I sistemi di navigazione inerziale visiva (VINS) combinano la percezione basata sulla telecamera con il rilevamento inerziale per fornire un posizionamento, un orientamento e una stima del movimento accurati per le piattaforme autonome che operano in ambienti privi di GNSS. Sfruttando la Visual Inertial Odometry (VIO) e la Visual-Inertial Simultaneous Localization and Mapping (VI-SLAM), questi sistemi fondono i dati della telecamera e dell'IMU per stimare lo stato del veicolo, tracciare il movimento e costruire una consapevolezza ambientale in tempo reale.
Questa pagina presenta i principali produttori di VINS costruiti per l'impiego su UAV, UGV, AUV e piattaforme robotiche per la mappatura, l'ispezione, l'ISR e la mobilità autonoma.
Leggi il Panoramica tecnologica
Sensori di navigazione inerziale: MEMS IMU, accelerometri, giroscopi, AHRS, GPS-INS e generazione di nuvole di punti
Soluzioni di rilevamento inerziale a basso SWaP per sistemi autonomi e senza pilota
Se progettate, costruite o fornite Sistemi di navigazione inerziale visiva (VINS), Crea un profilo per mettere in evidenza le tue competenze ed entrare in contatto con i visitatori che hanno un bisogno concreto delle tue soluzioni.
I sistemi di navigazione inerziale visiva (VINS) combinano la percezione basata sulla telecamera con il rilevamento inerziale per fornire un posizionamento, un orientamento e una stima del movimento accurati per le piattaforme autonome. Fondendo i dati di una o più telecamere ottiche con le misurazioni di un’unità di misurazione inerziale (IMU), i VINS consentono ai veicoli senza pilota di calcolare il loro stato cinematico in tempo reale senza affidarsi a segnali di posizionamento esterni. Questa capacità è diventata essenziale nel settore dei sistemi senza pilota, in quanto gli operatori cercano di salvaguardare le piattaforme terrestri, aeree e marittime dalle vulnerabilità del posizionamento tradizionale basato sui satelliti.
Sebbene il Sistema Globale di Navigazione Satellitare (GNSS) rimanga una risorsa preziosa per le coordinate globali, la sua vulnerabilità all’attenuazione del segnale, alla riflessione multi-path nei canyon urbani e all’inceppamento elettronico intenzionale o allo spoofing presenta una vulnerabilità critica. VINS risolve questo problema agendo come un motore di dead-reckoning ad alta frequenza e autonomo che mantiene una rigorosa prontezza operativa in ambienti contestati o fisicamente oscurati. Oggi, la tecnologia è ampiamente integrata nei veicoli aerei senza pilota tattici (UAV), nei robusti veicoli terrestri senza pilota (UGV), nei veicoli subacquei autonomi (AUV) e nella robotica industriale localizzata per supportare la mappatura a lungo raggio, l’ispezione delle strutture e le operazioni militari tattiche.
Sistema di navigazione visuale-inerziale Vision Navigator di Xsens
Per progettare un quadro di localizzazione autonoma efficace, gli sviluppatori devono comprendere le capacità principali, le interazioni dei sensori e le metodologie software che definiscono la moderna navigazione inerziale visiva. Questi elementi lavorano insieme per trasformare i dati ambientali grezzi in stati di posizione attivabili.
L’elemento visivo di una soluzione VINS può assumere diverse forme a seconda della piattaforma e dei requisiti della missione. I sistemi di telecamere monoculari rimangono popolari per le piattaforme senza pilota più piccole, grazie alle loro dimensioni, al peso e ai requisiti energetici ridotti, mentre i sistemi di visione stereo forniscono una percezione diretta della profondità che può migliorare il rilevamento degli ostacoli e la precisione della localizzazione.
Le architetture più avanzate possono incorporare più telecamere per aumentare il campo visivo, migliorare la ridondanza e mantenere la visibilità delle caratteristiche durante le manovre complesse. Anche le telecamere basate su eventi stanno suscitando un interesse crescente nel settore dell’autonomia. Invece di catturare fotogrammi di immagini convenzionali, questi sensori rilevano i cambiamenti di luminosità, consentendo una navigazione ad alta velocità con una latenza inferiore e una ridotta sfocatura del movimento.
La forza principale di VINS risiede nella sua capacità di combinare i punti di forza complementari dei sensori visivi e inerziali. Le telecamere forniscono informazioni ambientali ricche, ma possono avere difficoltà in condizioni di scarsa illuminazione o in ambienti poveri di elementi. Le IMU forniscono misurazioni continue del movimento indipendentemente dalla visibilità, ma accumulano errori nel tempo.
