Perceptie voor Agrarische Robotica*

I. Inleiding

Perceptie verwijst naar het geheel van mechanismen waarmee een systeem, biologisch (menselijk) of kunstmatig (robot), informatie over zijn omgeving kan verwerven en interpreteren.

Voor een agrarische robot omvat het de processen waarmee de robot gegevens van zijn sensoren verzamelt, verwerkt en gebruikt om een samenhangende voorstelling van zijn omgeving en zijn eigen toestand te creëren. Deze stap is essentieel om hem in staat te stellen zich te lokaliseren, met zijn omgeving te interageren en autonoom te navigeren.

Om te begrijpen hoe deze taak wordt uitgevoerd, is het belangrijk de belangrijkste gebruikte sensoren te presenteren en vervolgens de twee vormen van perceptie die worden toegepast te onderscheiden:

de exteroceptieve perceptie, gerelateerd aan de externe omgeving (obstakels, gewassen, terrein, enz.);

en de proprioceptieve perceptie, gerelateerd aan de interne toestand van de robot (oriëntatie, snelheid, versnelling, enz.).

II. De sensoren gebruikt door agrarische robots

Zoals gepresenteerd in de Figuur 1 hieronder, kunnen de sensoren gebruikt door agrarische robots worden gegroepeerd in twee grote categorieën: de proprioceptieve sensoren, die de interne toestand van de robot meten, en de exteroceptieve sensoren, die de elementen van zijn omgeving meten.

Sensoren gebruikt door agrarische robots: ze kunnen worden gegroepeerd in twee grote categorieën: de proprioceptieve sensoren, die de interne toestand van de robot meten, en de exteroceptieve sensoren, die informatie over de externe omgeving verzamelen.

Figuur 1: Sensoren gebruikt door agrarische robots

Ze kunnen worden gegroepeerd in twee grote categorieën: de proprioceptieve sensoren, die de interne toestand van de robot meten, en de exteroceptieve sensoren, die informatie over de externe omgeving verzamelen.

Onder de algemeen gebruikte proprioceptieve sensoren kunnen we noemen:

De inertiële centrale (IMU: Inertial Motion Unit): dit is een eenheid die in staat is om informatie te verstrekken zoals de lineaire en hoekversnelling van de robot.
De encoders: dit zijn sensoren die de rotatie van de wielen meten.

Deze informatie maakt het mogelijk, dankzij perceptie-algoritmen, de positie van het voertuig (positie en oriëntatie) te schatten.

Wat betreft de exteroceptieve sensoren, vinden we met name:

De GNSS (Global Navigation Satellite System), bijvoorbeeld een GPS (Global Positioning System): het gebruikt satellietsignalen om de positie van de robot ten opzichte van een vaste aardse referentie te bepalen. De nauwkeurigheid kan worden beïnvloed door de omgeving (bijvoorbeeld obstructie door het bladerdak). Onder normale omstandigheden biedt het een nauwkeurigheid van ongeveer een meter. Wanneer het wordt gecombineerd met een aardse referentiestation, wordt de nauwkeurigheid centimeternauwkeurig: dit wordt GPS RTK (Real Time Kinematic) genoemd.
De camera: deze sensor levert een beeld van de omgeving van de robot. De RGB-D-camera's (Rood Groen
Blauw - Afstand) leveren zowel een kleurenbeeld als de afstand van objecten tot de robot. Ze zijn het meest verspreid in de landbouw. Hun belangrijkste nadeel blijft hun lage robuustheid tegen storende elementen zoals regen, sneeuw of stof, die de lens kunnen blokkeren.
De LIDAR (Light Detection And Ranging): in tegenstelling tot de camera is hij robuust tegen slechte weersomstandigheden en stof. Door het uitzenden en ontvangen van lichtbundels genereert het een puntenwolk die de omgeving rond de robot weergeeft, waardoor het mogelijk is deze in kaart te brengen. Het blijft echter ongeveer vijf keer duurder dan een camera.

III. Benaderingen van proprioceptieve perceptie

Perceptie-algoritmen maken het in wezen mogelijk de toestand van de robot te schatten, met name zijn locatie (positie en oriëntatie) ten opzichte van een vaste aardse referentie. Sommige algoritmen gebruiken alleen de gegevens van de proprioceptieve sensoren om de positie van de robot te bepalen, dit wordt "dead reckoning" genoemd. Aangezien deze informatie intern is voor de robot, leidt het individuele gebruik ervan om zich te lokaliseren ten opzichte van een externe referentie tot resultaten waarvan de nauwkeurigheid snel verslechtert.

