Wizualne systemy nawigacji inercyjnej (VINS) łączą percepcję opartą na kamerze z czujnikami inercyjnymi, aby zapewnić dokładne pozycjonowanie, orientację i szacowanie ruchu dla autonomicznych platform działających w środowiskach pozbawionych GNSS. Wykorzystując Visual Inertial Odometry (VIO) oraz Visual-Inertial Simultaneous Localization and Mapping (VI-SLAM), systemy te łączą dane z kamery i IMU w celu oszacowania stanu pojazdu, śledzenia ruchu i budowania świadomości środowiskowej w czasie rzeczywistym.
Na tej stronie znajdą Państwo wiodących producentów systemów VINS stworzonych z myślą o zastosowaniu w UAV, UGV, AUV i platformach zrobotyzowanych do mapowania, inspekcji, ISR i autonomicznej mobilności.
Przeczytaj Przegląd technologii
Czujniki nawigacji inercyjnej: MEMS IMU, akcelerometry, żyroskopy, AHRS, GPS-INS i generowanie chmur punktów
Rozwiązania w zakresie czujników inercyjnych o niskim SWaP dla systemów bezzałogowych i autonomicznych
Jeśli projektujesz, budujesz lub dostarczasz Inercyjne systemy nawigacji wizualnej (VINS), Załóż profil, aby zaprezentować swoje możliwości i nawiązać kontakt z osobami, które aktywnie poszukują Twoich rozwiązań.
Wizualne systemy nawigacji inercyjnej (VINS) łączą percepcję opartą na kamerach z czujnikami inercyjnymi, aby zapewnić dokładne pozycjonowanie, orientację i szacowanie ruchu dla autonomicznych platform. Łącząc dane z jednej lub więcej kamer optycznych z pomiarami z inercyjnej jednostki pomiarowej (IMU), VINS umożliwia bezzałogowym pojazdom obliczanie ich stanu kinematycznego w czasie rzeczywistym bez polegania na zewnętrznych sygnałach pozycjonowania. Zdolność ta stała się niezbędna w sektorze systemów bezzałogowych, ponieważ operatorzy starają się zabezpieczyć platformy lądowe, powietrzne i morskie przed słabościami tradycyjnego pozycjonowania satelitarnego.
Podczas gdy Globalny System Nawigacji Satelitarnej (GNSS) pozostaje cennym zasobem dla globalnych współrzędnych, jego podatność na tłumienie sygnału, odbicia wielościeżkowe w kanionach miejskich oraz celowe elektroniczne zagłuszanie lub fałszowanie stanowi krytyczną słabość. VINS rozwiązuje ten problem, działając jako niezależny silnik o wysokiej częstotliwości, który utrzymuje ścisłą gotowość operacyjną w spornych lub fizycznie zasłoniętych środowiskach. Obecnie technologia ta jest szeroko zintegrowana z taktycznymi bezzałogowymi statkami powietrznymi (UAV), wytrzymałymi bezzałogowymi pojazdami naziemnymi (UGV), podwodnymi autonomicznymi pojazdami podwodnymi (AUV) i zlokalizowaną robotyką przemysłową w celu wspierania mapowania dalekiego zasięgu, inspekcji obiektów i taktycznych operacji wojskowych.
System nawigacji wizualno-inercyjnej Vision Navigator firmy Xsens
Aby zaprojektować skuteczną strukturę autonomicznej lokalizacji, programiści muszą zrozumieć podstawowe możliwości, interakcje czujników i metodologie oprogramowania, które definiują nowoczesną wizualną nawigację inercyjną. Elementy te współpracują ze sobą w celu przekształcenia surowych danych środowiskowych w możliwe do wykorzystania stany pozycji.
Element wizualny rozwiązania VINS może przybierać różne formy w zależności od platformy i wymagań misji. Systemy kamer monokularowych pozostają popularne w przypadku mniejszych platform bezzałogowych ze względu na ich niewielkie rozmiary, wagę i wymagania dotyczące zasilania, podczas gdy systemy stereowizyjne zapewniają bezpośrednią percepcję głębi, która może poprawić wykrywanie przeszkód i dokładność lokalizacji.
