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

Kuvittele tämä: matkustaessasi kotiin töistä, älypuhelimesi epäonnistuu yllättäen navigointilaitteena. Pystytkö silti löytämään tiesi kotiin? GNSS (Globaali Navigointisatelliittijärjestelmä) -teknologia saattaa vaikuttaa vaatimattomalta, mutta se on olennaista sijaintimme määrittämisessä, navigoinnissa ja ympäristömme tutkimisessa. Sen tarkkuus ja kätevyys ovat juurtuneet päivittäiseen elämäämme.

Tämän innoittamana RTK (Reaaliaikainen Kinematiikka), joka perustuu GNSS-satelliittisignaalien käyttöön pääasiallisena sijaintitietojen lähteenä, on tullut laajalti hyväksytyksi robottiruohonleikkureissa. Tämä teknologia mahdollistaa näiden leikkureiden saavuttaa senttimetrin tason tarkkuuden, muuttaen nurmikonhoitoprosessia. Kuitenkin, voivatko nykypäivän RTK-sijaintijärjestelmät olla yhtä "älykkäitä" kuin älypuhelimissa käytettävä GNSS-teknologia? Voivatko ne tehokkaasti auttaa robottiruohonleikkureita tarkasti määrittämään sijaintinsa ja tekemään nurmikonhoidosta tehokkaampaa? Tarkastellaanpa asiaa tarkemmin.

1. Mitkä tehokkaat paikannusteknologiat ovat saatavilla robottiruohonleikkureille?

1.1 RTK Paikannusteknologia

RTK, eli reaaliaikainen kinematiikka, on kantovaiheinen differentiaalinen paikannusteknologia, joka voi saavuttaa senttimetrin tason tarkkuuden, mikä erottaa sen muista paikannusjärjestelmistä. Syyt siihen, miksi RTK voi saavuttaa reaaliaikaisen senttimetrin tason paikannustarkkuuden, perustuvat kolmeen päätekijään:

1.1.1 Se käyttää kantafaasimittauksia etäisyystietona, mikä parantaa tarkkuutta merkittävästi 2-3 kertaluokkaa verrattuna perinteisiin pseudovälimittauksiin.

1.1.2 Suorittamalla differentiaalilaskelmia läheisten tukiasemien tiedoilla, erilaisia järjestelmällisiä virheitä voidaan tehokkaasti poistaa.

1.1.3 Vaikka kantafaasimittaukset ovat erittäin tarkkoja, alkuvaiheen epävarmuus voi johtaa "kokonaisluku-epävarmuus" ongelmaan, mikä tarkoittaa, että ei tiedetä, kuinka monta täydellistä sykliä kantataajuudesta on mukana signaalin siirron aikana. Kuitenkin RTK-algoritmi voi tarkasti määrittää täydellisten sykliä, mikä mahdollistaa senttimetrin tason paikannustarkkuuden saavuttamisen.

Yhteenvetona RTK-kantovaiheinen differentiaalipositiivinen yhdistää korkean tarkkuuden kantovaihehavainnot, differentiaaliset korjaukset, kokonaislukujen epävarmuuden ratkaisun ja monipolkuvaikutusten vaimennuksen mahdollistamaan senttimetrin tason korkean tarkkuuden paikannuksen. Esimerkiksi, jos edellinen tarkkuus oli kahden Cadillacin pituus, nykyinen tarkkuus on verrattavissa kynnen kokoon—erittäin tarkka takapihalla. Tämän seurauksena robottiruohonleikkurit voivat nyt tarkasti leikata määrättyjä alueita, samoin kuin nykyaikaiset robottipölynimurit.

