Controller für autonome Fahrzeuge

Damit ein Fahrzeug von selbst fahren kann, braucht es einige typische Voraussetzungen: Zuerst einmal muss das Gerät wissen, wo es sich überhaupt befindet, und wie es steht, respektiv in welche Richtung es gerade blickt (Pose Estimation). Erst durch die genaue Bestimmung der Pose, also Position und Orientierung, kann der Roboter seine Bewegungen planen und in seiner Umgebung navigieren.

Arten von Pose Estimation
Es gibt verschiedene Ansätze zur Poseschätzung, im Grundsatz geht es aber immer darum, Informationen von einer Vielzahl mit Unsicherheit behafteten Sensoren, zu einer konsistenten Schätzung von Position und Orientierung zu vereinen. Bei diesem Prozess, der auch als Sensor Fusion bekannt ist, spielt die Unsicherheit oder das statistische Rauschen jedes Sensors eine elementare Rolle. Es enthält wichtige Informationen zur optimalen Vereinigung der Sensordaten, indem es als eine Art Gewichtung interpretiert werden kann, welche der Genauigkeit der Poseschätzung beiträgt. Je genauer ein Sensor desto sicherer ist auch sein Beitrag zur Pose Estimation und somit auch das Resultat der Schätzung.
SSP-Controller für autonome Fahrzeuge sind mit hochpräzisen inertialen Sensoren ausgestattet, wie Gyroskop und Beschleunigungssensor. Dies ermöglicht eine robuste und genaue Poseschätzung, selbst dann, wenn GPS nicht zur Verfügung steht.
Wenn neben der Pose auch eine Karte der Umgebung des Roboters von Interesse ist, können Algorithmen wie SLAM (Simultaneous Localization and Mapping) eingesetzt werden. SLAM-Algorithmen verwenden Sensorinformationen, um eine Karte der Umgebung zu erstellen und gleichzeitig die Pose in dieser Karte zu schätzen. Oft wird auf Sensoren wie Kameras oder Lidars gesetzt, um genügend Information der Umgebung zu registrieren. Eine Herausforderung dabei liegt in der Berücksichtigung von Umgebungsveränderungen. Wenn beispielsweise genügend Bildfeatures plötzlich an einem anderen Ort wahrgenommen werden als ursprünglich registriert, kann dies zu einer inkonsistenten Schätzung führen. Das Verschieben von Lagerkisten entlang eines Ganges an einen anderen Ort, kann als Illustration für einen solchen Problemfall dienen.
Für solche anspruchsvollen Randbedingungen ist der Controller für autonome Fahrzeuge auch in der Lage, Distanzen eines UWB-Systems auszuwerten. Dies löst Mehrdeutigkeiten in der Lösung des Schätzungsproblems und vermeidet Inkonsistenzen. Gerade in Lagerhallen kann dies einem Roboter deutlich mehr Sicherheit in seiner Poseschätzung geben.

Pfadplanung – Trajektorie
Eine weitere Voraussetzung für Autonomes Fahren, neben der Pose Estimation, ist ein Rezept wie das Gerät von Punkt A zu Punkt B manövriert. Das Fahrzeug benötigt also einen Pfad oder eine Trajektorie.
Die Pfadplanung ist ein wichtiger Prozess in der Robotik und der autonomen Navigation, bei dem ein optimaler Pfad von einem Startpunkt zu einem Zielpunkt in einer gegebenen Umgebung geplant wird. Das Ziel der Pfadplanung besteht darin, Hindernisse zu umgehen, Kollisionen zu vermeiden und den besten Weg zu finden, um ein Ziel zu erreichen.
Es gibt verschiedene Ansätze und Algorithmen für die Pfadplanung, einschliesslich des bekanntesten Algorithmus, dem A*-Algorithmus. Der A*-Algorithmus basiert auf einer heuristischen Schätzung und sucht terativ nach dem Pfad mit den geringsten Kosten zwischen den gegebenen Punkten.
Der Pfadplanungsprozess beinhaltet typischerweise die Repräsentation der Umgebung, das Modellieren von Hindernissen und Grenzen, die Definition von Start- und Zielpunkten sowie die Anwendung des Pfadplanungsalgorithmus. Die Ausgabe des Pfadplanungsprozesses ist ein Pfad, der aus einer Reihe von Punkten oder Knoten besteht, die den optimalen Weg repräsentieren. Dieser Prozess ist stark anwendungsabhängig und kann relativ starre Bedingungen fordern, wie zum Beispiel in der Landwirtschaft. Ein Feld soll immer in Streifen abgefahren werden, sei es beim Mähen, Jäten, Sähen oder Ernten. Zudem soll einem Hindernis nicht zwingend ausgewichen werden, da dies die gerade Linienform zerstören würde. Im Gegensatz dazu können aber auch sehr dynamische Pfadänderungen gefordert sein, wie zum Beispiel bei einem Putzroboter in einem stark besuchten Einkaufszentrum.
Auf dem Controller für autonome Fahrzeuge wurden eine Vielzahl von Algorithmen erfolgreich umgesetzt. Out-of-the-box sind zwei Pfadplannungsalgorithmen verfügbar. Einer wurde für landwirtschaftliche Zwecke entwickelt, welcher den Bodendruck auf einem Feld übers Jahr hinaus gleichmässig verteilen kann und damit den Boden optional vor Kerben schützt. Der andere ist ein flexibler, dynamischer Algorithmus, welcher es auch erlaubt, dynamisch Hindernissen auszuweichen.

Die Regelung
Neben der Poseschätzung und der Pfadplanung braucht es nun noch eine Reglereinheit, welche das Fahrzeug entlang des berechneten Pfades bewegt. Dies kann je nach Fahrzeug und Reglertyp starke Anforderungen an die verwendete Hardware stellen. Oft wird ein modellbasiertes Verfahren eingesetzt, welches ein Kinematikmodell des Fahrzeugs verwendet, um die Steuerbefehle für die Motoren zu berechnen.
Der SSP-Controller für autonome Fahrzeuge kommt mit einem benutzerdefinierten Linux mit Echtzeiterweiterung und ist vielen Herausforderungen gewachsen. Er wurde in Hinblick auf anspruchsvolle Regelaufgaben in Echtzeit entwickelt und ermöglicht eine schnelle und sichere Lösung für eine Vielzahl von Automatisierungen.

INFOS | KONTAKT
Stettbacher Signal Processing AG
Neugutstrasse 54
CH-8600 Dübendorf
T +41 (0)43 299 57 23
www.stettbacher.ch
dsp@stettbacher.ch