Bardziej zaawansowane architektury mogą obejmować wiele kamer w celu zwiększenia pola widzenia, poprawy redundancji i utrzymania widoczności funkcji podczas złożonych manewrów. Kamery oparte na zdarzeniach również cieszą się rosnącym zainteresowaniem w sektorze autonomii. Zamiast rejestrować konwencjonalne klatki obrazu, czujniki te wykrywają zmiany jasności, umożliwiając szybką nawigację z mniejszym opóźnieniem i zmniejszonym rozmyciem ruchu.
Podstawową siłą VINS jest jego zdolność do łączenia uzupełniających się mocnych stron czujników wizualnych i inercyjnych. Kamery dostarczają bogatych informacji o środowisku, ale mogą mieć trudności w warunkach słabego oświetlenia lub w środowiskach ubogich w funkcje. Jednostki IMU zapewniają ciągłe pomiary ruchu niezależnie od widoczności, ale z czasem akumulują błędy.
Synchronizując i łącząc te strumienie danych, VINS tworzy stabilne oszacowanie pozycji, prędkości i położenia. Nowoczesne systemy opierają się na zaawansowanych architekturach fuzji czujników, zdolnych do przetwarzania dużych ilości danych w czasie rzeczywistym, przy jednoczesnym zachowaniu niskiego opóźnienia wymaganego do autonomicznej nawigacji.
Wdrażając system nawigacji wizualnej, inżynierowie zazwyczaj wybierają między zlokalizowaną odometrią a globalnymi technikami mapowania, w zależności od ograniczeń ładunku i parametrów misji:
Możliwości te są szczególnie cenne dla autonomicznych systemów działających w nieznanych lub zmieniających się środowiskach, w których wcześniej istniejące mapy mogą nie być dostępne.
Wdrożenie niezawodnej wizualnej architektury inercyjnej wymaga starannego doboru fizycznego sprzętu i warstw oprogramowania, które mogą obsługiwać wymagające czynniki środowiskowe. Każdy komponent musi równoważyć przepustowość obliczeniową ze ścisłymi ograniczeniami dotyczącymi rozmiaru, wagi, mocy i kosztów.
Wybór kamery ma znaczący wpływ na wydajność nawigacji. Kamery z globalną migawką są często preferowane, ponieważ rejestrują cały obraz jednocześnie, eliminując zniekształcenia spowodowane szybkim ruchem. Kamery z migawką mogą oferować niższy koszt i zużycie energii, ale mogą wprowadzać artefakty obrazu, które wpływają na śledzenie obiektów.
Kamery o spektrum widzialnym pozostają najpopularniejszą opcją, choć coraz częściej stosowane są czujniki słabego oświetlenia i technologie obrazowania HDR w celu poprawy wydajności w trudnych warunkach oświetleniowych. Kamery termowizyjne są również integrowane z zaawansowanymi systemami nawigacji, umożliwiając pracę w ciemności, dymie, mgle i innych środowiskach o pogorszonej widoczności.
Inercyjna jednostka pomiarowa (IMU) służy jako element wykrywający ruch w architekturze VINS, mierząc przyspieszenie i ruch obrotowy w wielu osiach. IMU oparte na systemach mikro-elektro-mechanicznych (MEMS) dominują na rynku komercyjnych systemów bezzałogowych ze względu na ich kompaktowy rozmiar i przystępną cenę, podczas gdy czujniki klasy taktycznej i nawigacyjnej zapewniają większą stabilność i zmniejszony dryf w zastosowaniach wyższej klasy.
Podczas oceny IMU dla wizualnego systemu inercyjnego, kluczowe kwestie techniczne zazwyczaj obejmują:
Czynniki te mają bezpośredni wpływ na jakość rozwiązania nawigacyjnego i zdolność systemu do utrzymania dokładnego pozycjonowania podczas dłuższych operacji bez GNSS.