Sincronizzando e fondendo questi flussi di dati, VINS crea una stima stabile di posizione, velocità e assetto. I sistemi moderni si affidano a sofisticate architetture di fusione dei sensori in grado di elaborare grandi volumi di dati in tempo reale, mantenendo la bassa latenza richiesta per la navigazione autonoma.
Quando si implementa un sistema di navigazione visiva, gli ingegneri generalmente scelgono tra odometria localizzata e tecniche di mappatura globale, a seconda dei vincoli del carico utile e dei parametri della missione:
Queste capacità sono particolarmente preziose per i sistemi autonomi che operano in ambienti sconosciuti o mutevoli, dove potrebbero non essere disponibili mappe preesistenti.
L’implementazione di un’architettura inerziale visiva affidabile richiede un’attenta selezione di livelli hardware e software fisici in grado di gestire fattori ambientali impegnativi. Ogni componente deve bilanciare il throughput computazionale con vincoli rigorosi di dimensioni, peso, potenza e costo.
La selezione della telecamera ha un impatto significativo sulle prestazioni di navigazione. Le telecamere con otturatore globale sono spesso preferite perché catturano un’intera immagine simultaneamente, eliminando la distorsione causata dal movimento rapido. Le telecamere a otturatore rotante possono offrire un costo e un consumo energetico inferiori, ma possono introdurre artefatti dell’immagine che influiscono sul tracciamento delle caratteristiche.
Le telecamere a spettro visibile rimangono l’opzione più comune, anche se i sensori a bassa luminosità e le tecnologie di imaging HDR sono sempre più utilizzate per migliorare le prestazioni in condizioni di illuminazione difficili. Anche le telecamere termiche vengono integrate nei sistemi di navigazione avanzati, consentendo di operare nell’oscurità, nel fumo, nella nebbia e in altri ambienti visivamente degradati.
L’unità di misurazione inerziale (IMU) funge da componente di rilevamento del movimento di un’architettura VINS, misurando l’accelerazione e il movimento rotatorio su più assi. Le IMU basate su sistemi microelettro-meccanici (MEMS) dominano il mercato commerciale dei sistemi senza pilota grazie alle loro dimensioni compatte e all’accessibilità, mentre i sensori di grado tattico e di navigazione offrono una maggiore stabilità e una deriva ridotta per le applicazioni di fascia alta.
Quando si valutano le IMU per un sistema inerziale visivo, le considerazioni tecniche chiave in genere includono:
Questi fattori influenzano direttamente la qualità della soluzione di navigazione e la capacità del sistema di mantenere un posizionamento preciso durante operazioni prolungate senza GNSS.
La navigazione visiva-inerziale è ad alta intensità di calcolo e richiede risorse di elaborazione significative per analizzare le immagini, eseguire la fusione dei sensori ed eseguire gli algoritmi di navigazione in tempo reale.
Le moderne soluzioni VINS utilizzano diverse architetture di elaborazione a seconda dei vincoli della piattaforma:
L’ambiente software gioca un ruolo fondamentale nel determinare la flessibilità, la scalabilità e la facilità di integrazione del sistema. ROS e ROS 2 sono stati ampiamente adottati nel settore della robotica e dei sistemi autonomi, fornendo un quadro comune per l’integrazione dei sensori e lo sviluppo del software.
Molte implementazioni VINS utilizzano anche architetture di comunicazione basate su DDS e sistemi operativi in tempo reale per supportare prestazioni deterministiche. A seconda dell’applicazione, gli operatori possono scegliere tra framework open-source che offrono flessibilità e soluzioni proprietarie ottimizzate per i requisiti specifici della missione.
Gli algoritmi di elaborazione in esecuzione all’interno di un computer di bordo determinano l’efficacia con cui la piattaforma converte gli input dei dati sensoriali in una stima accurata della traiettoria. Diversi modelli matematici offrono compromessi unici per quanto riguarda lo stile di inseguimento, la velocità di filtraggio e la gestione della deriva dell’errore.
L’odometria inerziale visiva basata su caratteristiche rimane uno degli approcci più diffusi al VINS. Questi sistemi identificano e tracciano punti di riferimento visivi distintivi in immagini successive, combinando queste informazioni con le misurazioni inerziali per stimare il movimento nell’ambiente. Le implementazioni avanzate impiegano tecniche come la gestione dei punti di riferimento e la regolazione del fascio per affinare le stime e ridurre l’errore accumulato, migliorando l’accuratezza della navigazione per lunghe durate di missione.
