Percezione per la Robotica Agricola*

I. Introduzione

La percezione indica l'insieme dei meccanismi che permettono a un sistema, sia esso biologico (umano) o artificiale (robot), di acquisire e interpretare informazioni sul suo ambiente.

Per un robot agricolo, raggruppa i processi attraverso i quali il robot raccoglie, elabora e utilizza i dati dei suoi sensori per costruire una rappresentazione coerente del suo ambiente e del proprio stato. Questa fase è essenziale per permettergli di localizzarsi, interagire con il suo ambiente e navigare in modo autonomo.

Per comprendere come viene svolto questo compito, è opportuno presentare i principali sensori utilizzati, quindi distinguere le due forme di percezione implementate:

la percezione esterocezionale, relativa all'ambiente esterno (ostacoli, colture, terreno, ecc.);

e la percezione propriocettiva, legata allo stato interno del robot (orientamento, velocità, accelerazione, ecc.).

II. I sensori utilizzati dai robot agricoli

Come presentato nella Figura 1 qui sotto, i sensori utilizzati dai robot agricoli possono essere raggruppati in due grandi categorie: i sensori propriocettivi, che misurano lo stato interno del robot, e i sensori esterocezionali, che misurano gli elementi del suo ambiente.

Sensori utilizzati dai robot agricoli: possono essere raggruppati in due grandi categorie: i sensori propriocettivi, che misurano lo stato interno del robot, e i sensori esterocezionali, che raccolgono informazioni sull'ambiente esterno.

Figura 1: Sensori utilizzati dai robot agricoli

Possono essere raggruppati in due grandi categorie: i sensori propriocettivi, che misurano lo stato interno del robot, e i sensori esterocezionali, che raccolgono informazioni sull'ambiente esterno.

Tra i sensori propriocettivi generalmente utilizzati, possiamo citare:

La centrale inerziale (IMU: Inertial Motion Unit): è un'unità in grado di fornire informazioni come l'accelerazione lineare e angolare del robot.
Gli encoder: sono sensori che misurano la rotazione delle ruote.

Queste informazioni permettono, grazie ad algoritmi di percezione, di stimare la posa del veicolo (posizione e orientamento).

Per quanto riguarda i sensori esterocezionali, troviamo in particolare:

Il GNSS (Global Navigation Satellite System), ad esempio un GPS (Global Positioning System): utilizza i segnali satellitari per determinare la posizione del robot rispetto a un riferimento terrestre fisso. La sua precisione può essere influenzata dall'ambiente (ad esempio, l'ostruzione della chioma). In condizioni normali, offre una precisione dell'ordine del metro. Quando è associato a una stazione di riferimento terrestre, la precisione diventa centimetrica: si parla allora di GPS RTK (Real Time Kinematic).
La fotocamera: questo sensore fornisce un'immagine dell'ambiente del robot. Le fotocamere RGB-D (Red Green
Blue - Distance) forniscono sia un'immagine a colori che la distanza degli oggetti rispetto al robot. Sono le più diffuse in agricoltura. Il loro principale svantaggio rimane la scarsa robustezza di fronte a elementi perturbatori come pioggia, neve o polvere, che possono ostruire l'obiettivo.
Il LIDAR (Light Detection And Ranging): a differenza della fotocamera, è robusto alle condizioni meteorologiche avverse e alla polvere. Tramite l'emissione e la ricezione di fasci luminosi, genera una nuvola di punti che rappresenta l'ambiente intorno al robot, permettendo così la mappatura dello stesso. Tuttavia, rimane circa cinque volte più costoso di una fotocamera.

III. Approcci di percezione propriocettiva

Gli algoritmi di percezione permettono essenzialmente di stimare lo stato del robot, in particolare la sua localizzazione (posizione e orientamento) rispetto a un riferimento terrestre fisso. Alcuni algoritmi utilizzano solo i dati dei sensori propriocettivi per determinare la posizione del robot, si parla allora di "dead reckoning". Tuttavia, poiché queste informazioni sono interne al robot, il loro utilizzo individuale per localizzarsi rispetto a un riferimento esterno porta a risultati la cui precisione si degrada rapidamente.

