Da Roboter immer autarker werden, müssen sie sich unabhängiger und zuverlässiger in ihrer Umgebung zurechtfinden. Autonome Traktoren, landwirtschaftliche Erntemaschinen und Sämaschinen müssen sich vorsichtig durch die Felder bewegen, während selbstfahrende Lieferfahrzeuge sicher über die Straßen fahren müssen, um Pakete an der richtigen Stelle zu platzieren. Für eine Vielzahl von Anwendungen benötigen autonome mobile Roboter (AMRs) hochpräzise Positionierungsquellen, um die Aufgaben, für die sie entwickelt wurden, sicher und erfolgreich zu erledigen.
Um eine solche Präzision zu erreichen, sind zwei Sätze von Ortungsfähigkeiten erforderlich. Eine besteht darin, die relative Position von sich selbst zu anderen Objekten zu verstehen. Dies liefert entscheidenden Input, um die Welt um sich herum zu verstehen und im offensichtlichsten Fall Hindernissen auszuweichen, die sowohl stationär als auch in Bewegung sind. Dieses dynamische Manövrieren erfordert einen umfangreichen Stapel von Navigationssensoren wie Kameras, Radar, Lidar und die unterstützende Software, um diese Signale zu verarbeiten und dem AMR in Echtzeit die Richtung zu geben.
Die zweite Gruppe von Funktionen besteht darin, dass der AMR seinen genauen physischen Standort (oder absoluten Standort) in der Welt erkennt, sodass er einen im Gerät programmierten Pfad präzise und wiederholt navigieren kann. Ein offensichtlicher Anwendungsfall ist hier die Hochpräzisionslandwirtschaft, bei der verschiedene AMRs über viele Monate denselben schmalen Pfad entlangfahren müssen, um Feldfrüchte anzupflanzen, zu bewässern und zu ernten, wobei bei jedem Durchgang der AMR jedes Mal genau auf die gleiche Stelle verweisen muss .
Dies erfordert eine Reihe anderer Navigationsfähigkeiten, beginnend mit globalen Navigationssatellitensystemen (GNSS), die das gesamte Ökosystem aus Sensoren und Software nutzt. Ergänzt wird GNSS durch Korrekturfunktionen wie RTK und SSR, die bei Open-Sky-Anwendungen eine 100-mal höhere Präzision als GNSS allein ermöglichen, sowie durch Trägheitsmesseinheiten in Kombination mit Sensorfusionssoftware für die Navigation dort, wo GNSS nicht verfügbar ist (Koppelnavigation).
Bevor wir uns mit diesen Technologien befassen, werfen wir einen Blick auf Anwendungsfälle, bei denen sowohl relative als auch absolute Standorte erforderlich sind, damit ein AMR seine Aufgabe erfüllen kann.
Robotikanwendungen, die eine relative und absolute Positionierung erfordern
AMRs offenbaren, was Menschen für selbstverständlich halten – die angeborene Fähigkeit, sich selbst in der Welt genau zu lokalisieren und auf der Grundlage dieser Informationen präzise Maßnahmen zu ergreifen. Je vielfältiger die Anwendungen von AMRs sind, desto mehr entdecken wir, welche Arten von Aktionen höchste Präzision erfordern. Einige Beispiele sind:
Landwirtschaftliche Automatisierung: In der Landwirtschaft werden AMRs immer häufiger für Aufgaben wie Pflanzen, Ernten und Pflanzenüberwachung eingesetzt. Diese Roboter nutzen die absolute Positionierung, typischerweise über GPS, um große und oft unebene Felder präzise zu navigieren. Dadurch wird sichergestellt, dass sie große Gebiete systematisch abdecken und bei Bedarf zu bestimmten Standorten zurückkehren können. Sobald sie sich jedoch in der Nähe von Feldfrüchten oder innerhalb eines bestimmten Gebiets befinden, verlassen sich AMRs bei Aufgaben, die ein höheres Maß an Genauigkeit erfordern, auf die relative Positionierung, z. B. beim Pflücken von Früchten, die seit dem letzten Besuch des AMR möglicherweise gewachsen sind oder ihre Position geändert haben. Durch die Kombination beider Positionierungsmethoden können diese Roboter in den für landwirtschaftliche Felder typischen anspruchsvollen und variablen Umgebungen effizient arbeiten.