Nawigacja wizualno-inercyjna jest intensywna obliczeniowo, wymagając znacznych zasobów obliczeniowych do analizy obrazów, przeprowadzania fuzji czujników i wykonywania algorytmów nawigacyjnych w czasie rzeczywistym.
Nowoczesne rozwiązania VINS wykorzystują różne architektury przetwarzania w zależności od ograniczeń platformy:
Środowisko oprogramowania odgrywa kluczową rolę w określaniu elastyczności systemu, skalowalności i łatwości integracji. ROS i ROS 2 zostały szeroko przyjęte w branży robotyki i systemów autonomicznych, zapewniając wspólne ramy dla integracji czujników i rozwoju oprogramowania.
Wiele implementacji VINS wykorzystuje również architektury komunikacyjne oparte na DDS i systemy operacyjne czasu rzeczywistego, aby wspierać deterministyczną wydajność. W zależności od zastosowania, operatorzy mogą wybierać między frameworkami open-source, które oferują elastyczność, a zastrzeżonymi rozwiązaniami zoptymalizowanymi pod kątem konkretnych wymagań misji.
Algorytmy przetwarzania działające na komputerze pokładowym decydują o tym, jak skutecznie platforma przekształca dane sensoryczne w dokładne oszacowanie trajektorii. Różne modele matematyczne zapewniają unikalne kompromisy w zakresie stylu śledzenia, szybkości filtrowania i zarządzania dryfem błędów.
Oparta na cechach wizualna odometria inercyjna pozostaje jednym z najczęściej stosowanych podejść do VINS. Systemy te identyfikują i śledzą charakterystyczne wizualne punkty orientacyjne na kolejnych obrazach, łącząc te informacje z pomiarami inercyjnymi w celu oszacowania ruchu w środowisku. Zaawansowane implementacje wykorzystują techniki, takie jak zarządzanie punktami orientacyjnymi i dostosowywanie wiązek w celu udoskonalenia szacunków i zmniejszenia skumulowanego błędu, poprawiając dokładność nawigacji przez dłuższy czas trwania misji.
Zamiast śledzić dyskretne cechy wizualne, metody bezpośredniej odometrii wizualnej wykorzystują informacje o intensywności obrazu w większych częściach sceny. Podejście to może zapewnić większą odporność w środowiskach, w których tradycyjna ekstrakcja cech może stanowić wyzwanie i pozwala większej ilości dostępnych informacji wizualnych przyczynić się do wydajności nawigacji.
Dokładna estymacja stanu ma fundamentalne znaczenie dla każdej architektury VINS. Nowoczesne systemy wykorzystują różne podejścia, w tym rozszerzone filtry Kalmana (EKF), nieakcentowane filtry Kalmana (UKF), optymalizację grafu współczynników i techniki estymacji w oknie przesuwnym.
Wybór metody estymacji często zależy od pożądanej równowagi między wydajnością obliczeniową, dokładnością nawigacji i ograniczeniami platformy. Wielostanowe filtry Kalmana z ograniczeniami (MSCKF) propagują stan pojazdu przy użyciu danych IMU o wysokiej szybkości i aktualizują go, gdy funkcje wizualne są śledzone w wielu widokach kamery, utrzymując przewidywalny narzut obliczeniowy. W przypadku złożonych ścieżek, wykresy współczynników oparte na optymalizacji wykonują zlokalizowaną nieliniową regulację wiązki w przesuwnym oknie ostatnich stanów, aby osiągnąć najwyższą dokładność.
Podstawowy wektor stanu zazwyczaj szacuje kwaterniony pozycji 3D, prędkości i orientacji, wraz z dynamicznymi odchyleniami akcelerometru i żyroskopu. Ciągłe szacowanie tych odchyłek w czasie rzeczywistym zapobiega szybkiemu dryfowaniu rozwiązania. Postęp w zakresie mocy obliczeniowej umożliwił wdrażanie coraz bardziej zaawansowanych algorytmów estymacji na kompaktowych platformach bezzałogowych.
