Verlässliche Navigation unter realen Bedingungen

Die autonome Navigation hängt von kontinuierlichen Schätzungen von Position, Geschwindigkeit und Orientierung ab. Die Qualität und Verfügbarkeit der Informationen, die zur Schätzung dieses Zustands verwendet werden, kann jedoch je nach Betriebsumgebung erheblich variieren.

GNSS-Signale können verschlechtert oder nicht verfügbar sein, während kamerabasierte und LiDAR-Systeme durch Umgebungsbedingungen oder mangelnde Orientierungspunkte einschränkt sein können. Die Inertialmessung liefert kontinuierliche Bewegungsdaten, die diese externen Quellen ergänzen und Navigationssystemen helfen, eine zuverlässige Zustandsschätzung aufrechtzuerhalten, wenn sich die Sensorbedingungen ändern.


Zuverlässige Navigation bedeutet nicht nur, die Position zu schätzen.
Es geht darum, das Vertrauen in den Zustand des Roboters aufrechtzuerhalten, wenn sich die Sensorbedingungen ändern.

Navigationskontinuität

Aufrechterhaltung einer zuverlässigen Zustandsschätzung bei GNSS-Ausfällen und Sensorstörungen zur Unterstützung eines kontinuierlichen autonomen Betriebs.

Leistung in dynamischen Umgebungen

Verbesserung des Navigationsvertrauens unter Bedingungen mit hoher Vibration und dynamischen Betriebsbedingungen durch präzise Inertialmessungen.

Integration in Roboterplattformen

Reduzierung des Integrationsaufwands durch eingebettete Inertiallösungen, die für autonome und OEM-Robotikanwendungen entwickelt wurden.

mockups-design.com

Erkundung der Trägheitsnavigation in GNSS-schwierigen Umgebungen

GNSS ist eine wichtige Quelle für Positionierungsinformationen, aber autonome Systeme können sich nicht immer auf eine kontinuierliche Satellitenverfügbarkeit verlassen.

Erkunden Sie die Prinzipien der Trägheitsnavigation, Sensorfusion und GNSS/INS-Architekturen und erfahren Sie, wie komplementäre Sensortechnologien die Navigation unterstützen können, wenn die Satellitenpositionierung verschlechtert oder nicht verfügbar ist.

Überwindung von Herausforderungen bei der Roboternavigation in der realen Welt

Technische Herausforderung

HBK-Beitrag

GNSS wird in städtischen Umgebungen, unter Vegetation, in der Nähe von Infrastruktur oder in Innenräumen beeinträchtigt oder ist nicht verfügbar.GNSS/INS-Lösungen kombinieren Satellitenpositionierung mit Inertialmessungen, was dazu beiträgt, Zustandsinformationen bei vorübergehender Verschlechterung oder Ausfall von GNSS aufrechtzuerhalten. 
Kamerabasierte oder LiDAR-Lokalisierungen können an Genauigkeit verlieren, wenn sich Beleuchtung, Sichtverhältnisse, Umweltbedingungen oder verfügbare Orientierungspunkte ändern.Kontinuierliche Inertialmessung ergänzt externe Lokalisierungsquellen und liefert Beschleunigungs- und Winkelrateninformationen unabhängig von visuellen Merkmalen.
Schnelle Bewegung, Vibration und sich ändernde Plattformdynamiken können die Messqualität und die Leistung der Zustandsschätzung herausfordern.Hochleistungs-Inertialsensoren liefern rauscharme Beschleunigungs- und Winkelratenmessungen für anspruchsvolle dynamische Umgebungen. 
Unterschiedliche Betriebsumgebungen bieten unterschiedliche Navigationsreferenzen.Inertialdaten können mit GNSS und anderen unterstützenden Quellen innerhalb der Sensorfusionsarchitektur des Roboters kombiniert werden, um eine robustere Zustandsschätzung zu unterstützen

Von physischer Bewegung zur autonomen Navigation

Zuverlässige Roboternavigation hängt von mehr ab, als nur zu wissen, wo sich ein Roboter befindet. Sie erfordert kontinuierliche Bewegungsmessungen, komplementäre Sensorik und eine konsistente Zustandsschätzung, um Navigation und Steuerung bei sich ändernden Betriebsbedingungen zu unterstützen.

chevron_left
chevron_right

Die Dynamiken identifizieren, die die Navigationsgenauigkeit herausfordern

Wenn ein Roboter beschleunigt, rotiert, die Richtung ändert oder über unebenes Gelände fährt, wird seine Bewegung durch sich ändernde Dynamiken und externe Störungen beeinflusst. Diese Bedingungen stellen Anforderungen an die Navigationsgenauigkeit und das Ansprechverhalten der Steuerung.

