RTK-Technologie: Der Kern der genauen Positionierung für Mähroboter – aber ist das genug?

Stellen Sie sich vor: Auf dem Heimweg von der Arbeit versagt Ihr Smartphone unerwartet als Navigationsgerät. Finden Sie trotzdem den Weg nach Hause? Die GNSS-Technologie (Global Navigation Satellite System) mag unscheinbar erscheinen, ist aber für die Ortung, Navigation und Erkundung unserer Umgebung unverzichtbar. Ihre Genauigkeit und Benutzerfreundlichkeit sind fester Bestandteil unseres täglichen Lebens.

Davon inspiriert wurde RTK (Real-Time Kinematic), das auf GNSS-Satellitensignalen als primäre Quelle für Positionsdaten basiert, in Roboter-Rasenmähern weithin übernommen. Diese Technologie ermöglicht es diesen Mähern, eine Präzision im Zentimeterbereich zu erreichen, was den Rasenpflegeprozess revolutioniert. Können die heutigen RTK-Positionierungssysteme jedoch so „intelligent“ sein wie die in Smartphones verwendete GNSS-Technologie? Können sie Roboter-Rasenmähern effektiv dabei helfen, ihren Standort genau zu bestimmen und die Rasenpflege effizienter zu gestalten? Schauen wir uns das genauer an.

1. Welche effektiven Positionierungstechnologien gibt es für Mähroboter?

1.1 RTK-Positionierungstechnologie

RTK (Real-Time Kinematics) ist eine Trägerphasendifferenzial-Positionierungstechnologie, die eine Genauigkeit im Zentimeterbereich erreichen kann und sich damit von anderen Positionierungssystemen unterscheidet. Der Grund, warum RTK eine Echtzeit-Positionierungsgenauigkeit im Zentimeterbereich erreichen kann, liegt in drei Hauptfaktoren:

1.1.1 Es verwendet Trägerphasenmessungen als Entfernungsinformation, was die Genauigkeit im Vergleich zu herkömmlichen Pseudoentfernungsmessungen um zwei bis drei Größenordnungen verbessert.

1.1.2 Durch die Durchführung von Differenzberechnungen mit Daten von nahegelegenen Basisstationen können verschiedene systematische Fehler wirksam eliminiert werden.

1.1.3 Obwohl Trägerphasenmessungen sehr genau sind, kann die Unsicherheit der Anfangsphase zum Problem der „Ganzzahlmehrdeutigkeit“ führen, was bedeutet, dass man nicht weiß, wie viele vollständige Zyklen der Trägerwelle während der Signalübertragung enthalten sind. Der RTK-Algorithmus kann jedoch die Anzahl der vollständigen Zyklen genau bestimmen und so eine Positionierungsgenauigkeit im Zentimeterbereich erreichen.

Zusammenfassend lässt sich sagen, dass die RTK-Trägerphasendifferenzpositionierung hochpräzise Trägerphasenbeobachtungen, Differenzkorrekturen, ganzzahlige Mehrdeutigkeitsauflösung und die Unterdrückung von Mehrwegeeffekten kombiniert, um eine hochpräzise Positionierung im Zentimeterbereich zu ermöglichen. Zur Veranschaulichung: Während die frühere Genauigkeit der Länge von zwei Cadillacs entsprach, ist die heutige Genauigkeit vergleichbar mit der Größe eines Fingernagels – außergewöhnlich präzise für einen Garten. Folglich können Mähroboter jetzt bestimmte Bereiche präzise mähen, ähnlich wie moderne Staubsaugerroboter.

Zusätzlich können die differentiellen Signale zwischen der Basisstation und dem Rover in Echtzeit berechnet werden, um Korrekturinformationen bereitzustellen, und die Hochfrequenzdatenübertragung (typischerweise zwischen 1 Hz und 20 Hz) ermöglicht schnelle Aktualisierungen der Positionierung, was dazu führt, dass RTK-Systeme eine sehr schnelle Reaktionszeit haben und eine Genauigkeit im Millisekundenbereich erreichen. Darüber hinaus hilft die breite Abdeckung der differentiellen Signale, Fehler, die durch Mehrwegeffekte und Umwelteinflüsse (wie Gebäude und Bäume) verursacht werden, effektiv zu korrigieren, wodurch der Einfluss lokaler Bedingungen auf den gesamten Positionierungsprozess verringert wird.

Dies bedeutet jedoch nicht, dass die RTK-Technologie narrensicher ist. Die hohe Abhängigkeit von RTK-Systemen von Satellitensignalen der Basisstation und des Rovers macht sie anfällig für Positionsfehler, insbesondere in Gebieten mit unzureichender Abdeckung durch Basisstationen oder wenn es Hindernisse wie Bäume gibt. Darüber hinaus kann die Einrichtung und der Betrieb von RTK-Systemen recht komplex sein, was spezielles Wissen und Fähigkeiten für die Konfiguration und Wartung erfordert, was die weitverbreitete Akzeptanz dieser Technologie behindern kann.

