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

Wyobraź sobie to: podczas dojazdu do domu z pracy, twój smartfon niespodziewanie przestaje działać jako urządzenie nawigacyjne. Czy nadal możesz dotrzeć do domu? Technologia GNSS (Global Navigation Satellite System) może wydawać się niepozorna, ale jest niezbędna do lokalizowania się, nawigacji i odkrywania otoczenia. Jej dokładność i wygoda są zakorzenione w naszym codziennym życiu.

Zainspirowane tym, RTK (Real-Time Kinematic), które polega na sygnałach satelitarnych GNSS jako głównym źródle danych o położeniu, stało się szeroko stosowane w robotycznych kosiarkach. Ta technologia pozwala tym kosiarkom osiągnąć precyzję na poziomie centymetra, rewolucjonizując proces pielęgnacji trawnika. Jednak czy dzisiejsze systemy pozycjonowania RTK mogą być tak "inteligentne" jak technologia GNSS używana w smartfonach? Czy mogą skutecznie pomóc robotycznym kosiarkom dokładnie określić swoje położenie i uczynić pielęgnację trawnika bardziej efektywną? Przyjrzyjmy się temu bliżej.

1. Jakie skuteczne technologie pozycjonowania są dostępne dla robotów koszących?

1.1 Technologia pozycjonowania RTK

RTK, czyli Kinematyka w Czasie Rzeczywistym, to technologia różnicowego pozycjonowania fazy nośnej, która może osiągnąć dokładność na poziomie centymetra, co odróżnia ją od innych systemów pozycjonowania. Powód, dla którego RTK może osiągnąć dokładność pozycjonowania w czasie rzeczywistym na poziomie centymetra, leży w trzech głównych czynnikach:

1.1.1 Wykorzystuje pomiary fazy nośnej jako informacje o odległości, co znacząco poprawia dokładność o 2 do 3 rzędów wielkości w porównaniu do tradycyjnych pomiarów pseudoodległości.

1.1.2 Wykonując obliczenia różnicowe z danymi z pobliskich stacji bazowych, różne błędy systematyczne można skutecznie wyeliminować.

1.1.3 Chociaż pomiary fazy nośnej są bardzo dokładne, niepewność początkowej fazy może prowadzić do problemu "ambiguitetów całkowitych", co oznacza brak wiedzy na temat liczby pełnych cykli fali nośnej zawartych w czasie transmisji sygnału. Jednak algorytm RTK może dokładnie określić liczbę pełnych cykli, co pozwala mu osiągnąć dokładność pozycjonowania na poziomie centymetra.

Podsumowując, różnicowe pozycjonowanie fazy nośnej RTK łączy obserwacje fazy nośnej o wysokiej precyzji, różnicowe korekty, rozwiązywanie całkowitych niepewności oraz tłumienie efektów wielościeżkowych, aby umożliwić pozycjonowanie na poziomie centymetra. Aby to zobrazować, jeśli wcześniejsza dokładność była długością dwóch Cadillaców, obecna dokładność jest porównywalna z rozmiarem paznokcia - wyjątkowo precyzyjna jak na podwórko. W związku z tym, robotyczne kosiarki do trawy mogą teraz dokładnie przycinać wyznaczone obszary, podobnie jak współczesne roboty odkurzające.

Dodatkowo, sygnały różnicowe między stacją bazową a roverem mogą być obliczane w czasie rzeczywistym, aby dostarczyć informacje o korekcji, a transmisja danych o wysokiej częstotliwości (zwykle między 1 Hz a 20 Hz) umożliwia szybkie aktualizacje pozycjonowania, co sprawia, że systemy RTK mają bardzo krótki czas reakcji i osiągają dokładność na poziomie milisekund. Ponadto, szerokie pokrycie sygnałów różnicowych skutecznie pomaga korygować błędy spowodowane efektami wielościeżkowymi i zakłóceniami środowiskowymi (takimi jak budynki i drzewa), redukując wpływ lokalnych warunków na cały proces pozycjonowania.

Jednak nie oznacza to, że technologia RTK jest niezawodna. Wysoka zależność systemów RTK od sygnałów satelitarnych z stacji bazowej i rovera sprawia, że są one podatne na błędy pozycjonowania, szczególnie w obszarach z niewystarczającym zasięgiem stacji bazowej lub gdy występują przeszkody, takie jak drzewa. Ponadto, konfiguracja i obsługa systemów RTK mogą być dość skomplikowane, wymagając specjalistycznej wiedzy i umiejętności do konfiguracji i konserwacji, co może utrudniać szerokie wdrożenie tej technologii.