Jednym z głównych wyzwań w nawigacji wizualno-inercyjnej jest stopniowa akumulacja błędów w czasie. Techniki zamykania pętli rozwiązują tę kwestię, rozpoznając wcześniej odwiedzone lokalizacje i wykorzystując te informacje do korygowania dryfu w rozwiązaniu nawigacyjnym. Możliwości te są szczególnie ważne w przypadku długotrwałych misji, w których utrzymanie globalnej spójności jest niezbędne do dokładnego mapowania i lokalizacji.
Sztuczna inteligencja w coraz większym stopniu wpływa na rozwój technologii nawigacji wizualno-inercyjnej. Algorytmy uczenia maszynowego mogą poprawić ekstrakcję funkcji, zwiększyć zrozumienie sceny i wspierać lokalizację semantyczną, umożliwiając systemom rozpoznawanie znaczących obiektów i struktur w ich otoczeniu. Oczekuje się, że w miarę dalszego rozwoju możliwości przetwarzania na pokładzie, rozwiązania VINS wspomagane sztuczną inteligencją zapewnią większą zdolność adaptacji i lepszą wydajność w szerszym zakresie warunków operacyjnych.
Podczas gdy VINS może służyć jako samodzielny silnik martwego ciągu, osiąga pełną użyteczność operacyjną w połączeniu z innymi czujnikami w głównej wnęce awioniki pojazdu. Połączenie systemów tworzy wielowarstwową strukturę redundancji, która chroni przed nieoczekiwanymi blokadami czujników lub zlokalizowanymi awariami.
Chociaż VINS może działać niezależnie, najczęściej jest wdrażany jako część szerszej architektury nawigacyjnej. Integracja nawigacji wizualno-inercyjnej z GNSS umożliwia platformom korzystanie zarówno z globalnych informacji o położeniu, jak i lokalnych danych nawigacyjnych.
Takie podejście zapewnia cenną redundancję i wspiera odporne działanie w środowiskach dotkniętych degradacją sygnału, zagłuszaniem lub spoofingiem. Ponieważ obawy związane z działaniami wojennymi w zakresie nawigacji wciąż rosną, VINS staje się coraz ważniejszym elementem strategii zapewniania pozycji, nawigacji i czasu (PNT).
VINS jest często łączony z dodatkowymi technologiami wykrywania w celu poprawy odporności nawigacji i świadomości środowiskowej. W zależności od profilu misji, te uzupełniające technologie obejmują:
Łącznie technologie te tworzą wieloczujnikowe stosy nawigacyjne zdolne do utrzymania niezawodnej wydajności w szerokim zakresie środowisk operacyjnych.
Nowoczesne autonomiczne platformy w coraz większym stopniu opierają się na warstwowych architekturach nawigacyjnych, a nie na pojedynczym źródle danych pozycyjnych. W ramach tych systemów, VINS działa jako krytyczny czynnik przyczyniający się do odpornych ram PNT, pomagając utrzymać skuteczność operacyjną, gdy inne źródła nawigacji stają się niedostępne lub zagrożone.
Technologia wizualnych czujników inercyjnych przeszła od spekulacyjnych badań laboratoryjnych do standardowego wyposażenia maszyn wykorzystywanych w terenie. Jej wszechstronność pozwala różnym platformom pojazdów w powietrzu, na lądzie i na morzu wykonywać krytyczne zadania bez konieczności polegania na infrastrukturze.
Szybki rozwój autonomicznych operacji bezzałogowych statków powietrznych (UAV) jest głównym motorem wdrażania VINS. Technologia ta obsługuje precyzyjną nawigację dla małych dronów, autonomiczny start i lądowanie, loty w pomieszczeniach oraz operacje poza zasięgiem wzroku (BVLOS). Odgrywa również coraz ważniejszą rolę w strategiach nawigacji zespołowej dla rojów dronów i misji z udziałem wielu UAV.