Per migliorare la precisione, si combinano le informazioni dei sensori, il che consente di ottenere una localizzazione più affidabile. Tra gli algoritmi più utilizzati per questo tipo di fusione, troviamo il filtro di Kalman.

Figura 2: Principio di un filtro di Kalman

Si basa su due fasi principali. La prima è la predizione, che stima lo stato futuro del robot a partire dal suo stato precedente e dal suo modello di evoluzione. La seconda è la correzione, durante la quale le misure provenienti dai sensori sono utilizzate per regolare e affinare la predizione effettuata, permettendo così di ottenere una stima più precisa dello stato reale del robot.

Il filtro di Kalman è un algoritmo ricorsivo che permette a un robot di stimare il suo stato (posizione e orientamento) combinando le misure dei suoi sensori e un modello di evoluzione che predice dove il robot dovrebbe trovarsi.

Come mostrato nella Figura 2 qui sopra, questo algoritmo comprende due fasi principali:

Predizione: Questa fase utilizza lo stato precedente del robot e il modello di evoluzione per predire il suo stato futuro.
Correzione: In questa fase, lo stato previsto viene confrontato con le misure ottenute dai sensori e la stima dello stato viene regolata, permettendo così di ottenere una localizzazione più precisa del robot.

IV. Approcci di percezione esterocezionale

Questi algoritmi si basano sui sensori esterocezionali che, oltre a contribuire alla percezione propriocettiva (come nel caso della localizzazione tramite GNSS RTK), sono utilizzati per rappresentare l'ambiente.

Come mostrato nella Figura 3 qui sotto, la percezione esterocezionale per un robot agricolo ha quindi come ruolo principale quello di modellare l'ambiente del robot e di posizionarlo in tale ambiente.

Principio della percezione esterocezionale: utilizzo di approcci basati sull'intelligenza artificiale o sull'analisi geometrica per modellare l'ambiente utile del robot a partire da immagini, nuvole di punti e/o dalla sua posizione GNSS

Figura 3: Principio della percezione esterocezionale

Utilizzo di approcci basati sull'intelligenza artificiale o sull'analisi geometrica per modellare l'ambiente utile del robot a partire da immagini, nuvole di punti e/o dalla sua posizione GNSS.

Per fare ciò, possono essere utilizzati due grandi approcci:

Approccio basato sull'intelligenza artificiale: una rete neurale analizza le informazioni provenienti dai sensori (immagini, nuvole di punti), identifica e classifica i diversi elementi presenti nell'ambiente (piante di interesse, infestanti, ostacoli, umani, ecc.), e genera quindi una mappatura strutturata comprendente le posizioni di ciascuno di questi elementi e quella del robot.
Approccio basato sull'analisi geometrica: l'output è simile, ovvero una mappatura dei diversi elementi dell'ambiente e del robot. La differenza risiede nel metodo: si basa sull'analisi geometrica delle nuvole di punti fornite dai sensori. Ad esempio, alcune forme geometriche nella nuvola di punti possono essere rilevate e attribuite a una categoria specifica (pianta di interesse, infestante, ecc.).

V. Conclusione

Per concludere, un robot agricolo utilizza sensori propriocettivi ed esterocezionali per percepire il suo ambiente e localizzarsi con precisione. Tra i più diffusi, troviamo il GNSS (GPS RTK), la fotocamera RGB-D e il LIDAR. Quando sono associati ad algoritmi adeguati, questi sensori forniscono al robot informazioni cruciali per la navigazione e la presa di decisioni autonome.

*: Le informazioni tecniche presentate in questo articolo sono fornite a titolo indicativo. Non sostituiscono i manuali ufficiali dei produttori. Prima di qualsiasi installazione, manipolazione o utilizzo, si prega di consultare la documentazione del prodotto e rispettare le istruzioni di sicurezza. Il sito Torque.works non può essere ritenuto responsabile per un uso improprio o un'interpretazione errata delle informazioni fornite.