Niemniej jednak ta technologia pozostaje najczęściej stosowaną metodą pozycjonowania dla robotów koszących, podczas gdy firmy technologiczne nadal badają dalsze opcje optymalizacji, takie jak następujące metody.

1.2  VSLAM

Jako kolejna szeroko stosowana technologia pozycjonowania, VSLAM (Wizualna Jednoczesna Lokalizacja i Mapowanie) jest coraz częściej badana przez wiele firm technologicznych z powodu niskich kosztów i szybkiej adaptacji do zmian w otoczeniu.

VSLAM to technika, która wykorzystuje informacje wizualne do lokalizacji w środowisku i budowy mapy. Integruje wizję komputerową, robotykę i dane z czujników, umożliwiając budowanie mapy w czasie rzeczywistym przy jednoczesnym dokładnym określaniu swojej pozycji w nieznanych środowiskach. Zazwyczaj VSLAM wykorzystuje różne rodzaje kamer—takie jak kamery monokularne, stereo lub RGB-D—do rejestrowania danych obrazowych z otoczenia, wydobywając kluczowe cechy, takie jak rogi i krawędzie z tych obrazów. Wykorzystuje algorytmy przetwarzania obrazów, takie jak SIFT i ORB, do dopasowywania tych cech, a następnie oblicza pozycję robota—jego położenie i orientację w przestrzeni—pozwalając mu stopniowo budować mapę środowiska w formacie 2D lub 3D.

Może się to wydawać skomplikowane, ale podstawowa idea jest prosta: robot używa swoich kamer do obserwacji otoczenia podczas poruszania się. Podczas nawigacji zbiera dane wizualne, aby stworzyć dokładną mapę w czasie rzeczywistym swojego otoczenia. Ta mapowanie umożliwia robotowi podejmowanie świadomych decyzji dotyczących jego następnych działań w oparciu o układ otoczenia. Ta technologia może być stosowana w różnych mobilnych robotach, w tym dronach, robotach odkurzających i pojazdach autonomicznych.

Jednak VSLAM ma swoje wady. Technologia ta wymaga znacznej mocy obliczeniowej do przetwarzania w czasie rzeczywistym dużych zbiorów obrazów, co wymaga efektywnych algorytmów i silnego wsparcia sprzętowego. W przeciwieństwie do technologii RTK, VSLAM jest również podatny na czynniki środowiskowe, takie jak zmiany oświetlenia, kolory i krajobraz. Deszcz, śnieg i kurz mogą powodować niedokładności w budowaniu map, co może utrudniać nawigację robota. Dodatkowo, ponieważ zależy wyłącznie od zamontowanych kamer, jego zasięg operacyjny jest nieco ograniczony.

1.3. Lidar Slam

Lidar SLAM to metoda lokalizacji i mapowania w czasie rzeczywistym, która wykorzystuje technologię radarową laserową. Może tworzyć mapy 2D lub 3D w czasie rzeczywistym, zazwyczaj przedstawiane jako trójwymiarowe chmury punktów lub modele siatkowe. Możesz zauważyć, że ta metoda jest podobna do VSLAM, ponieważ obie dotyczą mapowania środowiska. Jednak w przeciwieństwie do VSLAM, gdzie robot używa kamer do uchwycenia otaczającego środowiska, Lidar SLAM działa na podstawie czujnika Lidar zamontowanego na robocie. Czujniki Lidar mierzą odległości, emitując impulsy laserowe i odbierając odbite sygnały, generując dane chmury punktów o wysokiej precyzji dotyczące środowiska.

Gdy robot porusza się po swoim otoczeniu, nieprzerwanie zbiera dane chmurowe z każdego skanu, aby stworzyć mapę aktualnego środowiska, co pomaga robotowi w osiągnięciu lepszej lokalizacji.

W porównaniu do VSLAM, Lidar SLAM dostarcza dane o wyższej rozdzielczości dotyczące środowiska, szczególnie w złożonych warunkach, takich jak ulice miast i wnętrza budynków, gdzie osiąga większą dokładność niż czujniki kamerowe używane w VSLAM. Ponadto, ponieważ Lidar wykorzystuje lasery do pomiaru odległości, pozostaje niewrażliwy na warunki oświetleniowe, działając niezawodnie zarówno w słabo oświetlonych, jak i w ekstremalnie jasnych środowiskach. Podsumowując, Lidar SLAM wyróżnia się zdolnościami lokalizacyjnymi i wykazuje silną odporność na zakłócenia środowiskowe.