W przypadku naziemnych systemów autonomicznych VINS zapewnia niezawodną lokalizację w środowiskach, w których zasięg GNSS może być ograniczony lub niedostępny. Zastosowania obejmują nawigację terenową, automatykę przemysłową, eksplorację podziemną i operacje wojskowe w środowiskach miejskich lub podziemnych. Zdolność do działania niezależnie od infrastruktury zewnętrznej sprawia, że VINS jest szczególnie cenny w przypadku wdrożeń UGV w złożonym terenie.
Autonomiczne platformy morskie również korzystają z postępów w nawigacji wizualno-inercyjnej. Bezzałogowe statki nawodne (USV) mogą wykorzystywać VINS jako uzupełnienie tradycyjnych systemów nawigacyjnych podczas operacji w pobliżu portów i infrastruktury. W przypadku pojazdów AUV operujących pod powierzchnią, techniki wizualno-inercyjne zapewniają ważny sposób lokalizacji tam, gdzie nawigacja satelitarna jest niemożliwa.
Zastosowania obronne stanowią jeden z najszybciej rozwijających się rynków dla technologii VINS. Operatorzy wojskowi coraz częściej wymagają rozwiązań nawigacyjnych zdolnych do funkcjonowania w spornych środowiskach elektromagnetycznych, w których nie można zagwarantować dostępności GNSS.
Typowe obszary zastosowań obejmują:
Poza sektorem obronnym, VINS umożliwia wyższy poziom autonomii w robotyce przemysłowej i komercyjnej. Technologia ta wspiera bezpieczną nawigację i pozycjonowanie bez konieczności polegania na zewnętrznej infrastrukturze, co czyni ją atrakcyjną zarówno dla zastosowań wewnętrznych, jak i zewnętrznych. Typowe przypadki użycia obejmują rolnictwo precyzyjne, górnictwo i kamieniołomy, automatyzację magazynów i logistyki oraz inspekcję infrastruktury energetycznej i użytkowej.
Kolejna generacja wizualnych systemów inercyjnych koncentruje się w dużej mierze na zlokalizowanych obliczeniach i wieloplatformowych sieciach komunikacyjnych. W miarę kurczenia się sprzętu komputerowego, architektury śledzenia mogą obsługiwać szybsze, bardziej kooperacyjne zadania mapowania.
Postępy w przetwarzaniu wbudowanym pozwalają na uruchamianie coraz bardziej zaawansowanych algorytmów nawigacji i percepcji bezpośrednio na pokładzie autonomicznych platform. Ta zmiana w kierunku brzegowej sztucznej inteligencji zmniejsza zależność od zewnętrznych zasobów obliczeniowych, umożliwiając jednocześnie szybsze podejmowanie decyzji i większą niezależność operacyjną.
Czujniki oparte na zdarzeniach wciąż zyskują na uwadze ze względu na ich zdolność do dostarczania szybkich informacji wizualnych z wyjątkowo niskim opóźnieniem. Te cechy sprawiają, że są one szczególnie atrakcyjne dla zwinnych bezzałogowych statków powietrznych, szybkiej robotyki i innych dynamicznych systemów autonomicznych.
Oczekuje się, że przyszłe systemy autonomiczne będą działać jako połączone ze sobą sieci, a nie pojedyncze platformy. Wspólna lokalizacja umożliwia wielu pojazdom dzielenie się obserwacjami i danymi nawigacyjnymi, poprawiając ogólną dokładność, odporność i świadomość sytuacyjną w całej flocie.
Wyszukiwanie firm i produktów
Subskrybuj cotygodniowy eBrief
Najnowsze osiągnięcia inżynieryjne i techniczne prosto do Twojej skrzynki odbiorczej - dołącz do tysięcy inżynierów, którzy je otrzymują.