Dennoch bleibt diese Technologie die am weitesten verbreitete Positionierungsmethode für Rasenmäher-Roboter, während Technologieunternehmen weiterhin weitere Optimierungsoptionen erkunden, wie die folgenden Methoden.

1.2  VSLAM

Als eine weitere weit verbreitete Positionierungstechnologie wird VSLAM (Visuelle gleichzeitige Lokalisierung und Kartierung) von vielen Technologieunternehmen zunehmend erforscht, da sie kostengünstig ist und sich schnell an Umweltveränderungen anpassen lässt.

VSLAM ist eine Technik, die visuelle Informationen zur Umgebungsortung und Kartenkonstruktion nutzt. Sie integriert Computer Vision, Robotik und Sensordaten, wodurch eine Echtzeit-Kartenbildung ermöglicht wird, während die Position in unbekannten Umgebungen genau bestimmt wird. Typischerweise verwendet VSLAM verschiedene Kameratypen – wie Monokamera, Stereo- oder RGB-D-Kameras – um Bilddaten aus der Umgebung zu erfassen und wichtige Merkmale wie Ecken und Kanten aus diesen Bildern zu extrahieren. Es nutzt Bildverarbeitungsalgorithmen wie SIFT und ORB, um diese Merkmale abzugleichen und berechnet anschließend die Pose des Roboters – seine Position und Orientierung im Raum – wodurch er schrittweise eine 2D- oder 3D-Umgebungskarte erstellen kann.

Es mag kompliziert erscheinen, aber die Grundidee ist einfach: Der Roboter nutzt seine Kameras, um die Umgebung während der Bewegung zu beobachten. Während er sich bewegt, sammelt er visuelle Daten, um eine genaue Echtzeitkarte seiner Umgebung zu erstellen. Diese Kartierung ermöglicht es dem Roboter, informierte Entscheidungen über seine nächsten Aktionen basierend auf dem Layout der Umgebung zu treffen. Diese Technologie findet sich in verschiedenen mobilen Robotern, einschließlich Drohnen, Robotersaugern und autonomen Fahrzeugen.

Allerdings hat VSLAM seine Nachteile. Die Technologie erfordert erhebliche Rechenleistung für die Echtzeitverarbeitung großer Bilddatensätze, was effiziente Algorithmen und starke Hardwareunterstützung erfordert. Im Gegensatz zur RTK-Technologie ist VSLAM auch anfällig für Umweltfaktoren wie Lichtveränderungen, Farben und Landschaften. Regen, Schnee und Staub können Ungenauigkeiten beim Kartenbau verursachen, was die Navigation des Roboters beeinträchtigen kann. Darüber hinaus ist der Betriebsbereich, da er ausschließlich auf die montierten Kameras angewiesen ist, etwas eingeschränkt.

1.3. Lidar Slam

Lidar SLAM ist eine Echtzeit-Lokalisierungs- und Kartierungsmethode, die Laserradartechnologie nutzt. Sie kann in Echtzeit 2D- oder 3D-Karten erstellen, die typischerweise als dreidimensionale Punktwolken oder Mesh-Modelle dargestellt werden. Möglicherweise ist Ihnen aufgefallen, dass diese Methode VSLAM ähnlich ist, da beide die Kartierung der Umgebung beinhalten. Im Gegensatz zu VSLAM, bei dem der Roboter Kameras verwendet, um die Umgebung zu erfassen, funktioniert Lidar SLAM jedoch auf der Grundlage eines am Roboter montierten Lidar-Sensors. Lidar-Sensoren messen Entfernungen, indem sie Laserimpulse aussenden und die reflektierten Signale empfangen, wodurch hochpräzise Punktwolken-Daten der Umgebung erzeugt werden.

Während sich der Roboter durch seine Umgebung bewegt, erfasst er kontinuierlich Punktwolken-Daten aus jedem Scan, um eine Karte der aktuellen Umgebung zu erstellen, wodurch der Roboter bei der besseren Lokalisierung unterstützt wird.

Im Vergleich zu VSLAM liefert Lidar SLAM hochauflösende Umgebungsdaten, insbesondere in komplexen Umgebungen wie Stadtstraßen und Innenräumen, wo es eine höhere Genauigkeit als die Kamerasensoren von VSLAM erreicht. Darüber hinaus bleibt Lidar, da es Laser zur Abstandsmessung verwendet, von Lichtverhältnissen unbeeinflusst und arbeitet zuverlässig sowohl in schwach beleuchteten als auch in extrem hellen Umgebungen. Zusammenfassend lässt sich sagen, dass Lidar SLAM in den Lokalisierungsfähigkeiten herausragt und eine starke Widerstandsfähigkeit gegenüber Umwelteinflüssen zeigt.