Zustellung auf der letzten Meile im städtischen Umfeld: AMRs verändern die Zustellung auf der letzten Meile in städtischen Umgebungen, indem sie Waren autonom von Distributionszentren zu ihrem endgültigen Bestimmungsort transportieren. Diese Roboter nutzen die absolute Positionierung, um durch Straßen, Gassen und komplexe Stadtpläne zu navigieren und sicherzustellen, dass sie optimierten Routen folgen, gleichzeitig Verkehr vermeiden und Lieferpläne einhalten. Beim Erreichen der Nähe des Lieferorts nutzen die AMRs auch die relative Positionierung, um variable oder unerwartete Hindernisse zu umgehen, beispielsweise ein Fahrzeug, das doppelt auf der Straße geparkt ist. Dieser duale Ansatz ermöglicht es den AMRs, die Feinheiten städtischer Landschaften zu bewältigen und präzise Lieferungen direkt an die Haustür der Kunden zu liefern.
Automatisierung von Baustellen: Auf Baustellen werden AMRs eingesetzt, um sicherzustellen, dass das Projekt genau nach den von den Ingenieuren festgelegten Spezifikationen gebaut wird. Sie helfen auch bei Aufgaben wie dem Materialtransport und der Kartierung oder Vermessung von Umgebungen. Diese Standorte erstrecken sich oft über große Gebiete mit sich ständig ändernden Umgebungen, sodass AMRs die absolute Positionierung verwenden müssen, um innerhalb des gesamten Projektstandorts zu navigieren und die Orientierung beizubehalten. Die relative Positionierung kommt ins Spiel, wenn AMRs Aufgaben ausführen, die eine Interaktion mit dynamischen Elementen erfordern, wie z. B. das Vermeiden anderer Geräte oder sogar Personals auf der Baustelle. Durch die Kombination beider Positionierungssysteme können AMRs effektiv zur komplexen und dynamischen Natur von Bauprojekten beitragen und so die Effizienz und Sicherheit steigern.
Autonome Straßeninstandhaltung: AMRs werden zunehmend bei Straßeninstandhaltungsaufgaben wie Fahrbahninspektion, Rissversiegelung und Straßenanstrich eingesetzt. Diese Roboter nutzen die absolute Positionierung, um entlang von Autobahn- oder Straßenabschnitten zu fahren. So stellen sie sicher, dass sie über große Entfernungen auf Kurs bleiben und die spezifischen Stellen, an denen Wartungsarbeiten durchgeführt werden müssen, präzise erfassen können. Bei der Durchführung dieser Wartungsaufgaben wechseln sie zur relativen Positionierung, um bestimmte Straßenmängel genau zu identifizieren und zu beheben, Fahrspurmarkierungen präzise zu malen oder um Hindernisse herum zu navigieren. Diese doppelte Fähigkeit ermöglicht es AMRs, Straßeninstandhaltungsaufgaben effizient zu verwalten und gleichzeitig den Einsatz menschlicher Arbeitskräfte in gefährlichen Umgebungen am Straßenrand zu reduzieren, wodurch Sicherheit und Produktivität verbessert werden.
Umweltüberwachung und -erhaltung: In Außenumgebungen werden AMRs häufig für Umweltüberwachungs- und Naturschutzbemühungen wie Wildtierverfolgung, Verschmutzungserkennung und Lebensraumkartierung eingesetzt. Diese Roboter nutzen die absolute Positionsbestimmung, um durch große Naturgebiete, von Wäldern bis hin zu Küstenregionen, zu navigieren, um eine umfassende Abdeckung des Geländes zu gewährleisten und die Erfassung detaillierter Standortvermessungen und Kartierungen zu ermöglichen. AMRs können Aufgaben wie die Aufnahme hochauflösender Bilder, das Sammeln von Proben oder die punktgenaue Verfolgung von Tierbewegungen ausführen und diese Proben im Laufe der Zeit zusammenhängend überlagern.
