Os Sistemas de Navegação Inercial Visual (VINS) combinam a perceção baseada na câmara com a deteção inercial para fornecer um posicionamento, orientação e estimativa de movimento precisos para plataformas autónomas que operam em ambientes com GNSS negado. Aproveitando a Odometria Visual Inercial (VIO) e a Localização e Mapeamento Simultâneo Visual-Inercial (VI-SLAM), estes sistemas fundem dados da câmara e da IMU para estimar o estado do veículo, seguir o movimento e criar consciência ambiental em tempo real.
Esta página apresenta os principais fabricantes de VINS criados para serem utilizados em UAVs, UGVs, AUVs e plataformas robóticas para mapeamento, inspeção, ISR e mobilidade autónoma.
Leia o Visão geral da tecnologia
Sensores de navegação inercial: MEMS IMU, acelerómetros, giroscópios, AHRS, GPS-INS e geração de nuvem de pontos
Soluções de detecção inercial de baixo SWaP para sistemas não tripulados e autônomos
Se você projeta, constrói ou fornece Sistemas de Navegação Inercial Visual (VINS), Crie um perfil para mostrar as suas competências e entrar em contacto com visitantes que tenham uma necessidade real das suas soluções.
Os Sistemas de Navegação Inercial Visual (VINS) combinam a perceção baseada na câmara com a deteção inercial para fornecer posicionamento, orientação e estimativa de movimento precisos para plataformas autónomas. Ao fundir dados de uma ou mais câmaras ópticas com medições de uma Unidade de Medição Inercial (IMU), os VINS permitem que os veículos não tripulados calculem o seu estado cinemático em tempo real sem depender de sinais de posicionamento externos. Esta capacidade tornou-se essencial no sector dos sistemas não tripulados, uma vez que os operadores procuram proteger as plataformas terrestres, aéreas e marítimas contra as vulnerabilidades do posicionamento tradicional baseado em satélites.
Embora o Sistema Global de Navegação por Satélite (GNSS) continue a ser um recurso valioso para as coordenadas globais, a sua vulnerabilidade à atenuação do sinal, à reflexão multipercurso nos desfiladeiros urbanos e ao empastelamento eletrónico intencional ou spoofing apresenta uma vulnerabilidade crítica. O VINS resolve este problema actuando como um motor de dead-reckoning de alta frequência e autónomo que mantém uma prontidão operacional rigorosa em ambientes contestados ou fisicamente obscuros. Atualmente, a tecnologia está amplamente integrada em veículos aéreos não tripulados (UAVs) tácticos, veículos terrestres não tripulados (UGVs) robustos, veículos submarinos autónomos (AUVs) e robótica industrial localizada para apoiar o mapeamento de longo alcance, inspeção de instalações e operações militares tácticas.
Sistema de navegação visual-inercial Vision Navigator da Xsens
Para conceber uma estrutura de localização autónoma eficaz, os programadores têm de compreender as principais capacidades, interações de sensores e metodologias de software que definem a navegação visual inercial moderna. Estes elementos trabalham em conjunto para transformar dados ambientais brutos em estados de posição acionáveis.
O elemento visual de uma solução VINS pode assumir várias formas, dependendo da plataforma e dos requisitos da missão. Os sistemas de câmara monocular continuam a ser populares para plataformas não tripuladas mais pequenas devido ao seu tamanho, peso e requisitos de energia reduzidos, enquanto os sistemas de visão estéreo fornecem uma perceção direta da profundidade que pode melhorar a deteção de obstáculos e a precisão da localização.
As arquitecturas mais avançadas podem incorporar várias câmaras para aumentar o campo de visão, melhorar a redundância e manter a visibilidade das caraterísticas durante manobras complexas. As câmaras baseadas em eventos estão também a atrair um interesse crescente no sector da autonomia. Em vez de captarem fotogramas de imagem convencionais, estes sensores detectam alterações de luminosidade, permitindo uma navegação a alta velocidade com menor latência e menor desfocagem do movimento.
A principal força do VINS reside na sua capacidade de combinar os pontos fortes complementares dos sensores visuais e inerciais. As câmaras fornecem informações ambientais ricas, mas podem ter dificuldades em condições de pouca luz ou em ambientes com poucos recursos. As IMUs fornecem medições de movimento contínuas independentemente da visibilidade, mas acumulam erros ao longo do tempo.
Ao sincronizar e fundir estes fluxos de dados, o VINS cria uma estimativa estável da posição, velocidade e atitude. Os sistemas modernos dependem de arquitecturas sofisticadas de fusão de sensores capazes de processar grandes volumes de dados em tempo real, mantendo a baixa latência necessária para a navegação autónoma.
Ao implementar um sistema de navegação visual, os engenheiros escolhem geralmente entre odometria localizada e técnicas de mapeamento global, dependendo das restrições da carga útil e dos parâmetros da missão:
Estas capacidades são particularmente valiosas para sistemas autónomos que operam em ambientes desconhecidos ou em mudança, onde podem não estar disponíveis mapas pré-existentes.
A implementação de uma arquitetura inercial visual fiável exige uma seleção cuidadosa de camadas físicas de hardware e software que possam lidar com factores ambientais exigentes. Cada componente deve equilibrar o rendimento computacional com restrições rigorosas de tamanho, peso, potência e custo.
A seleção da câmara tem um impacto significativo no desempenho da navegação. As câmaras com obturador global são frequentemente preferidas porque captam uma imagem inteira em simultâneo, eliminando a distorção causada pelo movimento rápido. As câmaras com obturador rotativo podem oferecer um custo e consumo de energia mais baixos, mas podem introduzir artefactos de imagem que afectam o seguimento de caraterísticas.