Lisäksi tukiaseman ja roverin välinen differentiaalinen signaali voidaan laskea reaaliajassa korjaustietojen tarjoamiseksi, ja korkean taajuuden tiedonsiirto (yleensä 1 Hz ja 20 Hz välillä) mahdollistaa nopeita päivityksiä paikannukseen, mikä johtaa RTK-järjestelmien erittäin nopeaan vasteaikaan ja millisekunnin tason tarkkuuteen. Lisäksi differentiaalisten signaalien laaja kattavuus auttaa tehokkaasti korjaamaan monipolkuvaikutusten ja ympäristöhäiriöiden (kuten rakennusten ja puiden) aiheuttamia virheitä, vähentäen paikallisten olosuhteiden vaikutusta koko paikannusprosessiin.

Kuitenkin tämä ei tarkoita, että RTK-teknologia olisi virheetöntä. RTK-järjestelmien suuri riippuvuus satelliittisignaaleista tukiasemalta ja roverilta tekee niistä alttiita paikannusvirheille, erityisesti alueilla, joilla tukiaseman peitto on riittämätöntä tai kun esteitä, kuten puita, on läsnä. Lisäksi RTK-järjestelmien asennus ja käyttö voivat olla melko monimutkaisia, ja ne vaativat erikoistunutta tietämystä ja taitoja konfigurointiin ja ylläpitoon, mikä voi estää tämän teknologian laajaa käyttöönottoa.

Siitä huolimatta tämä teknologia on edelleen laajimmin käytetty paikannusmenetelmä robottiruohonleikkureille, kun taas teknologiayritykset jatkavat lisäoptimointivaihtoehtojen tutkimista, kuten seuraavia menetelmiä.

1.2 VSLAM

Toisena laajalti käytettynä paikannusteknologiana VSLAM (Visuaalinen Samanaikainen Paikannus ja Kartoitus) herättää yhä enemmän kiinnostusta monien teknologiayritysten keskuudessa sen alhaisten kustannusten ja nopean sopeutumiskyvyn vuoksi ympäristön muutoksiin.

VSLAM on tekniikka, joka hyödyntää visuaalista tietoa ympäristön paikantamiseen ja kartan rakentamiseen. Se yhdistää tietokonenäön, robotiikan ja anturidatan, mahdollistaen reaaliaikaisen kartan rakentamisen samalla kun se määrittää tarkasti sijaintinsa tuntemattomissa ympäristöissä. Tyypillisesti VSLAM käyttää erilaisia kameroita—kuten monokulaarisia, stereokameroita tai RGB-D-kameroita—kuvaamaan ympäristön kuva-aineistoa, ja se poimii näistä kuvista avainominaisuuksia, kuten kulmia ja reunoja. Se hyödyntää kuvankäsittelyalgoritmeja, kuten SIFT ja ORB, näiden ominaisuuksien vastaamiseen ja laskee sen jälkeen robotin asennon—sen sijainnin ja suuntauksen tilassa—mahdollistaen sen vähitellen rakentaa joko 2D- tai 3D-ympäristökartan.

Se saattaa vaikuttaa monimutkaiselta, mutta perusidea on yksinkertainen: robotti käyttää kameroitaan ympäristön tarkkailemiseen liikkuessaan. Navigoidessaan se kerää visuaalista dataa luodakseen tarkan reaaliaikaisen kartan ympäristöstään. Tämä kartoitus mahdollistaa robotin tehdä tietoon perustuvia päätöksiä seuraavista toiminnoistaan ympäristön rakenteen perusteella. Tätä teknologiaa löytyy erilaisista mobiiliroboteista, mukaan lukien dronet, robottipölynimurit ja autonomiset ajoneuvot.

Kuitenkin VSLAM:lla on omat haittansa. Teknologia vaatii huomattavaa laskentatehoa suurten kuvadatastojen reaaliaikaiseen käsittelyyn, mikä edellyttää tehokkaita algoritmeja ja vahvaa laitteistotukea. Toisin kuin RTK-teknologia, VSLAM on myös alttiina ympäristötekijöille, kuten valaistuksen muutoksille, väreille ja maisemille. Sade, lumi ja pöly voivat aiheuttaa epätarkkuuksia kartan rakentamisessa, mikä voi haitata robotin navigointia. Lisäksi, koska se riippuu täysin kiinnitetystä kamerasta, sen toimintaraja on jonkin verran rajoitettu.