In allen oben genannten Beispielen ist eine absolute Positionierungsgenauigkeit von deutlich weniger als einem Meter erforderlich, um potenziell katastrophale Folgen zu vermeiden. Verletzungen von Arbeitern, erhebliche Produktverluste und kostspielige Verzögerungen sind ohne genaue Ortung wahrscheinlich. Grundsätzlich gilt: Überall dort, wo ein AMR innerhalb weniger Zentimeter funktionieren muss, sind sowohl relative als auch absolute Standortlösungen erforderlich.
Technologie zur relativen Positionierung
AMRs nutzen eine Reihe von Sensoren, um sich im Verhältnis zu anderen Objekten in ihrer Umgebung zu lokalisieren. Dazu gehören:
Kameras: Kameras fungieren als visuelle Sensoren autonomer mobiler Roboter und liefern ihnen ein unmittelbares Bild ihrer Umgebung, ähnlich wie das menschliche Auge funktioniert. Diese Geräte erfassen umfangreiche visuelle Informationen, die Roboter zur Objekterkennung, Hindernisvermeidung und Umgebungskartierung nutzen können. Allerdings sind Kameras auf eine ausreichende Beleuchtung angewiesen und können durch widrige Wetterbedingungen wie Nebel, Regen oder Dunkelheit beeinträchtigt werden. Um diese Einschränkungen zu beseitigen, werden Kameras häufig mit Nahinfrarotsensoren gekoppelt oder mit Nachtsichtfunktionen ausgestattet, die es den Robotern ermöglichen, auch bei schlechten Lichtverhältnissen zu sehen. Kameras sind eine Schlüsselkomponente der visuellen Odometrie, einem Prozess, bei dem Positionsänderungen im Laufe der Zeit durch die Analyse aufeinanderfolgender Kamerabilder berechnet werden. Im Allgemeinen erfordern Kameras immer einen erheblichen Verarbeitungsaufwand, um ihre 2-D-Bilder in 3-D-Strukturen umzuwandeln.
Radarsensoren: Radarsensoren senden pulsierende Radiowellen aus, die von Objekten reflektiert werden und Informationen über die Geschwindigkeit, Entfernung und relative Position des Objekts liefern. Diese Technologie ist robust und kann unter verschiedenen Umgebungsbedingungen, einschließlich Regen, Nebel und Staub, effektiv funktionieren, wo Kameras und Lidar möglicherweise Probleme haben. Allerdings bieten Radarsensoren im Vergleich zu anderen Sensortypen typischerweise spärlichere Daten und eine geringere Auflösung. Dennoch sind sie aufgrund ihrer Zuverlässigkeit bei der Erkennung der Geschwindigkeit sich bewegender Objekte von unschätzbarem Wert, was sie besonders nützlich in dynamischen Umgebungen macht, in denen das Verständnis der Bewegung anderer Einheiten von entscheidender Bedeutung ist.
Lidar-Sensoren: Lidar, oder Light Detection and Ranging, ist eine Sensortechnologie, die Laserimpulse verwendet, um Entfernungen zu messen, indem sie die Reflexion von Licht von Objekten zeitlich synchronisiert. Durch das Scannen der Umgebung mit schnellen Laserpulsen erstellt Lidar hochpräzise, detaillierte 3D-Karten der Umgebung. Dies macht es zu einem unverzichtbaren Werkzeug für die gleichzeitige Ortung und Kartierung (SLAM), bei der der Roboter eine Karte einer unbekannten Umgebung erstellt und gleichzeitig seinen Standort innerhalb dieser Karte verfolgt. Lidar ist bekannt für seine Präzision und seine Fähigkeit, bei verschiedenen Lichtverhältnissen gut zu funktionieren, kann jedoch bei Regen, Schnee oder Nebel weniger effektiv sein, wo Wassertropfen die Laserstrahlen streuen können. Obwohl es sich um eine teure Technologie handelt, wird Lidar aufgrund seiner Genauigkeit und Zuverlässigkeit in komplexen Umgebungen in der autonomen Navigation bevorzugt.
