Percepción para la Robótica Agrícola*

I. Introducción

La percepción se refiere al conjunto de mecanismos que permiten a un sistema, ya sea biológico (humano) o artificial (robot), adquirir e interpretar información sobre su entorno.

Para un robot agrícola, agrupa los procesos mediante los cuales el robot recopila, procesa y utiliza los datos de sus sensores para construir una representación coherente de su entorno y de su propio estado. Esta etapa es esencial para permitirle localizarse, interactuar con su entorno y navegar de manera autónoma.

Para comprender cómo se realiza esta tarea, es necesario presentar los principales sensores utilizados y luego distinguir las dos formas de percepción implementadas:

la percepción exteroceptiva, relativa al entorno exterior (obstáculos, cultivos, terreno, etc.);

y la percepción propioceptiva, relacionada con el estado interno del robot (orientación, velocidad, aceleración, etc.).

II. Los sensores utilizados por los robots agrícolas

Como lo presenta la Figura 1 a continuación, los sensores utilizados por los robots agrícolas pueden agruparse en dos grandes categorías: los sensores propioceptivos, que miden el estado interno del robot, y los sensores exteroceptivos, que miden los elementos de su entorno.

Sensores utilizados por los robots agrícolas: pueden agruparse en dos grandes categorías: los sensores propioceptivos, que miden el estado interno del robot, y los sensores exteroceptivos, que recopilan información sobre el entorno exterior.

Figura 1: Sensores utilizados por los robots agrícolas

Pueden agruparse en dos grandes categorías: los sensores propioceptivos, que miden el estado interno del robot, y los sensores exteroceptivos, que recopilan información sobre el entorno exterior.

Entre los sensores propioceptivos generalmente utilizados, se pueden citar:

La unidad inercial (IMU: Inertial Motion Unit): es una unidad capaz de proporcionar información como la aceleración lineal y angular del robot.
Los encoders: son sensores que miden la rotación de las ruedas.

Esta información permite, gracias a algoritmos de percepción, estimar la posición del vehículo (posición y orientación).

En cuanto a los sensores exteroceptivos, se encuentran principalmente:

El GNSS (Global Navigation Satellite System), por ejemplo un GPS (Global Positioning System): utiliza señales satelitales para determinar la posición del robot con respecto a un referente terrestre fijo. Su precisión puede verse afectada por el entorno (por ejemplo, la obstrucción por el dosel). En condiciones normales, ofrece una precisión del orden de un metro. Cuando se asocia con una estación de referencia terrestre, la precisión se vuelve centimétrica: se habla entonces de GPS RTK (Real Time Kinematic).
La cámara: este sensor proporciona una imagen del entorno del robot. Las cámaras RGB-D(Red Green
Blue - Distance) proporcionan tanto una imagen en color como la distancia de los objetos respecto al robot. Son las más comunes en la agricultura. Su principal inconveniente sigue siendo su baja robustez frente a elementos perturbadores como la lluvia, la nieve o el polvo, que pueden obstruir el objetivo.
El LIDAR (Light Detection And Ranging): a diferencia de la cámara, es robusto ante condiciones meteorológicas adversas y polvo. Mediante la emisión y recepción de haces de luz, genera una nube de puntos que representa el entorno alrededor del robot, permitiendo así su cartografía. Sin embargo, sigue siendo aproximadamente cinco veces más costoso que una cámara.

III. Enfoques de percepción propioceptiva

Los algoritmos de percepción permiten esencialmente estimar el estado del robot, especialmente su localización (posición y orientación) con respecto a un referente terrestre fijo. Algunos algoritmos utilizan únicamente los datos de los sensores propioceptivos para determinar la posición del robot, lo que se conoce como "dead reckoning". Sin embargo, al ser estas informaciones internas al robot, su uso individual para localizarse respecto a un referente exterior conduce a resultados cuya precisión se degrada rápidamente.

Para mejorar la precisión, se combinan las informaciones de los sensores, lo que permite obtener una localización más fiable. Entre los algoritmos más utilizados para este tipo de fusión, se encuentra el filtro de Kalman.

Figura 2: Principio de un filtro de Kalman

Se basa en dos etapas principales. La primera es la predicción, que estima el estado futuro del robot a partir de su estado anterior y su modelo de evolución. La segunda es la corrección, durante la cual se utilizan las mediciones de los sensores para ajustar y afinar la predicción realizada, permitiendo así obtener una estimación más precisa del estado real del robot.

El filtro de Kalman es un algoritmo recursivo que permite a un robot estimar su estado (posición y orientación) combinando las mediciones de sus sensores y un modelo de evolución que predice dónde debería encontrarse el robot.

Como lo muestra la Figura 2 arriba, este algoritmo consta de dos etapas principales:

Predicción: Esta etapa utiliza el estado anterior del robot y el modelo de evolución para predecir su estado futuro.
Corrección: En esta etapa, el estado predicho se compara con las mediciones obtenidas por los sensores y se ajusta la estimación del estado, permitiendo así obtener una localización más precisa del robot.

IV. Enfoques de percepción exteroceptiva

Estos algoritmos se basan en los sensores exteroceptivos que, además de contribuir a la percepción propioceptiva (como en el caso de la localización por GNSS RTK), se utilizan para representar el entorno.

Como lo muestra la Figura 3 a continuación, la percepción exteroceptiva para un robot agrícola tiene como principal función modelar el entorno del robot y posicionarlo en dicho entorno.

Principio de la percepción exteroceptiva: uso de enfoques basados en inteligencia artificial o análisis geométrico para modelar el entorno útil del robot a partir de imágenes, nubes de puntos y/o su posición GNSS

Figura 3: Principio de la percepción exteroceptiva

Uso de enfoques basados en inteligencia artificial o análisis geométrico para modelar el entorno útil del robot a partir de imágenes, nubes de puntos y/o su posición GNSS.

Para ello, se pueden utilizar dos grandes enfoques:

Enfoque basado en inteligencia artificial: una red neuronal analiza la información de los sensores (imágenes, nubes de puntos), identifica y clasifica los diferentes elementos presentes en el entorno (plantas de interés, malezas, obstáculos, humanos, etc.), y luego genera un mapa estructurado que incluye las posiciones de cada uno de estos elementos así como la del robot.
Enfoque basado en el análisis geométrico: la salida es similar, es decir, un mapa de los diferentes elementos del entorno y del robot. La diferencia radica en el método: se basa en el análisis geométrico de las nubes de puntos proporcionadas por los sensores. Por ejemplo, algunas formas geométricas en la nube de puntos pueden ser detectadas y asignadas a una categoría específica (planta de interés, maleza, etc.).

V. Conclusión

Para concluir, un robot agrícola utiliza sensores propioceptivos y exteroceptivos para percibir su entorno y localizarse con precisión. Entre los más comunes se encuentran el GNSS (GPS RTK), la cámara RGB-D y el LIDAR. Cuando se asocian con algoritmos adecuados, estos sensores proporcionan al robot información crucial para la navegación y la toma de decisiones autónoma.

*: La información técnica presentada en este artículo se proporciona a título indicativo. No reemplaza los manuales oficiales de los fabricantes. Antes de cualquier instalación, manipulación o uso, consulte la documentación del producto y respete las instrucciones de seguridad. El sitio Torque.works no se hace responsable de un uso inadecuado o de una interpretación incorrecta de la información proporcionada.