Invece di tracciare caratteristiche visive discrete, i metodi di odometria visiva diretta utilizzano le informazioni sull’intensità dell’immagine in porzioni più ampie della scena. Questo approccio può fornire una maggiore robustezza in ambienti in cui l’estrazione tradizionale delle caratteristiche può essere difficile e consente a una parte maggiore delle informazioni visive disponibili di contribuire alle prestazioni di navigazione.
La stima accurata dello stato è fondamentale per qualsiasi architettura VINS. I sistemi moderni impiegano una varietà di approcci, tra cui i filtri di Kalman estesi (EKF), i filtri di Kalman non profumati (UKF), l’ottimizzazione del grafico dei fattori e le tecniche di stima a finestra scorrevole.
La scelta del metodo di stima dipende spesso dall’equilibrio desiderato tra efficienza computazionale, precisione di navigazione e vincoli della piattaforma. I filtri di Kalman a vincoli multistato (MSCKF) propagano lo stato del veicolo utilizzando dati IMU ad alta velocità e lo aggiornano quando le caratteristiche visive vengono tracciate attraverso più viste della telecamera, mantenendo prevedibile l’overhead computazionale. Per i percorsi complessi, i grafi fattoriali basati sull’ottimizzazione eseguono una regolazione non lineare localizzata del fascio su una finestra scorrevole di stati recenti, per ottenere una precisione superiore.
Il vettore di stato principale tipicamente stima i quaternioni di posizione, velocità e orientamento 3D, oltre alle polarizzazioni dinamiche dell’accelerometro e del giroscopio. La stima continua di questi bias in tempo reale impedisce alla soluzione di dead-reckoning di andare rapidamente alla deriva. I progressi nella potenza di elaborazione hanno permesso di implementare algoritmi di stima sempre più sofisticati su piattaforme compatte senza pilota.
Una delle sfide principali della navigazione visuale-inerziale è l’accumulo graduale di errori nel tempo. Le tecniche di chiusura del loop affrontano questo problema riconoscendo le posizioni visitate in precedenza e utilizzando queste informazioni per correggere la deriva all’interno della soluzione di navigazione. Queste capacità sono particolarmente importanti per le missioni di lunga durata, dove il mantenimento della coerenza globale è essenziale per una mappatura e una localizzazione accurate.
L’intelligenza artificiale sta influenzando sempre più lo sviluppo delle tecnologie di navigazione visuale-inerziale. Gli algoritmi di apprendimento automatico possono migliorare l’estrazione delle caratteristiche, aumentare la comprensione della scena e supportare la localizzazione semantica, consentendo ai sistemi di riconoscere gli oggetti e le strutture significative all’interno del loro ambiente. Con l’avanzamento delle capacità di elaborazione a bordo, si prevede che le soluzioni VINS potenziate dall’AI offriranno una maggiore adattabilità e prestazioni migliori in una gamma più ampia di condizioni operative.
Sebbene il VINS possa servire come motore di dead-reckoning autonomo, raggiunge la sua piena utilità operativa quando viene combinato con altri sensori all’interno della baia dell’avionica primaria di un veicolo. La combinazione dei sistemi crea un quadro di ridondanza a più livelli che protegge da blocchi imprevisti dei sensori o da guasti localizzati.
Sebbene il VINS possa funzionare in modo indipendente, è più comunemente impiegato come parte di un’architettura di navigazione più ampia. L’integrazione della navigazione visuale-inerziale con il GNSS consente alle piattaforme di beneficiare sia delle informazioni di posizionamento globale che dei dati di navigazione derivati localmente.
Questo approccio fornisce una preziosa ridondanza e supporta il funzionamento resiliente in ambienti colpiti da degrado del segnale, jamming o spoofing. Poiché le preoccupazioni relative alla guerra di navigazione continuano a crescere, il VINS sta diventando un componente sempre più importante delle strategie di Posizione, Navigazione e Temporizzazione (PNT) assicurate.
Il VINS è spesso combinato con altre tecnologie di rilevamento per migliorare la resilienza della navigazione e la consapevolezza ambientale. A seconda del profilo della missione, queste tecnologie complementari includono:
Insieme, queste tecnologie creano stack di navigazione multi-sensore in grado di mantenere prestazioni affidabili in un’ampia gamma di ambienti operativi.
