Die autonome Navigation ist ein Feld, das oft von Missverständnissen umgeben ist. Insbesondere die Slam Technologie (Simultaneous Localization and Mapping) und ihre Rolle in modernen Navigationssystemen führt häufig zu Verwirrung. Hier entlarven wir die gängigsten Mythen rund um die ANT-Navigationstechnologie von BlueBotics, beginnend mit der zentralen Frage zur SLAM Technologie.
MYTHOS 1: ANT IST SLAM-NAVIGATION
WIDERLEGT: Die ANT-Naturmerkmalsnavigation nutzt SLAM während der eigentlichen Navigation nicht. Tatsächlich verwenden fast keine autonomen Navigationslösungen SLAM für die Navigation selbst. Stattdessen nutzen die meisten Technologien – einschließlich ANT – SLAM nur einmal, um ihre anfängliche Standortkarte zu erstellen.
Um diesen Mythos zu entkräften, müssen wir zunächst erklären, was SLAM Technologie überhaupt ist. Simultaneous Localization and Mapping (SLAM), auf Deutsch Simultane Lokalisierung und Kartenerstellung, ist ein algorithmischer Ansatz, der von den meisten Arten von Naturmerkmalsnavigationstechnologien verwendet wird, um eine Karte einer Umgebung zu erstellen. Diese Karte wird dann von Fahrerlosen Transportsystemen (FTS) – auch Automated Guided Vehicles (AGVs) genannt – genutzt, um ihre Position zu berechnen und durch diese Umgebung zu navigieren.
Randbemerkung: Naturmerkmalsnavigation wird manchmal auch als „freie Navigation“, „bandlose Navigation“ oder, verwirrenderweise, als „SLAM-Navigation“ bezeichnet.
Bei Naturmerkmalsnavigationstechnologien wird SLAM in den meisten Fällen nur zur Erstellung der anfänglichen Referenzkarte eines Standorts verwendet. Dieser Prozess findet während der Inbetriebnahme (Installation) des ersten AGVs am Standort statt.
In seltenen Fällen jedoch – bei einigen „Scan-Matching“-Versionen der Naturmerkmalsnavigation – wird SLAM Technologie sowohl zur Erstellung als auch zur regelmäßigen Aktualisierung einer gitterbasierten Karte der Umgebung eingesetzt. Dieser Ansatz birgt Herausforderungen hinsichtlich Genauigkeit und Wiederholbarkeit, da die Aktualisierung der Koordinaten von Strukturen in der Karte es extrem schwierig, wenn nicht gar unmöglich macht, eine stabile Einrichtung zu gewährleisten. Dieser „Kartenaktualisierungs“-Ansatz ist auch anspruchsvoll hinsichtlich der erforderlichen drahtlosen Konnektivität vor Ort, da jedes Mal, wenn die Karte aktualisiert wird, sie von jedem Fahrzeug der Flotte nahezu in Echtzeit von einem zentralen Server heruntergeladen werden muss.
Mit der Autonomen Navigationstechnologie (ANT) von BlueBotics ist dies nicht der Fall. SLAM Technologie wird nur einmal verwendet – während der initialen Erstellung der Standortkarte.
AGV bei der Kartierung mit BlueBotics ANT-Navigation, zeigt den Prozess der SLAM-basierten Kartenerstellung.Bei der ANT-Naturmerkmalsnavigation von BlueBotics wird SLAM nur einmal verwendet – während der initialen Kartenerstellungsphase. So funktioniert der Kartenerstellungsprozess mit ANT:
- Um die Standortkarte zu erstellen, fährt ein Integrator das Fahrzeug manuell durch den Standort, wobei die Daten seiner Sicherheitslaserscanner zur Erstellung der Rohkarte des Standorts verwendet werden. Dieser spezifische Prozess nutzt in der Tat SLAM Technologie.
- Der Integrator entfernt anschließend temporäre oder dynamische Objekte (wie Kisten, Paletten, andere Fahrzeuge usw.) mithilfe der ANT lab software von BlueBotics aus der Karte.
- Das Ergebnis ist eine saubere Karte, die nur die permanenten, statischen Merkmale des Standorts enthält, wie Wände, Säulen und fest installierte Maschinen (und, falls aufgrund weniger „natürlicher“ Merkmale in der Umgebung erforderlich, reflektierende Aufkleber).