1.3. Lidar Slam

Lidar SLAM on reaaliaikainen paikannus- ja kartoitusmenetelmä, joka hyödyntää laser-radarteknologiaa. Se voi tuottaa reaaliaikaisia 2D- tai 3D-karttoja, jotka esitetään tyypillisesti kolmiulotteisina pistepilvinä tai verkkomalleina. Olet ehkä huomannut, että tämä menetelmä on samanlainen kuin VSLAM, sillä molemmat liittyvät ympäristön kartoitukseen. Kuitenkin toisin kuin VSLAM, jossa robotti käyttää kameroita ympäristön tallentamiseen, Lidar SLAM toimii robottiin asennetun Lidar-anturin perusteella. Lidar-anturit mittaavat etäisyyksiä lähettämällä laserpulssit ja vastaanottamalla heijastuneet signaalit, tuottaen korkealaatuista pistepilvitietoa ympäristöstä.

Kun robotti liikkuu ympäristössään, se jatkuvasti tallentaa pistepilvidataa jokaisesta skannauksesta luodakseen kartan nykyisestä ympäristöstä, mikä auttaa robottia saavuttamaan paremman paikannuksen.

VSLAM:iin verrattuna Lidar SLAM tarjoaa korkearesoluutioista ympäristötietoa, erityisesti monimutkaisissa ympäristöissä, kuten kaupunkikaduilla ja sisätiloissa, joissa se saavuttaa suuremman tarkkuuden kuin VSLAM:issa käytettävät kamerantunnistimet. Lisäksi, koska Lidar käyttää lasereita etäisyyksien mittaamiseen, se ei ole herkkä valaistusolosuhteille, ja se toimii luotettavasti sekä hämärissä että erittäin kirkkaissa ympäristöissä. Yhteenvetona, Lidar SLAM erottuu paikannuskyvyistään ja osoittaa vahvaa vastustuskykyä ympäristöhäiriöitä vastaan.

Joten, mitkä ovat haittapuolet? No, se johtuu pääasiassa kustannuksista. Suuret määrät dataa Lidar-antureilta vaativat merkittävää prosessointitehoa ja resursseja, mikä voi monimutkaistaa ohjelmistokehitystä ja nostaa kustannuksia. Verrattuna VSLAM:iin, joka yleensä perustuu vakiintuneisiin visuaalisiin algoritmeihin, visuaalisten antureiden runsaus tarjoaa monia avoimen lähdekoodin ohjelmistovaihtoehtoja. Tämän vuoksi Lidar SLAM -järjestelmä—mukaan lukien Lidar-anturi, laskentayksiköt ja ohjelmisto—voi olla useita kertoja tai monia kertoja kalliimpi kuin VSLAM-asennus. Siksi VSLAM on yleensä helpommin saatavilla valmistajille ja tavallisille käyttäjille.

1.4. UWB

UWB (Ultra-Wideband) -paikannus on teknologia, joka käyttää ultra-laajakaistaisia signaaleja suhteelliseen paikannukseen ja etäisyyden mittaamiseen. Sitä sovelletaan ensisijaisesti sisätilojen paikannustilanteissa, saavuttaen alle metrin tai senttimetrin tason paikannustarkkuuden. UWB:llä on vahvat läpäisykyvyt, ja se pystyy tehokkaasti kulkemaan läpi seinistä ja muista esteistä samalla kun se säilyttää hyvän suorituskyvyn monimutkaisissa sisäympäristöissä, kuten omaisuuden seurannassa, henkilöstön paikannuksessa ja navigoinnissa. Erityisen huomionarvoinen ominaisuus UWB:ssä on sen kyky tukea useiden laitteiden paikannusta ja viestintää samanaikaisesti. Näiden etujen ansiosta UWB:tä on alettu käyttää myös ulkona toimivissa robottiruohonleikkureissa.