Was sind also die Nachteile? Nun, es kommt hauptsächlich auf die Kosten an. Die großen Datenmengen des Lidar-Sensors erfordern erhebliche Rechenleistung und Ressourcen, was die Softwareentwicklung komplizieren und die Kosten in die Höhe treiben kann. Im Vergleich dazu basiert VSLAM typischerweise auf etablierten visuellen Algorithmen, und die Fülle an visuellen Sensoren bietet viele Open-Source-Softwareoptionen. Aus diesem Grund kann ein Lidar-SLAM-System – einschließlich des Lidar-Sensors, der Recheneinheiten und der Software – mehrere Male bis viele Male teurer sein als ein VSLAM-Setup. Daher ist VSLAM in der Regel zugänglicher für Hersteller und alltägliche Benutzer.

1.4. UWB

UWB (Ultra-Wideband) Positionierung ist eine Technologie, die ultrabreite Frequenzsignale für die relative Positionierung und Abstandsmessung verwendet. Sie wird hauptsächlich in Innenraumszenarien angewendet und erreicht eine Positionierungsgenauigkeit im Submeter- oder Zentimeterbereich. UWB hat starke Durchdringungsfähigkeiten, da es effektiv Wände und andere Hindernisse durchdringt und dabei eine gute Leistung in komplexen Innenumgebungen aufrechterhält, wie z.B. bei der Verfolgung von Vermögenswerten, der Lokalisierung von Personen und der Navigation. Ein besonders bemerkenswertes Merkmal von UWB ist die Fähigkeit, die Positionierung und Kommunikation mehrerer Geräte gleichzeitig zu unterstützen. Dank dieser Vorteile wird UWB auch zunehmend in robotergestützten Rasenmähern im Freien eingesetzt.

Die effektive Kommunikationsreichweite ist jedoch typischerweise recht kurz, normalerweise zwischen einigen Dutzend und hundert Metern. Diese Einschränkung kann erfordern, dass zusätzliche Basisstationen oder Relaisgeräte für größere Rasenflächen eingesetzt werden, was einschränkend sein könnte. Darüber hinaus erfordert die UWB-Positionierung die Bereitstellung mehrerer Basisstationen oder Ankergeräte innerhalb des überwachten Bereichs, um eine genaue Positionierung zu erreichen, was die Einrichtung und Wartung komplizierter und kostspieliger macht. Zusammenfassend lässt sich sagen, dass es zwar drinnen effektiv sein kann, es jedoch zahlreiche Einschränkungen gibt, wenn es im Freien verwendet wird.

An diesem Punkt könnten Sie sich ein wenig verwirrt fühlen: Es scheint, als wären keine dieser Lösungen wirklich zuverlässig?

2. Gibt es eine optimale Positionierungstechnologie-Lösung für Robotermäher?

Durch die Analyse der Vor- und Nachteile der verschiedenen oben genannten beliebten Positionierungstechnologien wird deutlich, dass jede Technologie ihre Nachteile hat. Daher entscheiden sich einige Unternehmen für Rasenmähroboter dafür, mehrere Technologien zu kombinieren, um die beste Lösung zu erreichen. Unter den diskutierten Optionen spielt die RTK-Technologie zweifellos eine zentrale Rolle aufgrund ihrer größten Vorteile und geringsten Nachteile. Wir müssen einfach auf diesem Fundament aufbauen und andere Technologien integrieren, um die Positionierungsfähigkeiten von Robotermähern zu maximieren.

2.1. RTK + UWB? Nicht optimal

Zuerst sollten wir überlegen, ob die Kombination von RTK und UWB die Probleme lösen kann. Bei RTK sollten die Positionierungsfähigkeiten von RTK nicht in Frage gestellt werden, solange die Probleme der Basisstationsabdeckung für den Empfang von GNSS-Signalen und der Signalinterferenz angegangen werden. Das Basisstationsproblem ist handhabbar; solange genügend GNSS-Satelliten in der Umgebung verfügbar sind, können wir eine ausreichende Anzahl von Basisstationen basierend auf den Bedürfnissen des Rasenmähers einrichten, um potenzielle Signalabdeckungsprobleme über große Grasflächen zu lösen. Aber kann UWB das Problem der Signalinterferenz bewältigen? Das ist etwas ungewiss.