Das Verständnis des physischen Verhaltens des Roboters hilft Ingenieuren dabei, die Bewegungsparameter, Messbereiche und Aktualisierungsraten zu identifizieren, die für eine zuverlässige Zustandsschätzung erforderlich sind.

 

Navigation and Localisation - Understand robot motion isometric

Bewegungsmessungen aufrechterhalten, wenn keine externen Referenzen verfügbar sind

Inertialmesseinheiten (IMU) messen kontinuierlich lineare Beschleunigung und Winkelgeschwindigkeit und liefern Hochfrequenz-Bewegungsdaten unabhängig von externen Positionierungsreferenzen. Dies ist besonders wertvoll bei schnellen Manövern oder wenn GNSS und andere Unterstützungsquellen nicht verfügbar sind.

Sensorgenauigkeit, Rauschen, Bias-Stabilität und Aktualisierungsraten beeinflussen, wie effektiv diese Messungen die Orientierungsschätzung und Navigation unterstützen.

 

Navigation and localisation - Measure acceleration and angular rate isometric

Drift reduzieren und Robustheit durch Sensorfusion verbessern

Inertialmessungen liefern kontinuierliche Bewegungsinformationen, aber Fehler akkumulieren sich, wenn sie über die Zeit integriert werden. Externe Hilfsquellen wie GNSS, LiDAR und Bildverarbeitung können dazu beitragen, diese Drift einzuschränken, wenngleich ihre Verfügbarkeit und Genauigkeit je nach Betriebsbedingungen variieren.

Die Kombination komplementärer Messungen ermöglicht es Navigationsarchitekturen, individuelle Sensorbeschränkungen zu kompensieren und eine robustere Lokalisierung aufrechtzuerhalten, wenn zuverlässige Unterstützungsinformationen verfügbar sind.

 

Navigation and localisation - Combine complementary sensor data isometric

Konsistente Zustandsinformationen für Navigationsentscheidungen bereitstellen

Navigations- und Steuerungssysteme erfordern eine kohärente Schätzung der Position, Geschwindigkeit und Orientierung des Roboters anstelle einzelner Sensormesswerte. Zustandsschätzungsalgorithmen verwenden verfügbare Messungen, um diese Informationen zu aktualisieren und dabei Sensorfehler und Unsicherheiten zu berücksichtigen.

Die Qualität der Zustandsschätzung wird maßgeblich von der Sensor-Performance, der Systemkalibrierung, der zeitlichen Abstimmung der Messungen sowie der Verfügbarkeit externer Referenzdaten bestimmt – dies hat direkten Einfluss auf die Präzision der Trajektorienverfolgung und -regelung.

 

Navigation and localisation - Estimate position velocity and orientation

Kontinuierliches Feedback für präzise Trajektorienverfolgung ermöglichen

Der geschätzte Roboterzustand liefert unverzichtbare Rückmeldungen (Feedback) für die Navigations- und Bewegungssteuerungs-Architektur. Durch den Vergleich der aktuellen Position, Geschwindigkeit und Orientierung des Roboters mit seiner geplanten Trajektorie kann das Regelsystem die erforderlichen Anpassungen ermitteln, um die gewünschte Bewegung exakt beizubehalten.

Während sich der Roboter bewegt, aktualisieren neue Messwerte kontinuierlich die Zustandsschätzung und schließen so den Regelkreis zwischen physikalischer Bewegung, Messung und Regelung. Dies unterstützt eine präzise Trajektorienverfolgung und ermöglicht es dem Roboter, flexibel auf Störungen sowie sich ändernde Betriebsbedingungen zu reagieren.

 

Navigation and localisation - Turn state estimates into robot motion isometric

Navigation und Lokalisierung in Roboteranwendungen

Navigation in GNSS-herausfordernden Umgebungen

Aufrechterhaltung von Navigationsinformationen, wenn die Satellitenpositionierung beeinträchtigt, unterbrochen oder vorübergehend nicht verfügbar ist.