Ultraschallsensoren: Ultraschallsensoren senden hochfrequente Schallwellen aus, die von nahegelegenen Objekten reflektiert werden, wobei der Sensor die Zeit misst, die das Echo benötigt, um zurückzukehren. Dadurch kann der Roboter die Entfernung zu Objekten und Hindernissen auf seinem Weg berechnen. Diese Sensoren sind besonders nützlich für die Nahbereichserkennung und werden häufig bei langsamen Aktivitäten im Nahbereich eingesetzt, beispielsweise beim Navigieren in engen Räumen wie Lagergängen oder für präzise Manöver wie Andocken oder Rückwärtsfahren. Ultraschallsensoren sind kostengünstig und funktionieren unter verschiedenen Bedingungen gut. Aufgrund ihrer begrenzten Reichweite und langsameren Reaktionszeit im Vergleich zu Lidar-Sensoren und Kameras eignen sie sich jedoch am besten für bestimmte, kontrollierte Umgebungen, in denen eine hohe Präzision im Nahbereich erforderlich ist.
Die Basistechnologie für die absolute Positionierung beginnt mit GNSS (der Begriff umfasst GPS und andere Satellitensysteme wie GLONASS, Galileo und BeiDou). Da GNSS durch atmosphärische Bedingungen und Satelliteninkonsistenzen beeinflusst wird, kann es eine Positionslösung liefern, die um viele Meter abweichen kann. Für AMRs, die eine präzisere Navigation erfordern, reicht dies nicht aus – daher ist eine Technologie namens GNSS-Korrektur entstanden, die diesen Fehler auf nur einen Zentimeter einschränkt.
RTK: Echtzeitkinematik (RTK) nutzt ein Netzwerk von Basisstationen mit bekannten Positionen als Referenzpunkte für die Korrektur von Standortschätzungen des GNSS-Empfängers. Solange sich der AMR innerhalb von 50 Kilometern von einer Basisstation befindet und über eine zuverlässige Kommunikationsverbindung verfügt, kann RTK zuverlässig eine Genauigkeit von 1–2-Zentimeter liefern.
SSR oder PPP-RTK: State Space Representation (SSR), manchmal auch PPP-RTK genannt, nutzt Informationen aus dem Basisstationsnetzwerk, aber anstatt Korrekturen direkt von einer lokalen Basisstation zu senden, modelliert es die Fehler über einen weiten geografischen Bereich. Das Ergebnis ist eine breitere Abdeckung, die Entfernungen weit über 50 km von einer Basisstation ermöglicht, die Genauigkeit sinkt jedoch je nach Dichte und Qualität des Netzwerks auf 3-10 Zentimeter oder mehr.
Während diese beiden Ansätze dort außergewöhnlich gut funktionieren, wo GNSS-Signale verfügbar sind (im Allgemeinen unter freiem Himmel), bewegen sich viele AMRs außerhalb des offenen Himmels, wo sich zwischen dem GNSS-Empfänger am AMR und dem Himmel ein Hindernis befindet. Dies kann in Tunneln, Parkhäusern, Obstgärten und städtischen Umgebungen passieren. Hier kommen Inertial Navigation Systems (INS) mit ihrer Inertial Measurement Unit (IMU) und Sensor Fusion-Software ins Spiel.
IMU– Eine IMU kombiniert Beschleunigungsmesser, Gyroskope und manchmal Magnetometer, um jeweils die lineare Beschleunigung, Winkelgeschwindigkeit und magnetische Feldstärke eines Systems zu messen. Hierbei handelt es sich um entscheidende Daten, die es einem INS ermöglichen, die Position, Geschwindigkeit und Ausrichtung eines Objekts relativ zu einem Startpunkt in Echtzeit zu bestimmen.
