време, е технология за диференциално позициониране на базата на носеща фаза, която може да постигне точност на сантиметри, което я отличава от другите системи за позициониране. Причината, поради която RTK може да постигне точност на позициониране на сантиметри в реално време, се крие в три основни фактора:

1.1.1 Използва измервания на носещата фаза като информация за разстоянието, което значително подобрява точността с 2 до 3 порядъка в сравнение с традиционните измервания на псевдорасстояние.

1.1.2 Чрез извършване на диференциални изчисления с данни от близки базови станции, различни систематични грешки могат да бъдат ефективно елиминирани.

1.1.3 Въпреки че измерванията на фазата на носителя са изключително точни, несигурността на началната фаза може да доведе до проблема с "целочислената неяснота", което означава, че не се знае колко пълни цикъла на носещата вълна са включени по време на предаване на сигнала. Въпреки това, RTK алгоритъмът може точно да определи броя на пълните цикли, което му позволява да постигне точност на позициониране на сантиметри.

В обобщение, RTK диференциалното позициониране на носителя комбинира високопрецизни наблюдения на носителя, диференциални корекции, разрешаване на целочислени неясноти и потискане на ефектите от многопътя, за да осигури позициониране с висока прецизност на сантиметри. За илюстрация, ако предишната точност беше дължината на два Cadillac-а, текущата точност е сравнима с размера на нокътя—изключително прецизно за задния двор. Следователно, роботизирани косачки за трева сега могат точно да подрязват определени области, подобно на съвременните роботизирани прахосмукачки.

Допълнително, диференциалните сигнали между базовата станция и роверa могат да бъдат изчислявани в реално време, за да предоставят информация за корекция, а високочестотната предаване на данни (обикновено между 1 Hz и 20 Hz) позволява бързи актуализации на позиционирането, което води до много бързо време за реакция на RTK системите и постигане на точност на ниво милисекунди. Освен това, широкото покритие на диференциалните сигнали помага ефективно да коригира грешки, причинени от ефектите на многопътя и околната среда (като сгради и дървета), намалявайки влиянието на местните условия върху целия процес на позициониране.

Въпреки това, това не означава, че RTK технологията е безупречна. Високата зависимост на RTK системите от сателитни сигнали от базовата станция и роувъра ги прави уязвими на грешки в позиционирането, особено в райони с недостатъчно покритие от базовата станция или когато има пречки като дървета. Освен това, настройката и експлоатацията на RTK системите могат да бъдат доста сложни, изискващи специализирани знания и умения за конфигуриране и поддръжка, което може да възпрепятства широко разпространение на тази технология.

Въпреки това, тази технология остава най-широко използваният метод за позициониране на роботизирани косачки за трева, докато технологичните компании продължават да изследват допълнителни опции за оптимизация, като следните методи.

1.2  VSLAM

Като друга широко използвана технология за позициониране, VSLAM (Визуално едновременна локализация и картографиране) все повече се изследва от много технологични компании поради ниската си цена и бързата си адаптивност към промените в околната среда.

VSLAM е техника, която използва визуална информация за локализация в околната среда и изграждане на карта. Тя интегрира компютърно зрение, роботика и данни от сензори, позволявайки изграждане на карта в реално време, докато точно определя позицията си в непознати среди. Обикновено VSLAM използва различни видове камери - като монохромни, стерео или RGB-D камери - за улавяне на изображенчески данни от околната среда, извличайки ключови характеристики като ъгли и ръбове от тези изображения. Тя използва алгоритми за обработка на изображения, като SIFT и ORB, за съвпадение на тези характеристики и след това изчислява позата на робота - неговата позиция и ориентация в пространството - позволявайки му постепенно да изгражда 2D или 3D карта на околната среда.

Може да изглежда сложно, но основната идея е проста: роботът използва камерите си, за да наблюдава околната среда, докато се движи. Докато навигира, той събира визуални данни, за да създаде точна карта в реално време на своето обкръжение. Тази карта позволява на робота да взема информирани решения относно следващите си действия, базирани на разположението на околната среда. Технологията може да се намери в различни мобилни роботи, включително дронове, роботизирани прахосмукачки и автономни превозни средства.

Въпреки това, VSLAM има своите недостатъци. Технологията изисква значителна изчислителна мощност за обработка в реално време на големи набори от изображения, което налага ефективни алгоритми и силна хардуерна поддръжка. За разлика от RTK технологията, VSLAM е уязвима и на фактори от околната среда, като промени в осветлението, цветове и пейзажи. Дъжд, сняг и прах могат да причинят неточности в изграждането на карти, което може да затрудни навигацията на робота. Освен това, тъй като зависи изцяло от монтираните камери, оперативният му обхват е донякъде ограничен.