- Danach gleicht die ANT-Software diese permanenten Referenzen während der Missionen mit den Laserscannerdaten des Fahrzeugs ab (sogenanntes Feature Matching), wodurch es seine Position genau berechnen und somit effektiv navigieren kann.
Da nur originale, permanente Merkmale als Referenzen zur Berechnung der Fahrzeugposition verwendet werden, ist eine hohe Präzision über die Zeit gewährleistet – es gibt keine Möglichkeit, dass sich Messfehler einschleichen und summieren. Die Karte wird niemals aktualisiert. Sie ändert sich nie.
Zum Beispiel führt das allererste ANT-gesteuerte Fahrzeug, das jemals installiert wurde – ein Esatroll Paquito AGV, das 2009 bei Dal Colle (Barilla Group) in Italien in Betrieb genommen wurde – seine Missionen immer noch mit seiner originalen Standortkarte aus! Die permanente Struktur des Gebäudes hat sich nicht geändert, daher musste sich auch die Karte nicht ändern. Für tiefere Einblicke in Fachthemen, die für Studierende relevant sein könnten, finden Sie hier weitere Informationen zu sowi facharbeit themen.
MYTHOS 2: NATURMERKMALSNAGIVATION IST NICHT ZUVERLÄSSIG
WIDERLEGT: ANT ist extrem zuverlässig und robust.
Seien wir klar. Es ist keineswegs einfach, die Wiederholbarkeit und Zuverlässigkeit des Betriebs eines automatisierten Fahrzeugs mittels Naturmerkmalsnavigation zu gewährleisten. ANT erreicht dies jedoch, wiederholt über die Zeit und ohne Genauigkeitsverlust.
Bei der ANT-Navigation wird die exakte Position eines Fahrzeugs in der Karte mithilfe von „Feature Matching“ (Abgleich permanenter Referenzen in der Karte mit den Laserscannerdaten des Fahrzeugs) und Odometrie bestimmt, die zur Messung der Positionsänderung des Fahrzeugs durch Berechnung seiner Bewegung verwendet wird. Ein Feature-Matching-Ansatz funktioniert teilweise deshalb gut, weil Merkmale wie Wandsegmente und Säulen in Bezug auf ihre spezifische Größe und ihren Winkel sehr markant sind. Das bedeutet, sie sind für ANT leicht zu identifizieren und erfolgreich abzugleichen.
Im Gegensatz dazu arbeiten die meisten anderen Formen der Naturmerkmalsnavigation auf der Ebene von Lasermessungen (d.h. Punkten). Diese werden in einer Gitterkarte gespeichert und während des Betriebs zum Abgleich der Lasermessungen eines Fahrzeugs verwendet (sogenanntes „Scan Matching“).
Anders ausgedrückt, ANT arbeitet auf einer höheren Abstraktionsebene: Anstatt auf der Ebene von Lasermessungen (Punkten) arbeitet es auf der Ebene von Strukturen (Wände, Säulen usw.). Dies macht den Matching-Prozess von ANT und seine Karte robuster und widerstandsfähiger gegenüber dynamischen Veränderungen in der Umgebung. Da keine temporären Objekte kartiert werden – diese werden während der Inbetriebnahme aus der Karte entfernt – wird ein potenzieller Verursacher sich summierender Positionsfehler eliminiert. Wenn sich die permanenten „Naturmerkmale“, die zur Fahrzeugpositionierung verwendet werden, nicht ändern, gibt es keinen Grund für eine Verschlechterung der Genauigkeit der Operationen eines ANT-gesteuerten Fahrzeugs.
Wenn unser Team bei BlueBotics mit langjährigen Kunden über deren Analysen und Tests verschiedener AGV-Leittechnologien spricht, ist die Robustheit von ANT der Grund, den viele für die Wahl und Beibehaltung von BlueBotics als Navigationspartner nennen.
Grafik: BlueBotics ANT-gesteuerte Fahrzeuge haben über 10 Millionen Kilometer zurückgelegt, ein Beweis für die Zuverlässigkeit der autonomen Navigation.Klicken Sie auf das Bild, um zu erfahren, wie ANT-gesteuerte Fahrzeuge über 10 Millionen Kilometer zurückgelegt haben, was dem 250-fachen des Erdumfangs entspricht.
MYTHOS 3: HINDERNISVERMEIDUNG BEDEUTET IMMER GRÖSSERE EFFIZIENZ
WIDERLEGT: Hindernisvermeidung eignet sich für bestimmte Operationen, aber virtuelle Pfadverfolgung ist oft (kontraintuitiv) effizienter.