Kuitenkin sen tehokas viestintäetäisyys on tyypillisesti melko lyhyt, yleensä kymmeniä ja sata metriä. Tämä rajoitus saattaa vaatia lisäperusasemien tai toistinasennusten käyttöönottoa suuremmille nurmialueille, mikä voi olla rajoittavaa. Lisäksi UWB-paikannus vaatii useiden perusasemien tai ankkurilaitteiden asentamista valvottavalle alueelle tarkan paikannuksen saavuttamiseksi, mikä lisää monimutkaisuutta ja kustannuksia asennukseen ja ylläpitoon. Yhteenvetona voidaan todeta, että vaikka se voi olla tehokasta sisätiloissa, ulkona käytettäessä on lukuisia rajoituksia.

Tässä vaiheessa saatat tuntea itsesi hieman hämmentyneeksi: näyttää siltä, että mikään näistä ratkaisuista ei ole todella luotettava?

2. Onko olemassa optimaalista paikannusteknologiaratkaisua robottiruohonleikkureille?

Analysoimalla edellä mainittujen eri suosittujen paikannusteknologioiden etuja ja haittoja on selvää, että jokaisella teknologialla on omat heikkoutensa. Tämän seurauksena jotkut nurmikonleikkuurobotiikkayritykset valitsevat yhdistää useita teknologioita parhaan ratkaisun saavuttamiseksi. Keskustelluista vaihtoehdoista RTK-teknologia näyttelee epäilemättä keskeistä roolia sen merkittävimpien etujen ja vähäisimpien haittojen vuoksi. Meidän on yksinkertaisesti rakennettava tämän perustan päälle ja sisällytettävä muita teknologioita robotinleikkureiden paikannusmahdollisuuksien maksimoimiseksi.

2.1. RTK + UWB? Ei optimaalinen

Ensinnäkin, harkitaanpa, voiko RTK:n ja UWB:n yhdistäminen ratkaista ongelmat. RTK:n kanssa, niin kauan kuin GNSS-signaalien vastaanottamiseen liittyvät tukiaseman kattavuusongelmat ja signaalihäiriöt ratkaistaan, RTK:n paikannuskykyjen osalta ei pitäisi olla epäilyksiä. Tukiasemaongelma on hallittavissa; niin kauan kuin alueella on riittävästi GNSS-satelliitteja saatavilla, voimme asettaa riittävän määrän tukiasemia ruohonleikkurin tarpeiden mukaan ratkaistaksemme mahdolliset signaalikattavuusongelmat suurilla nurmialueilla. Mutta voiko UWB käsitellä signaalihäiriöongelman? Se on hieman epävarmaa.

Toiseksi, UWB-paikannus vaatii useiden tukiasemien tai ankkuripisteiden sijoittamista toimintavyöhykkeelle tarkan paikannuksen saavuttamiseksi. Tämä voi aiheuttaa korkeita asennuskustannuksia ja aikaa suurilla nurmialueilla tai monimutkaisissa ympäristöissä, mikä selittää, miksi se on sopivampi sisätiloissa tapahtuvaan paikannukseen. Toiseksi, vaikka UWB-signaaleilla on tietty läpäisykyky, ne voivat silti olla esteiden tai vaimennuksen alaisia tietyissä tilanteissa (kuten tiheässä kasvillisuudessa tai rakennuksissa), mikä vaikuttaa paikannuksen suorituskykyyn.

2.2. RTK + Laser? Liian kallis

Mitä tapahtuu, kun RTK-paikannusteknologia yhdistetään laserpaikannusteknologiaan? Aikaisemmista keskusteluista tiedämme, että RTK-paikannus tarjoaa senttimetrin tason tarkkuuden. Kypsät teknologiat, kuten Lidar SLAM, omaavat myös erinomaisen tarkkuuden ja häiriönsietokyvyn, mikä tarkoittaa, että niiden yhdistelmä voisi mahdollisesti saavuttaa paikannustarkkuuden, jossa 1 + 1 > 2. Kuitenkin, tällaisiin tuloksiin liittyvät tekniset ja ylläpitokustannukset ovat kohtuuttoman korkeat, mikä tekee siitä lähes mahdotonta keskimääräiselle kuluttajalle. Näin ollen meidän on pidettävä taukoa toistaiseksi.