1.3. Лидар Слам

Lidar SLAM е метод за локализация и картографиране в реално време, който използва технологията на лазерния радар. Той може да произвежда 2D или 3D карти в реално време, обикновено представени като триизмерни облаци от точки или модели на мрежи. Може би сте забелязали, че този метод е подобен на VSLAM, тъй като и двата включват картографиране на околната среда. Въпреки това, за разлика от VSLAM, при който роботът използва камери за улавяне на околната среда, Lidar SLAM работи на базата на Lidar сензор, монтиран на робота. Lidar сензорите измерват разстояния, като излъчват лазерни импулси и получават отразените сигнали, генерирайки данни за облаци от точки с висока прецизност за околната среда.

Докато роботът се движи из околната среда, той непрекъснато улавя данни от облак от точки от всяко сканиране, за да създаде карта на текущата среда, като по този начин помага на робота да постигне по-добра локализация.

В сравнение с VSLAM, Lidar SLAM предоставя данни за околната среда с по-висока резолюция, особено в сложни условия като градски улици и закрити пространства, където постига по-голяма точност от камерните сензори, използвани в VSLAM. Освен това, тъй като Lidar използва лазери за измерване на разстояние, той остава незасегнат от условията на осветление, работейки надеждно както в слабо осветени, така и в изключително ярки среди. В обобщение, Lidar SLAM се отличава с отлични възможности за локализация и демонстрира силна устойчивост на интерференция от околната среда.

И така, какви са недостатъците? Ами, основно става въпрос за разходите. Големите количества данни от Lidar сензора изискват значителна изчислителна мощ и ресурси, което може да усложни разработката на софтуер и да увеличи разходите. В сравнение, VSLAM обикновено разчита на утвърдени визуални алгоритми, а изобилието от визуални сензори предлага много опции с отворен код за софтуер. Поради това, система Lidar SLAM — включително Lidar сензора, изчислителните единици и софтуера — може да бъде няколко пъти до много пъти по-скъпа от VSLAM настройка. Следователно, VSLAM обикновено е по-достъпен за производителите и обикновените потребители.

1.4. UWB

UWB (Ултрашироколентова) позициониране е технология, която използва ултрашироки честотни сигнали за относително позициониране и измерване на разстояние. Тя се прилага основно в сценарии за вътрешно позициониране, постигаща точност на позициониране на ниво под метър или сантиметър. UWB има силни способности за проникване, ефективно преминавайки през стени и други препятствия, като същевременно поддържа добро представяне в сложни вътрешни среди, като проследяване на активи, локализация на персонал и навигация. Особено забележителна характеристика на UWB е способността му да поддържа позиционирането и комуникацията на множество устройства едновременно. Благодарение на тези предимства, UWB започна да се използва и в роботизирани косачки за открито.

Въпреки това, ефективният обхват на комуникация обикновено е доста кратък, обикновено между десетки и сто метра. Това ограничение може да изисква разполагане на допълнителни базови станции или релейно оборудване за по-големи тревни площи, което може да бъде ограничително. Освен това, позиционирането с UWB изисква разполагане на множество базови станции или анкерни устройства в наблюдаваната зона, за да се постигне точно позициониране, което добавя сложност и разходи за настройка и поддръжка. В обобщение, докато може да бъде ефективно на закрито, има множество ограничения при използването му на открито.

В този момент може да се чувствате малко объркани: изглежда, че нито едно от тези решения не е наистина надеждно?

2. Има ли оптимално решение за позициониране на роботизирани косачки за трева?

Чрез анализа на предимствата и недостатъците на различните популярни технологии за позициониране, споменати по-горе, е ясно, че всяка технология има своите недостатъци. В резултат на това някои компании за роботи за косене на трева избират да комбинират множество технологии, за да постигнат най-доброто решение. Сред обсъдените опции, технологията RTK безспорно играе централна роля поради най-съществените си предимства и най-малко недостатъци. Просто трябва да изградим на тази основа и да включим други технологии, за да максимизираме възможностите за позициониране на роботите за косене.