Wenn es darum geht, sich autonom durch eine Umgebung zu bewegen, neigen AGVs und AMRs (Autonomous Mobile Robots), die mit Naturmerkmalsnavigation betrieben werden, dazu, einen von zwei Modi zu verwenden:
- Virtuelle Pfadverfolgung: Das Fahrzeug stoppt, wenn ein Hindernis seinen zugewiesenen Pfad blockiert, oder
- Hindernisvermeidung: Das Fahrzeug navigiert dynamisch um jedes Hindernis herum, bevor es versucht, so schnell wie möglich zu seinem zugewiesenen Pfad zurückzukehren.
Die ANT-Navigation bietet beide Ansätze, aber welcher ist der effizienteste? Das hängt von der Anwendung ab.
Serviceroboter wie der Reinigungsroboter RA660 NAVI eignen sich für einen Ansatz der Hindernisvermeidung. Bei Servicerobotern wie den robotic floor scrubbers von Cleanfix müssen diese jeden Zentimeter einer definierten Fläche abdecken, aber die Reihenfolge, in der sie dies tun, ist nicht so wichtig. Und an den Orten, an denen sie arbeiten, wie zum Beispiel in Einkaufszentren, gibt es viele Hindernisse wie Menschen, die sich bewegen. In solchen Fällen ist ein Hindernisvermeidungsansatz sehr gut geeignet.
In industriellen Anwendungen, in denen AGVs für die Automatisierung von Materialtransportaufgaben eingesetzt werden, mag es jedoch kontraintuitiv erscheinen, aber meistens ist der „Stopp-und-Warte“-Ansatz, der bei der virtuellen Pfadverfolgung verwendet wird, der effizienteste.
Dr. Nicola Tomatis, CEO von BlueBotics, erklärt: „Selbst bei perfekter Hindernisvermeidung verlangsamt sich der Fortschritt Ihrer AGVs oder AMRs, wenn sie Objekte umfahren müssen, im Vergleich zu Pfadfolgern, bei denen das Personal geschult ist, die Routen freizuhalten.“
Darüber hinaus macht eine vollständige Hindernisvermeidung ein optimales Verkehrsmanagement nahezu unmöglich, was bedeutet, dass die Leistung einer gesamten Flotte durch die Freiheit eines einzelnen Fahrzeugs, das Hindernisvermeidung nutzt, stark beeinträchtigt werden könnte.
Dr. Tomatis kommentiert: „Denken Sie an das Feedback, das wir kürzlich von einem Kunden, einem nordamerikanischen AGV-Hersteller, erhalten haben. Einer seiner Kunden, ein Reifenhersteller, betrieb zuvor eine Flotte von 37 AGVs, die alle Hindernisvermeidung nutzten. Als das Unternehmen jedoch beschloss, diese Fahrzeuge nachzurüsten, entschied es sich für die reine Pfadfolge-ANT-Navigation in Verbindung mit der ANT-Server-Flottenmanagementsoftware. Das Reifenunternehmen installierte tatsächlich sieben AGVs weniger. Aber die 30, die es jetzt verwendet, haben sich als 10 % produktiver erwiesen als die vorherigen 37. Wenn es um die Gesamteffizienz geht, macht die Pfadfolge den Unterschied.“
Verwandt: Hindernisvermeidung für AGVs – Traumfunktion oder gefährliches Gimmick?
MYTHOS 4: NAVIGATIONS-SCANNER GEHÖREN OBEN AUF DAS FAHRZEUG
WIDERLEGT: ANT verwendet typischerweise die vorhandenen Sicherheitslaserscanner eines Fahrzeugs, die an der Basis des Fahrzeugs positioniert sind.
Einige AGVs, die Naturmerkmalsnavigationstechnologie verwenden, setzen einen dedizierten LiDAR-Laserscanner für die Navigation ein. Dieser Sensor wird normalerweise hoch oben am Fahrzeug positioniert, damit er so viel wie möglich von der Umgebung „sehen“ kann.
Diese Sensorposition deutet in der Regel darauf hin, dass ein Naturmerkmalsnavigationssystem eine „Scan-Matching“-Methodik anstelle eines „Feature-Matching“-Ansatzes verwendet (siehe Mythos 2). Da Scan-Matching typischerweise die Identifizierung von etwa 60 % der Merkmale eines Standorts erfordert, um gut zu funktionieren, ist die Platzierung eines Scanners hoch oben am Fahrzeug sehr sinnvoll: Er kann einfach mehr vom Standort sehen als bei Messungen in Bodennähe.