Om de nauwkeurigheid te verbeteren, worden de sensorinformatie gecombineerd, wat een betrouwbaardere lokalisatie mogelijk maakt. Onder de meest gebruikte algoritmen voor dit type fusie vinden we het Kalman-filter.

Figuur 2: Principe van een Kalman-filter

Het berust op twee hoofdfasen. De eerste is de voorspelling, die de toekomstige toestand van de robot schat op basis van zijn vorige toestand en zijn evolutiemodel. De tweede is de correctie, waarbij de metingen van de sensoren worden gebruikt om de gemaakte voorspelling aan te passen en te verfijnen, waardoor een nauwkeurigere schatting van de werkelijke toestand van de robot wordt verkregen.

Het Kalman-filter is een recursief algoritme dat een robot in staat stelt zijn toestand (positie en oriëntatie) te schatten door de metingen van zijn sensoren te combineren met een evolutiemodel dat voorspelt waar de robot zou moeten zijn.

Zoals getoond in de Figuur 2 hierboven, bevat dit algoritme twee hoofdfasen:

Voorspelling: Deze fase gebruikt de vorige toestand van de robot en het evolutiemodel om zijn toekomstige toestand te voorspellen.
Correctie: In deze fase wordt de voorspelde toestand vergeleken met de metingen verkregen door de sensoren en wordt de schatting van de toestand aangepast, waardoor een nauwkeurigere lokalisatie van de robot mogelijk wordt.

IV. Benaderingen van exteroceptieve perceptie

Deze algoritmen zijn gebaseerd op de exteroceptieve sensoren die, naast het bijdragen aan de proprioceptieve perceptie (zoals in het geval van lokalisatie door GNSS RTK), worden gebruikt om de omgeving te representeren.

Zoals getoond in de Figuur 3 hieronder heeft de exteroceptieve perceptie voor een agrarische robot dus als belangrijkste rol het modelleren van de omgeving van de robot en het positioneren van deze in die omgeving.

Principe van exteroceptieve perceptie: gebruik van benaderingen gebaseerd op kunstmatige intelligentie of geometrische analyse om de nuttige omgeving van de robot te modelleren op basis van beelden, puntenwolken en/of zijn GNSS-positie

Figuur 3: Principe van exteroceptieve perceptie

Gebruik van benaderingen gebaseerd op kunstmatige intelligentie of geometrische analyse om de nuttige omgeving van de robot te modelleren op basis van beelden, puntenwolken en/of zijn GNSS-positie.

Hiervoor kunnen twee grote benaderingen worden gebruikt:

Benadering gebaseerd op kunstmatige intelligentie: een neuraal netwerk analyseert de informatie afkomstig van de sensoren (beelden, puntenwolken), identificeert en classificeert de verschillende elementen aanwezig in de omgeving (interessante planten, onkruid, obstakels, mensen, enz.), en genereert vervolgens een gestructureerde kaart met de posities van elk van deze elementen evenals die van de robot.
Benadering gebaseerd op geometrische analyse: de output is vergelijkbaar, namelijk een kaart van de verschillende elementen van de omgeving en de robot. Het verschil zit in de methode: het is gebaseerd op de geometrische analyse van de puntenwolken geleverd door de sensoren. Bijvoorbeeld, bepaalde geometrische vormen in de puntenwolk kunnen worden gedetecteerd en toegewezen aan een specifieke categorie (interessante plant, onkruid, enz.).

V. Conclusie

Samenvattend, een agrarische robot gebruikt proprioceptieve en exteroceptieve sensoren om zijn omgeving waar te nemen en zich nauwkeurig te lokaliseren. Onder de meest voorkomende vinden we de GNSS (GPS RTK), de RGB-D-camera en de LIDAR. Wanneer ze worden gecombineerd met geschikte algoritmen, leveren deze sensoren cruciale informatie aan de robot voor navigatie en autonome besluitvorming.

*: De technische informatie in dit artikel wordt ter indicatie verstrekt. Ze vervangen niet de officiële handleidingen van de fabrikanten. Raadpleeg voor installatie, hantering of gebruik de productdocumentatie en volg de veiligheidsinstructies. De site Torque.works kan niet verantwoordelijk worden gehouden voor oneigenlijk gebruik of een onjuiste interpretatie van de verstrekte informatie.