2.3.  RTK + VSLAM? Kyllä!

Voiko RTK:n ja VSLAM:n yhdistäminen luoda visuaalisen fuusion paikannusjärjestelmän, joka lopulta ratkaisee ongelman? Teknisestä näkökulmasta VSLAM käsittelee RTK:n väistämätöntä signaalihäiriötä, joka johtuu esteistä robotin tiellä, sillä se voi jatkuvasti rakentaa kartan auttaakseen konetta esteiden välttämisessä, mikä vähentää signaalihäiriöitä. Kustannusnäkökulmasta VSLAM käyttää kypsiä visuaalisia algoritmeja, joita on laajalti käytetty eri aloilla, mikä alentaa kustannuksia merkittävästi. Siksi molemmat ongelmat on ratkaistu! Samaan aikaan RTK voi tehokkaasti lieventää VSLAM-teknologian puutteita, suojaten mahdollisilta ympäristöhäiriöiltä, joita aiheuttavat sade, lumi tai pöly, maksimoiden siten niiden yhdistelmän saavuttamat paikannustulokset.

Voimme ottaa käyttöön EFLS 2.0, jota käytetään Navimow robottiruohonleikkuri esimerkkinä tämän teknologian sovelluksen erityiseen tarkasteluun.

EFLS, eli Tarkka Fuusiointipaikannusjärjestelmä, vaatii vähintään 10 satelliittia vakaaseen toimintaan. Se yhdistää satelliittipaikannuksen useiden antureiden signaaleihin lasketakseen robottiruohonleikkurin reaaliaikaisen sijainnin, saavuttaen senttimetrin tason tarkkuuden. EFLS:n satelliittisignaalit saadaan RTK-paikannuksesta, ja sekä Navimow-robottiruohonleikkuri että antenni vastaanottavat näitä signaaleja. Latausasema helpottaa signaalien siirtoa antennista ruohonleikkuriin, mahdollistaen synkronoidut laskelmat, jotka vähentävät paikannusvirheitä.

Kuitenkin satelliittisignaalit voivat olla estettyjä huonojen sääolosuhteiden, kuten sateen tai lumen, aikana. Tarkan paikannuksen ylläpitämiseksi tällaisissa tilanteissa visuaaliset maamerkit on integroitu järjestelmään. Alueilla, joilla satelliittikattavuus on heikko, kamera astuu kuvaan tarjotakseen robotille luotettavampaa paikannusta. Visuaalinen kartoitusprosessi koostuu kolmesta keskeisestä vaiheesta:

Vaihe 1: Visuaalinen tietojen keruu

Alkuperäisen kartoituksen ja ensimmäisen täydellisen niittosyklin aikana niittokone kerää visuaalista tietoa.

Vaihe 2: Visuaalisen kartan optimointi Palatessaan latausasemalle, ruohonleikkuri optimoi automaattisesti visuaalisen kartan. Tämä optimointi vie useita tunteja ja keskeytyy, jos ruohonleikkuri poistuu asemalta.

Vaihe 3: Visuaalinen paikannus

Kun RTK-signaalit ovat heikkoja niitto-operaatioiden aikana, robottiruohonleikkuri vertaa reaaliaikaisia visuaalisia ominaisuuksia visuaalisen karttatiedon kanssa laskeakseen sijaintinsa, varmistaen keskeytymättömän niiton.

Lisäksi Visionfencen avulla robotti voi nopeasti reagoida edessään oleviin esteisiin lyhyessä ajassa, mikä varmistaa tehokkaan niitto-prosessin.

Nyt nautitaan parannetusta tehokkuudesta ja erinomaisesta nurmikonhoitokokemuksesta, jonka tuo molempien RTK-teknologioiden yhdistelmä Navimow-robottiruohonleikkurissa.