Jakie są więc wady? Cóż, głównie sprowadza się to do kosztów. Duże ilości danych z czujnika Lidar wymagają znacznej mocy obliczeniowej i zasobów, co może skomplikować rozwój oprogramowania i zwiększyć koszty. W porównaniu z tym, VSLAM zazwyczaj opiera się na ustalonych algorytmach wizualnych, a obfitość czujników wizualnych oferuje wiele opcji oprogramowania open-source. Z tego powodu system Lidar SLAM — w tym czujnik Lidar, jednostki obliczeniowe i oprogramowanie — może być kilka razy do wielu razy droższy niż konfiguracja VSLAM. Dlatego VSLAM jest zazwyczaj bardziej dostępny dla producentów i codziennych użytkowników.

1.4. UWB

UWB (Ultra-Wideband) to technologia, która wykorzystuje sygnały o ultra-szerokim zakresie częstotliwości do względnego pozycjonowania i pomiaru odległości. Jest głównie stosowana w scenariuszach pozycjonowania wewnętrznego, osiągając dokładność pozycjonowania na poziomie sub-metra lub centymetra. UWB ma silne zdolności penetracyjne, skutecznie przechodząc przez ściany i inne przeszkody, jednocześnie utrzymując dobrą wydajność w złożonych środowiskach wewnętrznych, takich jak śledzenie aktywów, lokalizacja personelu i nawigacja. Szczególnie godną uwagi cechą UWB jest jego zdolność do wspierania pozycjonowania i komunikacji wielu urządzeń jednocześnie. Dzięki tym zaletom UWB zaczęło być również stosowane w zewnętrznych kosiarzach robotycznych.

Jednakże, jego efektywny zasięg komunikacji jest zazwyczaj dość krótki, zwykle wynoszący od dziesiątek do stu metrów. To ograniczenie może wymagać wdrożenia dodatkowych stacji bazowych lub sprzętu przekaźnikowego w przypadku większych obszarów trawnika, co może być ograniczające. Dodatkowo, pozycjonowanie UWB wymaga wdrożenia wielu stacji bazowych lub urządzeń kotwiczących w monitorowanym obszarze, aby osiągnąć dokładne pozycjonowanie, co zwiększa złożoność i koszty konfiguracji oraz utrzymania. Podsumowując, chociaż może być skuteczne w pomieszczeniach, istnieje wiele ograniczeń przy użyciu na zewnątrz.

W tym momencie możesz czuć się trochę zdezorientowany: wydaje się, że żadne z tych rozwiązań nie jest naprawdę niezawodne?

2. Czy istnieje optymalne rozwiązanie technologiczne do pozycjonowania dla robotów koszących trawę?

Poprzez analizę zalet i wad różnych popularnych technologii pozycjonowania wymienionych powyżej, jasne jest, że każda technologia ma swoje wady. W rezultacie niektóre firmy zajmujące się robotyką koszenia trawy decydują się na połączenie wielu technologii, aby osiągnąć najlepsze rozwiązanie. Spośród omawianych opcji, technologia RTK niewątpliwie odgrywa kluczową rolę ze względu na swoje największe zalety i najmniejsze wady. Musimy po prostu zbudować na tym fundamencie i włączyć inne technologie, aby maksymalizować możliwości pozycjonowania robotów koszących.

2.1. RTK + UWB? Nieoptymalne

Najpierw zastanówmy się, czy połączenie RTK i UWB może rozwiązać te problemy. W przypadku RTK, dopóki problemy z zasięgiem stacji bazowej do odbioru sygnałów GNSS i zakłóceniami sygnału są rozwiązane, możliwości pozycjonowania RTK nie powinny budzić wątpliwości. Problem stacji bazowej jest do opanowania; dopóki w okolicy dostępnych jest wystarczająco dużo satelitów GNSS, możemy ustawić wystarczającą liczbę stacji bazowych w zależności od potrzeb kosiarki, aby rozwiązać potencjalne problemy z zasięgiem sygnału na dużych obszarach trawy. Ale czy UWB poradzi sobie z problemem zakłóceń sygnału? To jest trochę niepewne.

Po drugie, pozycjonowanie UWB wymaga rozmieszczenia wielu stacji bazowych lub punktów kotwiczących w obszarze roboczym, aby osiągnąć dokładne pozycjonowanie. Może to wiązać się z wysokimi kosztami i czasem konfiguracji w dużych obszarach trawiastych lub złożonych środowiskach, co wyjaśnia, dlaczego jest bardziej odpowiednie do pozycjonowania wewnętrznego. Po drugie, chociaż sygnały UWB mają pewien stopień zdolności penetracji, mogą być nadal blokowane lub osłabiane w niektórych sytuacjach (takich jak gęsta roślinność lub budynki), co wpływa na wydajność pozycjonowania.