Bei der ANT-Naturmerkmalsnavigation ist diese hohe Scannerposition jedoch nicht erforderlich.
Bei ANT wird die Position eines Fahrzeugs in der Standortkarte durch eine Mischung aus Feature Matching (Abgleich permanenter Kartenreferenzen mit den Laserscannerdaten des Fahrzeugs) und Odometrie bestimmt, die zur Messung der Positionsänderung des Fahrzeugs durch Berechnung seiner Bewegung verwendet wird. Daher muss ANT nur sporadisch einige Umgebungsreferenzen – Wände, Säulen usw. – „sehen“, um eine präzise Fahrzeuglokalisierung zu ermöglichen.
Anstelle der 60 % Referenzen, die von Scan-Matching-Systemen benötigt werden, arbeitet ANT mit hoher Genauigkeit, wenn die Scanner eines Fahrzeugs nur 5 % – oder sogar weniger – der Umgebung „sehen“ können. Tatsächlich bewegt sich ein Fahrzeug auch dann auf seiner Route weiter, wenn während eines Zeitraums von wenigen Sekunden keine Merkmale erkannt werden. Die Verwendung der vorhandenen Sicherheitslaser eines Fahrzeugs zur Positionierung – selbst wenn sie sich auf Knöchelhöhe befinden und eine relativ eingeschränkte Sicht haben – stellt kein Problem dar.
Die ANT-Naturmerkmalsnavigation verwendet typischerweise Daten von den knöchelhohen Sicherheitslaserscannern eines Fahrzeugs zur Lokalisierung. Zusammenfassend lässt sich sagen, dass die hohe Platzierung von Navigationsscannern an Fahrzeugen nützlich ist, aber nur für Systeme, die ein hohes Maß an Referenzen benötigen, um effizient zu arbeiten. Es ist auch mit ANT machbar, aber nicht wirklich erforderlich.
Zusätzliche Vorteile der Verwendung von Sicherheitslaserscannern zur Fahrzeugpositionierung
- Da es Daten von den Sicherheitslaserscannern eines Fahrzeugs verwendet, eignet sich die ANT-Naturmerkmalsnavigation für jede Art von Fahrzeugformfaktor. Im Gegensatz dazu können bei Fahrzeugen, die Scan-Matching zur Positionierung verwenden und daher ihren Navigationsscanner hoch oben platzieren müssen, keine „Unterfahr“-AGVs (auch „Maus“-Typ genannt) entwickelt werden.
- Die Verwendung der vorhandenen Sicherheitsscanner eines Fahrzeugs anstelle eines separaten Navigationsscanners bedeutet eine Komponente weniger, die der Fahrzeughersteller kaufen und integrieren muss. Es bedeutet auch eine potenzielle Fehlerquelle weniger.
MYTHOS 5: ANT-GESTEUERTE FAHRZEUGE KÖNNEN NICHT IM FREIEN NAVIGIEREN
WIDERLEGT: ANT-gesteuerte Fahrzeuge können und navigieren auch im Freien.
Der Betrieb von AGVs im Freien war traditionell eine echte Herausforderung. Die meisten Außenbereiche weisen einen Mangel an natürlichen Merkmalen auf. In der Vergangenheit erschwerte dies die Berechnung der Fahrzeugposition, was manchmal die Notwendigkeit zusätzlicher Infrastruktur bedeutete.
Unsere Produkterweiterung, ANT everywhere, begegnet dieser Herausforderung, indem sie hochpräzises GNSS als zusätzliche Datenquelle zur Berechnung der Fahrzeugposition hinzufügt.
Das Ergebnis ist, dass der AGV-Betrieb im Freien so einfach, robust und präzise sein kann wie in Innenräumen.
MYTHOS 6: ANT IST FÜR AGVS, NICHT FÜR AMRS
WIDERLEGT: Sowohl AGVs als auch AMRs können und werden von ANT gesteuert.