Die Geschichte der IMU reicht bis ins frühe 20. Jahrhundert zurück und hat ihre Wurzeln in der Entwicklung von Kreiselgeräten, die in Navigationssystemen für Schiffe und Flugzeuge verwendet werden. Die ersten praktischen IMUs wurden während des Zweiten Weltkriegs entwickelt, hauptsächlich für den Einsatz in Raketenleitsystemen und später im Weltraumprogramm. Die Apollo-Missionen beispielsweise stützten sich bei der Navigation im Weltraum stark auf IMUs, wo herkömmliche Navigationsmethoden nicht durchführbar waren. Im Laufe der Jahrzehnte hat sich die IMU-Technologie erheblich weiterentwickelt, was auf die Miniaturisierung elektronischer Komponenten und die Einführung der MEMS-Technologie (Micro-Electro-Mechanical Systems) im späten 20. Jahrhundert zurückzuführen ist. Diese Entwicklung hat zu kompakteren, erschwinglicheren und genaueren IMUs geführt und ermöglicht heute deren Integration in eine Vielzahl von Unterhaltungselektronik-, Automobilsystemen und industriellen Anwendungen.
Sensorfusion– Die Sensorfusionssoftware ist dafür verantwortlich, Daten von der IMU und anderen Sensoren zu kombinieren, um ein zusammenhängendes und genaues Verständnis des absoluten Standorts eines AMR zu schaffen, wenn GNSS nicht verfügbar ist. Die grundlegendsten Implementierungen „füllen die Lücken“ in Echtzeit, zwischen dem Verlust des GNSS-Signals und dem erneuten Empfang durch das AMR. Die Genauigkeit der Sensorfusionssoftware hängt von mehreren Faktoren ab, darunter der Qualität und Kalibrierung der beteiligten Sensoren, den für die Fusion verwendeten Algorithmen und der spezifischen Anwendung oder Umgebung, in der sie eingesetzt wird. Eine ausgefeiltere Sensorfusionssoftware ist in der Lage, verschiedene Sensormodalitäten miteinander zu korrelieren, was zu einer höheren Positionsgenauigkeit führt, als wenn jeder der Sensoren in der Lösung alleine arbeitet.
RTK für GNSS bietet eine hochpräzise Quelle des absoluten Standorts für autonome Roboter. Ohne RTK sind jedoch viele Robotikanwendungen einfach nicht möglich oder praktikabel. Von Bauvermessungsfahrzeugen über autonome Lieferdrohnen bis hin zu autonomen Landwirtschaftsgeräten sind zahlreiche AMRs auf die zentimetergenaue absolute Positionierung angewiesen, die nur RTK bieten kann.
Allerdings ist eine RTK-Lösung nur so gut wie das Netzwerk dahinter. Für stets zuverlässige Korrekturen ist ein hochdichtes Netzwerk von Basisstationen erforderlich, damit sich die Empfänger immer in ausreichender Reichweite für genaue Fehlerkorrekturen befinden. Je größer das Netzwerk, desto einfacher ist es, von überall Korrekturen für AMRs zu erhalten. Die Dichte allein ist nicht der einzige Faktor. Netzwerke sind hochkomplizierte Echtzeitsysteme und erfordern professionelle Überwachung, Vermessung und Integritätsprüfung, um sicherzustellen, dass die an das AMR gesendeten Daten korrekt und zuverlässig sind.
Was bedeutet das alles für die Entwickler autonomer Roboter? Zumindest bei Outdoor-Anwendungen ist kein AMR vollständig ohne einen RTK-gestützten GNSS-Empfänger. Für eine möglichst genaue Lösung sollten sich Entwickler auf das dichteste und zuverlässigste RTK-Netzwerk verlassen. Und wo Roboter sich häufig in ideale GNSS-Signalumgebungen hinein und wieder heraus bewegen müssen, beispielsweise für ein selbstfahrendes Lieferfahrzeug, bietet RTK in Kombination mit einer IMU die umfassendste verfügbare Quelle für absolute Positionierung.
Keine zwei autonomen Robotikanwendungen sind gleich und jede einzelne Konfiguration erfordert eine eigene Mischung aus relativen und absoluten Positionierungsinformationen. Für die Outdoor-AMRs von morgen ist GNSS mit einem robusten RTK-Korrekturnetzwerk jedoch ein wesentlicher Bestandteil des Sensorstapels.