Le moderne piattaforme autonome si affidano sempre più ad architetture di navigazione stratificate, piuttosto che a una singola fonte di dati di posizionamento. All’interno di questi sistemi, VINS agisce come contributore critico ai quadri PNT resilienti, aiutando a mantenere l’efficacia operativa quando altre fonti di navigazione diventano non disponibili o compromesse.
La tecnologia dei sensori inerziali visivi è passata dalla ricerca di laboratorio speculativa all’equipaggiamento standard per le macchine impiegate sul campo. La sua versatilità consente a diverse piattaforme di veicoli in aria, terra e mare di svolgere compiti critici senza dipendere dalle infrastrutture.
La rapida crescita delle operazioni autonome degli UAV è stata uno dei principali motori dell’adozione di VINS. La tecnologia supporta la navigazione di precisione per i piccoli droni, il decollo e l’atterraggio autonomi, il volo indoor e le operazioni oltre la linea visiva di vista (BVLOS). Inoltre, svolge un ruolo sempre più importante nelle strategie di navigazione collaborativa per gli sciami di droni e le missioni multi-UAV.
Per i sistemi autonomi basati a terra, VINS fornisce una localizzazione affidabile in ambienti in cui la copertura GNSS può essere limitata o non disponibile. Le applicazioni includono la navigazione fuori strada, l’automazione industriale, l’esplorazione del sottosuolo e le operazioni militari in ambienti urbani o sotterranei. La capacità di operare indipendentemente da infrastrutture esterne rende VINS particolarmente prezioso per le distribuzioni di UGV in terreni complessi.
Anche le piattaforme marittime autonome stanno beneficiando dei progressi della navigazione visuale-inerziale. Le navi di superficie senza equipaggio (USV) possono utilizzare il VINS per integrare i sistemi di navigazione tradizionali durante le operazioni di prossimità intorno a porti e infrastrutture. Per gli AUV che operano sotto la superficie, le tecniche visuo-inerziali forniscono un importante mezzo di localizzazione quando la navigazione satellitare è impossibile.
Le applicazioni di difesa rappresentano uno dei mercati in più rapida crescita per la tecnologia VINS. Gli operatori militari richiedono sempre più soluzioni di navigazione in grado di funzionare in ambienti elettromagnetici contestati, dove la disponibilità del GNSS non può essere garantita.
Le aree di impiego tipiche includono:
Al di fuori del settore della difesa, VINS sta consentendo livelli più elevati di autonomia nella robotica industriale e commerciale. La tecnologia supporta la navigazione e il posizionamento sicuri senza dipendere da infrastrutture esterne, rendendola interessante per le applicazioni interne ed esterne. I casi d’uso più comuni includono l’agricoltura di precisione, le operazioni di estrazione mineraria e di cava, l’automazione del magazzino e della logistica e l’ispezione delle infrastrutture energetiche e di pubblica utilità.
La prossima generazione di sistemi inerziali visivi si concentra molto sul calcolo localizzato e sulle reti di comunicazione multipiattaforma. Con la riduzione dell’hardware dei computer, le architetture di tracciamento possono gestire compiti di mappatura più veloci e cooperativi.
I progressi nell’elaborazione incorporata consentono di eseguire algoritmi di navigazione e percezione sempre più sofisticati direttamente a bordo di piattaforme autonome. Questo spostamento verso l’intelligenza artificiale avanzata riduce la dipendenza da risorse informatiche esterne, consentendo al contempo un processo decisionale più rapido e una maggiore indipendenza operativa.
I sensori basati su eventi continuano a guadagnare attenzione grazie alla loro capacità di fornire informazioni visive ad alta velocità con una latenza eccezionalmente bassa. Queste caratteristiche li rendono particolarmente interessanti per gli UAV agili, la robotica ad alta velocità e altri sistemi autonomi dinamici.
Si prevede che i futuri sistemi autonomi opereranno come reti interconnesse piuttosto che come piattaforme individuali. La localizzazione collaborativa consente a più veicoli di condividere osservazioni e dati di navigazione, migliorando la precisione complessiva, la resilienza e la consapevolezza situazionale dell’intera flotta.
Ricerca di aziende e prodotti
Abbonati all'eBrief settimanale
Gli ultimi sviluppi tecnici e ingegneristici direttamente nella vostra casella di posta elettronica - unitevi alle migliaia di ingegneri che la ricevono.