2.2. RTK + Laser? Zbyt drogie

Co się dzieje, gdy technologia pozycjonowania RTK jest łączona z technologią pozycjonowania laserowego? Z wcześniejszych dyskusji wiemy, że pozycjonowanie RTK oferuje dokładność na poziomie centymetra. Dojrzałe technologie, takie jak Lidar SLAM, również charakteryzują się doskonałą precyzją i odpornością na zakłócenia, co oznacza, że ich połączenie może potencjalnie osiągnąć dokładność pozycjonowania, gdzie 1 + 1 > 2. Jednak koszty techniczne i konserwacyjne związane z takimi wynikami są niebotycznie wysokie, co sprawia, że dla przeciętnego konsumenta jest to prawie niemożliwe do sfinansowania. Dlatego na razie będziemy musieli wstrzymać się z tym.

2.3.  RTK + VSLAM? Tak!

Czy połączenie RTK i VSLAM może stworzyć system pozycjonowania z fuzją wizualną, który ostatecznie rozwiązuje problem? Z technicznego punktu widzenia, VSLAM rozwiązuje nieuniknione zakłócenia sygnału RTK spowodowane przeszkodami na drodze robota, ponieważ może ciągle budować mapę, aby wspierać maszynę w omijaniu przeszkód, co zmniejsza zakłócenia sygnału. Z perspektywy kosztów, VSLAM wykorzystuje dojrzałe algorytmy wizualne, które zostały szeroko przyjęte w różnych sektorach, znacznie obniżając koszty. Dlatego oba problemy są rozwiązane! W międzyczasie, RTK może skutecznie złagodzić niedociągnięcia technologii VSLAM, chroniąc przed potencjalnymi zakłóceniami środowiskowymi spowodowanymi deszczem, śniegiem lub kurzem, maksymalizując w ten sposób wyniki pozycjonowania osiągnięte dzięki ich połączeniu.

Możemy wziąć EFLS 2.0 używany w Robot koszący Navimow jako przykład do szczegółowego zbadania zastosowania tej technologii.

EFLS, czyli Exact Fusion Locating System, wymaga minimum 10 satelitów do stabilnej pracy. Łączy pozycjonowanie satelitarne z sygnałami z wielu czujników, aby obliczyć pozycjonowanie robota koszącego w czasie rzeczywistym, osiągając dokładność na poziomie centymetra. Sygnały satelitarne dla EFLS pochodzą z pozycjonowania RTK, a zarówno robot koszący Navimow, jak i antena odbierają te sygnały. Stacja ładująca ułatwia transfer sygnałów z anteny do kosiarki, umożliwiając synchronizację obliczeń, co redukuje błędy pozycjonowania.

Jednak sygnały satelitarne mogą być zakłócane podczas niekorzystnych warunków pogodowych, takich jak deszcz czy śnieg. Aby utrzymać dokładne pozycjonowanie w takich sytuacjach, punkty orientacyjne są zintegrowane z systemem. W obszarach o słabym zasięgu satelitarnym, kamera przejmuje rolę, aby zapewnić robotowi bardziej niezawodne pozycjonowanie. Proces mapowania wizualnego składa się z trzech kluczowych kroków:

Krok 1: Zbieranie Danych Wizualnych

Podczas początkowego mapowania i pierwszego pełnego cyklu koszenia, kosiarka zbiera dane wizualne.

Krok 2: Optymalizacja mapy wizualnej Po powrocie do stacji ładującej, kosiarka automatycznie optymalizuje mapę wizualną. Ta optymalizacja trwa kilka godzin i zostanie wstrzymana, jeśli kosiarka opuści stację.

Krok 3: Wizualna lokalizacja

Kiedy sygnały RTK są słabe podczas operacji koszenia, robot koszący porównuje cechy wizualne w czasie rzeczywistym z danymi mapy wizualnej, aby obliczyć swoją lokalizację, zapewniając nieprzerwane koszenie.

Co więcej, dzięki Visionfence, robot może szybko reagować na przeszkody przed sobą w krótkim czasie, zapewniając efektywny proces koszenia.

Teraz cieszmy się zwiększoną wydajnością i wyjątkowym doświadczeniem w pielęgnacji trawnika, które przynosi połączenie obu technologii RTK w robotycznym kosiarce Navimow.