2.1. RTK + UWB? Не е оптимално

Първо, нека разгледаме дали комбинирането на RTK и UWB може да реши проблемите. С RTK, стига да бъдат решени проблемите с покритие на базовата станция за приемане на GNSS сигнали и интерференция на сигнала, възможностите за позициониране на RTK не би трябвало да са под съмнение. Проблемът с базовата станция е управляем; стига в района да има достатъчно GNSS сателити, можем да настроим достатъчен брой базови станции в зависимост от нуждите на косачката за трева, за да адресираме потенциални проблеми с покритие на сигнала в големи площи с трева. Но може ли UWB да се справи с проблема с интерференцията на сигнала? Това е малко несигурно.

Второ, позиционирането с UWB изисква разполагането на множество базови станции или опорни точки в работната зона, за да се постигне точно позициониране. Това може да включва високи разходи за настройка и време в големи тревни площи или сложни среди, което обяснява защо е по-подходящо за вътрешно позициониране. Освен това, докато UWB сигналите имат определена степен на проникване, те все пак могат да бъдат блокирани или отслабени в определени ситуации (като гъста растителност или сгради), което влияе на производителността на позиционирането.

2.2.  RTK + Лазер? Твърде скъпо

Какво се случва, когато RTK позициониращата технология бъде комбинирана с лазерната позиционираща технология? От предишните дискусии знаем, че RTK позиционирането предлага точност на сантиметри. Зрелите технологии като Lidar SLAM също имат отлична прецизност и устойчивост на смущения, което означава, че тяхната комбинация потенциално би могла да постигне точност на позициониране, при която 1 + 1 > 2. Въпреки това, техническите и поддържащи разходи, свързани с такива резултати, са непосилно високи, което прави почти невъзможно за средния потребител да си ги позволи. Следователно, ще трябва да изчакаме за сега.

2.3.  RTK + VSLAM? Yes!

Така че, може ли комбинирането на RTK и VSLAM да създаде визуална фузионна позиционираща система, която в крайна сметка да разреши проблема? От техническа гледна точка, VSLAM адресира неизбежното сигнално смущение на RTK, причинено от препятствия в пътя на робота, тъй като може непрекъснато да изгражда карта, за да помогне на машината в избягването на препятствия, като по този начин намалява сигналното смущение. От икономическа гледна точка, VSLAM използва зрели визуални алгоритми, които са широко прилагани в различни сектори, значително намалявайки разходите. Следователно, и двата проблема са решени! Междувременно, RTK може ефективно да смекчи недостатъците на VSLAM технологията, предпазвайки от потенциални екологични смущения, причинени от дъжд, сняг или прах, като по този начин максимизира резултатите от позиционирането, постигнати чрез тяхната комбинация.

Можем да използваме EFLS 2.0, използван в Роботизирана косачка за трева Navimow като пример за конкретно разглеждане на приложението на тази технология.

EFLS, или Exact Fusion Locating System, изисква минимум 10 сателита за стабилна работа. Той комбинира сателитно позициониране с сигнали от множество сензори, за да изчисли реалното позициониране на роботизирания косач, постигаща точност на сантиметри. Сателитните сигнали за EFLS се получават от RTK позициониране, като както роботизираният косач Navimow, така и антена получават тези сигнали. Зарядната станция улеснява прехвърлянето на сигнали от антената към косача, позволявайки синхронни изчисления, които намаляват грешките в позиционирането.

Въпреки това, сателитните сигнали могат да бъдат блокирани по време на неблагоприятни метеорологични условия, като дъжд или сняг. За да се поддържа точна позициониране в такива ситуации, визуалните ориентири са интегрирани в системата. В райони с лошо сателитно покритие, камерата поема, за да предостави на робота по-надеждно позициониране. Процесът на визуално картографиране се състои от три основни стъпки:

Стъпка 1: Събиране на визуални данни

По време на първоначалното си картографиране и първия пълен цикъл на косене, косачката събира визуални данни.

Стъпка 2: Оптимизация на визуалната картаПри връщане на станцията за зареждане, косачката автоматично оптимизира визуалната карта. Тази оптимизация отнема няколко часа и ще спре, ако косачката напусне станцията.

Стъпка 3: Визуална локализация

Когато RTK сигналите са слаби по време на косене, роботизираният косач сравнява визуалните характеристики в реално време с визуалните данни от картата, за да изчисли своето местоположение, осигурявайки непрекъснато косене.

Освен това, с помощта на Visionfence, роботът може бързо да реагира на препятствия пред него в кратък срок, осигурявайки ефективен процес на косене.

Сега, нека се насладим на подобрената ефективност и изключителното преживяване при поддръжка на тревата, предоставено от комбинацията на двете RTK технологии в роботизирания косачка Navimow.