Gemäß dem Sicherheitsstandard For Industrial Mobile Robots – Safety Requirements ANSI/RIA R15.08-1-2020 (R15.08) wird „der grundlegende Unterschied zwischen AGVs und AMRs dadurch gekennzeichnet, wie sie die spezifizierte Betriebsumgebung durchqueren. Ein AGV durchquert die spezifizierte Betriebsumgebung automatisch entlang vordefinierter Führungspfade (virtuell oder physisch) unter Verwendung der Kollisionsvermeidung“, während der Standard AMRs als fähig definiert, „die spezifizierte Betriebsumgebung durch Erfassung von Hindernissen mittels Sensoren zu durchqueren und Pfade durch Berechnung eines hindernisfreien Pfades durch den freien Raum anzupassen, anstatt einen vordefinierten Pfad zu verwenden.“
Welche Art von automatisiertem Fahrzeug passt also zur ANT-Navigation? Die Antwort ist: beide. Da ANT sowohl virtuelle Pfadverfolgung (auch Führungspfade genannt) als auch Hindernisvermeidungsmodi bietet, kann es alle antreiben.
Während AGVs typischerweise virtuelle Pfadverfolgung verwenden und AMRs Hindernisvermeidung, gibt es einige Überschneidungen. ANT kann alle antreiben. Um die Kompatibilität von ANT mit diesen beiden Navigationsmodi zu veranschaulichen, zeigt das unten stehende Video eine gemischte Flotte verschiedener Marken-AGVs (mit virtueller Pfadverfolgung) und BlueBotics AMRs (mit Hindernisvermeidung). Alle diese Fahrzeuge werden von der ANT-Server-Software von BlueBotics in einem einzigen Projekt verwaltet.
Diese ANT-Übersicht zeigt eine gemischte Flotte verschiedener Marken-AGVs und AMRs im Betrieb.
MYTHOS 7: ANT MUSS DIE GANZE UMGEBUNG STÄNDIG SEHEN
WIDERLEGT: Selbst bei minimal sichtbaren Referenzen leisten ANT-gesteuerte Fahrzeuge ihre Arbeit.
Ein häufiges Missverständnis ist, dass jedes Navigationssystem in der Lage sein muss, zahlreiche Referenzen in der Umgebung kontinuierlich zu sehen oder zu identifizieren, damit ein Fahrzeug seine Position genau berechnen kann.
Das ist bei einigen Navigationstechnologien der Fall, aber nicht bei ANT.
Ein ANT-gesteuertes Fahrzeug kann seine Position berechnen, selbst wenn sehr wenige Umgebungsmerkmale sichtbar sind. Ein Grund dafür ist, dass innerhalb des Positionierungsalgorithmus des Systems Laserscannerdaten durch eine robuste Odometrie ergänzt werden, die die Geschwindigkeit und Position des Fahrzeugs berechnet. Wenn daher ein oder mehrere Objekte – zum Beispiel ein anderes Fahrzeug – die Sichtlinie eines Laserscanners zu mehreren Referenzen blockieren, stellt dies kein Problem dar. Tatsächlich ist es unglaublich selten, dass ein ANT-gesteuertes Fahrzeug anhält und „verloren geht“, da ein Fahrzeug effektiv arbeiten kann, selbst wenn weniger als 5 % der zur Positionierung verwendeten Umgebungsreferenzen sichtbar sind.
Im Gegensatz dazu müssen SLAM-basierte Navigationssysteme viel mehr Referenzen sehen, um ein AGV in der Karte zu positionieren oder zu „lokalisieren“ (siehe Mythos 1). Und Lasertriangulationstechnologien (manchmal auch lasergeführte Fahrzeuge oder LGVs genannt) verlassen sich stattdessen auf den direkten Sichtkontakt zu mindestens drei reflektierenden Zielen gleichzeitig, um zu funktionieren.
SLAM-basierte Navigationssysteme müssen etwa 60 % der Umgebung sehen können, um effektiv zu navigieren. ANT-gesteuerte Fahrzeuge benötigen nur 5 %. In diesem Artikel haben wir die gängigsten Mythen über die ANT-Naturmerkmalsnavigation von BlueBotics entlarvt und die Rolle der SLAM Technologie geklärt. Wenn Sie weitere Fragen dazu haben, wie sich ANT im Vergleich zu Scan-Matching oder kontinuierlicher SLAM-Navigation verhält, schauen Sie sich unser On-Demand-Webinar „Paths to Success“ an. Oder noch besser, nehmen Sie Kontakt mit uns auf, unser Expertenteam hilft Ihnen gerne weiter.
KONTAKT AUFNEHMEN
WEBINAR