Zweitens erfordert die UWB-Positionierung mehrere Basisstationen oder Ankerpunkte, die im Betriebsbereich installiert werden müssen, um eine genaue Positionierung zu erreichen. Dies könnte hohe Einrichtungskosten und Zeit in großen Rasenflächen oder komplexen Umgebungen mit sich bringen, was erklärt, warum es besser für die Innenpositionierung geeignet ist. Zweitens, obwohl UWB-Signale eine gewisse Durchdringungsfähigkeit haben, können sie in bestimmten Situationen (wie dichten Vegetationen oder Gebäuden) dennoch behindert oder abgeschwächt werden, was die Positionierungsleistung beeinträchtigt.

2.2.  RTK + Laser? Zu Teuer

Was passiert, wenn RTK-Positionierungstechnologie mit Laser-Positionierungstechnologie kombiniert wird? Aus früheren Diskussionen wissen wir, dass die RTK-Positionierung eine Genauigkeit im Zentimeterbereich bietet. Ausgereifte Technologien wie Lidar SLAM haben ebenfalls eine hervorragende Präzision und Widerstandsfähigkeit gegen Störungen, was bedeutet, dass ihre Kombination potenziell eine Positionierungsgenauigkeit erreichen könnte, bei der 1 + 1 > 2 ist. Die technischen und Wartungskosten, die mit solchen Ergebnissen verbunden sind, sind jedoch prohibitv hoch, was es für den durchschnittlichen Verbraucher nahezu unmöglich macht, sich das leisten zu können. Daher müssen wir vorerst abwarten.

2.3.  RTK + VSLAM? Yes!

Kann die Kombination von RTK und VSLAM ein visuelles Fusions-Positionierungssystem schaffen, das letztendlich das Problem löst? Aus technischer Sicht adressiert VSLAM die unvermeidlichen Signalstörungen von RTK, die durch Hindernisse im Weg des Roboters verursacht werden, da es kontinuierlich eine Karte erstellt, um der Maschine bei der Hindernisvermeidung zu helfen und somit Signalstörungen zu reduzieren. Aus Kostensicht verwendet VSLAM ausgereifte visuelle Algorithmen, die in verschiedenen Sektoren weit verbreitet sind, was die Kosten erheblich senkt. Daher sind beide Probleme gelöst! Gleichzeitig kann RTK effektiv die Schwächen der VSLAM-Technologie mildern und vor potenziellen Umwelteinflüssen durch Regen, Schnee oder Staub schützen, wodurch die Positionierungsergebnisse, die durch ihre Kombination erzielt werden, maximiert werden.

Wir können die EFLS 2.0, die in der Navimow Roboter-Rasenmäher als Beispiel, um die Anwendung dieser Technologie speziell zu untersuchen.

EFLS (Exact Fusion Locating System) benötigt für einen stabilen Betrieb mindestens 10 Satelliten. Es kombiniert Satellitenortung mit Signalen mehrerer Sensoren, um die Echtzeitpositionierung des Mähroboters zu berechnen und dabei eine Genauigkeit im Zentimeterbereich zu erreichen. Die Satellitensignale für EFLS stammen aus der RTK-Positionierung, wobei sowohl der Navimow-Mähroboter als auch eine Antenne diese Signale empfangen. Die Ladestation erleichtert die Signalübertragung von der Antenne zum Mäher und ermöglicht synchrone Berechnungen, die Positionierungsfehler reduzieren.

Bei widrigen Wetterbedingungen wie Regen oder Schnee können Satellitensignale jedoch gestört werden. Um in solchen Situationen eine genaue Positionsbestimmung zu gewährleisten, sind visuelle Orientierungspunkte in das System integriert. In Gebieten mit schlechter Satellitenabdeckung greift die Kamera ein, um dem Roboter eine zuverlässigere Positionsbestimmung zu ermöglichen. Der visuelle Kartierungsprozess besteht aus drei Hauptschritten:

Schritt 1: Visuelle Datenerfassung

Während der ersten Kartierung und des ersten vollständigen Mähzyklus sammelt der Mäher visuelle Daten.

Schritt 2: Visuelle Kartenoptimierung Bei der Rückkehr zur Ladestation optimiert der Mäher automatisch die visuelle Karte. Diese Optimierung dauert mehrere Stunden und wird unterbrochen, wenn der Mäher die Station verlässt.

Schritt 3: Visuelle Lokalisierung

Wenn die RTK-Signale während des Mähvorgangs schwach sind, vergleicht der Rasenroboter visuelle Merkmale in Echtzeit mit den visuellen Kartendaten, um seinen Standort zu berechnen und so ein unterbrechungsfreies Mähen zu gewährleisten.

Darüber hinaus kann der Roboter mit Hilfe von Visionfence innerhalb kurzer Zeit auf Hindernisse vor ihm reagieren und so einen effizienten Mähvorgang gewährleisten.

Genießen Sie jetzt die verbesserte Effizienz und das außergewöhnliche Rasenpflegeerlebnis, das durch die Kombination beider RTK-Technologien im Navimow-Mähroboter möglich wird.