Mithilfe von Inertialmessungen lässt sich der Bewegungszustand zwischen den einzelnen externen Positions-Updates kontinuierlich überbrücken. Da sich Trägheitsfehler mit der Zeit ansammeln, können zusätzliche Hilfsquellen verwendet werden, um die Drift bei längeren GNSS-Ausfällen zu begrenzen.

Navigation im Freien für autonome Roboter

Kombinieren Sie Inertial- und GNSS-Informationen für autonome Roboter, die in der Landwirtschaft, bei Off-Highway-Anwendungen und bei der Infrastrukturinspektion eingesetzt werden.

Zuverlässige Bewegungs- und Navigationsinformationen helfen Systemen, bei wechselndem Gelände, unterschiedlicher Dynamik und variierenden Satelliten-Signalbedingungen zu arbeiten.

Multi-Sensor-Fusion für die Roboterlokalisierung

Durch die Verknüpfung von Trägheitsdaten mit GNSS, LiDAR, Kamerasystemen und weiteren Referenzquellen erhalten Sie eine deutlich stabilere Bestimmung des tatsächlichen Bewegungs- und Flugzustands Ihres Roboters.

Komplementäre Sensorik ermöglicht es Navigationsarchitekturen, sich an veränderte Bedingungen anzupassen, anstatt von einer einzigen Quelle für Lokalisierungsinformationen abhängig zu sein.

Inertialsensorik- und Navigationslösungen für die Robotik

IMUs und Lage- und Kursreferenzsysteme

Bewegung und Ausrichtung messen

 

Inertialmesseinheiten (IMU) liefern Beschleunigungs- und Winkelratenmessungen für die Bewegungsabschätzung und -steuerung. Lage- und Kursreferenzsysteme (AHRS)-Lösungen erweitern die Inertialmessung um Lage- und Kursinformationen für Anwendungen, die eine Orientierungserkennung erfordern.

Geeignet für mobile Roboter, autonome Roboter und andere Robotersysteme, die kontinuierliche Informationen zum Bewegungszustand benötigen.

FAQs - Roboternavigation und Lokalisation

Während eines GNSS-Ausfalls können Trägheitsmessungen verwendet werden, um Position, Geschwindigkeit und Orientierung ausgehend von der letzten zuverlässigen Zustandsschätzung fortzuschreiben. Da sich Trägheitsfehler im Laufe der Zeit ansammeln, werden typischerweise andere unterstützende Quellen verwendet, um die Drift bei längeren Zeiträumen ohne GNSS zu begrenzen.

Eine IMU misst Beschleunigung und Winkelgeschwindigkeit. Ein AHRS verarbeitet trägheitsbasierte und andere verfügbare Messungen, um Lage und Kurs bereitzustellen, während ein GNSS/INS Trägheitsmessungen mit GNSS kombiniert, um Position, Geschwindigkeit und Orientierung zu schätzen.

Trägheitssensorik liefert kontinuierliche Informationen darüber, wie der Roboter beschleunigt und sich bewegt, ohne auf visuelle Merkmale oder ein externes Positionierungssignal angewiesen zu sein. Diese Informationen können GNSS, LiDAR, Vision und andere Lokalisationsquellen innerhalb einer Sensorfusionsarchitektur ergänzen.

Die Leistung der Trägheitssensoren ist ein Faktor bei der Kontrolle der Drift, aber die langfristige Navigation hängt auch von der gesamten Sensorfusionsarchitektur ab. GNSS, Vision, LiDAR, Odometrie oder andere unterstützende Informationen können periodische Korrekturen liefern, die akkumulierte Trägheitsfehler begrenzen.

Verschiedene Sensoren liefern komplementäre Informationen und verhalten sich bei wechselnden Betriebsbedingungen unterschiedlich. Sensorfusion kombiniert diese Messungen, um eine robustere Zustandsschätzung zu erzeugen, als dies bei der Verwendung einer einzelnen Sensorquelle der Fall wäre.

Zu den wichtigsten Überlegungen gehören die erforderliche Genauigkeit, Bias-Stabilität, Rauschen, Dynamikbereich, Vibration und Schockumgebung, Aktualisierungsrate, Schnittstellen, Größe, Gewicht sowie Integrationsanforderungen. Das geeignete Leistungsniveau hängt von der Dynamik des Roboters, der Navigationsarchitektur und den verfügbaren Unterstützungssystemen ab.