Autonome gravemaskiner stiller ekstreme krav til posisjoneringsnøyaktighet, men anleggsplasser er fulle av signalforstyrrelser, vibrasjon og terrengslurv. En ny studie viser hvordan Extended Kalman Filter-basert sensorfusjon av GNSS-RTK, IMU og enkodere kan levere robust lokalisering selv under krevende feltforhold.
Autonom gravning krever at maskinen til enhver tid vet nøyaktig hvor den befinner seg – ikke bare i teorien, men under reelle anleggsforhold med støv, vibrasjon og delvis skjermet himmel. En fersk studie publisert i Sensors tar for seg nettopp denne utfordringen, og presenterer et lokaliseringssystem som kombinerer flere sensortyper gjennom et Extended Kalman Filter (EKF) implementert i ROS (Robot Operating System).
Hvorfor enkeltsensorer ikke er nok
GNSS-RTK gir normalt centimeternøyaktig posisjon, men på en anleggsplass oppstår ofte signaldegradering – skygging fra bygninger, maskiner eller terreng kan føre til multipath-feil eller fullstendig signaltap. Samtidig gir IMU-sensorer (inertial measurement unit) god kortsiktig bevegelsesdata, men drifter over tid. Hjulenkodere er pålitelige på fast underlag, men gir feilaktige avlesninger ved slurv i løs masse eller skråterreng – et velkjent problem for gravemaskiner som opererer på ujevnt underlag.
Forskernes løsning er å la de tre sensortypene utfylle hverandre gjennom sannsynlighetsbasert vekting. Når GNSS-kvaliteten klassifiseres som degradert, nedvektes disse målingene automatisk til fordel for IMU- og enkoderdata, slik at systemet unngår brå og feilaktige posisjonshopp.
Slik fungerer EKF-fusjonen
Extended Kalman Filter er en velprøvd metode for å kombinere usikre målinger fra flere kilder til ett konsistent posisjonsestimat. I denne implementasjonen modelleres usikkerheten til hver sensor kontinuerlig, og filteret justerer vektingen dynamisk basert på signalkvalitet og bevegelsesforhold.
Systemarkitekturen er bygget på standard ROS-pipeline, noe som gjør tilnærmingen relevant for andre robotikkprosjekter som allerede benytter rammeverket til navigasjon og sensorhåndtering.
En typisk konfigurasjon for en slik oppsett kan se omtrent slik ut i en ROS-node:
ekf_filter_node:
ros__parameters:
frequency: 50.0
sensor_timeout: 0.2
two_d_mode: false
gnss_rtk_fix_status_threshold: 1
imu0: "imu/data"
odom0: "wheel/odometry"
gps0: "gnss/fix"
Resultater fra feltforsøk
Testene ble gjennomført på en kartlagt utendørs rute med en autonom gravemaskin, og inkluderte segmenter med både signalobstruksjon og høy vibrasjon – forhold som er representative for reelle anleggsoppdrag. Den fusjonerte trajektorien oppnådde en RMSE (root-mean-square error) på 0,139 meter sammenlignet med en uavhengig referansebane, og en P95-avvik på kun 0,213 meter. Dette betyr at posisjonsestimatet holdt seg stabilt selv i de mest krevende segmentene av ruten.
For utviklere og integratorer som jobber med autonome kjøretøy i krevende utendørsmiljøer – enten det gjelder gravemaskiner, landbruksroboter eller mobile plattformer for inspeksjon – illustrerer denne studien verdien av å kombinere komplementære sensortyper fremfor å stole på én enkelt kilde. Kombinasjonen av GNSS-RTK, IMU og enkodere, vektet dynamisk gjennom et EKF, fremstår som en praktisk og robust tilnærming som kan tilpasses ulike plattformer og sensorsett.
La oss se hva dette kan bety i praksis: for hobbyister og studenter som bygger egne robotplattformer med ROS, representerer denne typen sensorfusjon en tilgjengelig vei til mer pålitelig navigasjon – uten å måtte investere i eksotisk og kostbar maskinvare.
Kilde: Sensors (Basel, Switzerland)