As câmaras de espetro visível continuam a ser a opção mais comum, embora os sensores de baixa luminosidade e as tecnologias de imagem HDR sejam cada vez mais utilizadas para melhorar o desempenho em condições de iluminação difíceis. As câmaras térmicas também estão a ser integradas em sistemas de navegação avançados, permitindo o funcionamento na escuridão, fumo, nevoeiro e outros ambientes visualmente degradados.
A Unidade de Medição Inercial (IMU) serve como componente de deteção de movimento de uma arquitetura VINS, medindo a aceleração e o movimento rotacional em vários eixos. As IMUs baseadas em Sistemas Micro-Electro-Mecânicos (MEMS) dominam o mercado comercial de sistemas não tripulados devido ao seu tamanho compacto e acessibilidade, enquanto os sensores de nível tático e de navegação proporcionam uma maior estabilidade e um desvio reduzido para aplicações de gama alta.
Ao avaliar as IMUs para um sistema inercial visual, as principais considerações técnicas incluem normalmente:
Estes factores influenciam diretamente a qualidade da solução de navegação e a capacidade do sistema para manter um posicionamento preciso durante operações prolongadas sem GNSS.
A navegação visual-inercial é computacionalmente intensiva, exigindo recursos de processamento significativos para analisar imagens, efetuar a fusão de sensores e executar algoritmos de navegação em tempo real.
As soluções VINS modernas utilizam diversas arquitecturas de processamento, dependendo das restrições da plataforma:
O ambiente de software desempenha um papel crítico na determinação da flexibilidade, escalabilidade e facilidade de integração do sistema. O ROS e o ROS 2 foram amplamente adoptados nas indústrias da robótica e dos sistemas autónomos, proporcionando uma estrutura comum para a integração de sensores e o desenvolvimento de software.
Muitas implementações de VINS também utilizam arquitecturas de comunicação baseadas em DDS e sistemas operativos em tempo real para suportar um desempenho determinístico. Dependendo da aplicação, os operadores podem escolher entre estruturas de código aberto que oferecem flexibilidade e soluções proprietárias optimizadas para requisitos de missão específicos.
Os algoritmos de processamento executados num computador de bordo determinam a eficácia com que a plataforma converte os dados sensoriais numa estimativa precisa da trajetória. Diferentes modelos matemáticos oferecem compensações únicas relativamente ao estilo de seguimento, velocidade de filtragem e gestão de desvios de erro.
A odometria visual inercial baseada em caraterísticas continua a ser uma das abordagens mais amplamente implementadas para VINS. Estes sistemas identificam e seguem pontos de referência visuais distintos em imagens sucessivas, combinando esta informação com medições inerciais para estimar o movimento no ambiente. As implementações avançadas empregam técnicas como a gestão de pontos de referência e o ajuste de feixes para refinar as estimativas e reduzir o erro acumulado, melhorando a precisão da navegação em missões de longa duração.
Em vez de seguir caraterísticas visuais discretas, os métodos de odometria visual direta utilizam informações de intensidade de imagem em grandes porções da cena. Esta abordagem pode proporcionar maior robustez em ambientes onde a extração tradicional de caraterísticas pode ser difícil e permite que mais informação visual disponível contribua para o desempenho da navegação.
A estimativa precisa do estado é fundamental para qualquer arquitetura VINS. Os sistemas modernos utilizam uma variedade de abordagens, incluindo Filtros de Kalman Alargados (EKF), Filtros de Kalman Sem Saturação (UKF), otimização de gráficos de factores e técnicas de estimação de janelas deslizantes.
A escolha do método de estimativa depende frequentemente do equilíbrio desejado entre a eficiência computacional, a precisão da navegação e as restrições da plataforma. Os filtros de Kalman com restrições multi-estado (MSCKF) propagam o estado do veículo utilizando dados de IMU de alta velocidade e actualizam-no quando as caraterísticas visuais são seguidas através de múltiplas vistas da câmara, mantendo a sobrecarga computacional previsível. Para trajectórias complexas, os gráficos de factores baseados na otimização executam um ajuste de feixe não linear localizado sobre uma janela deslizante de estados recentes para obter uma precisão superior.
O vetor de estado central estima tipicamente a posição 3D, a velocidade e os quaternários de orientação, juntamente com as polarizações dinâmicas do acelerómetro e do giroscópio. A estimativa contínua dessas polarizações em tempo real evita que a solução de dead-reckoning se desvie rapidamente. Os avanços na capacidade de processamento permitiram a implementação de algoritmos de estimativa cada vez mais sofisticados em plataformas não tripuladas compactas.
Um dos principais desafios da navegação visual-inercial é a acumulação gradual de erros ao longo do tempo. As técnicas de fecho de circuitos resolvem este problema reconhecendo localizações visitadas anteriormente e utilizando esta informação para corrigir a deriva na solução de navegação. Estas capacidades são particularmente importantes para missões de longa duração, onde a manutenção da consistência global é essencial para um mapeamento e localização precisos.
A inteligência artificial está a influenciar cada vez mais o desenvolvimento de tecnologias de navegação visual-inercial. Os algoritmos de aprendizagem automática podem melhorar a extração de caraterísticas, melhorar a compreensão da cena e apoiar a localização semântica, permitindo que os sistemas reconheçam objectos e estruturas com significado no seu ambiente. À medida que as capacidades de processamento a bordo continuam a avançar, espera-se que as soluções VINS melhoradas por IA ofereçam uma maior adaptabilidade e um melhor desempenho numa gama mais vasta de condições operacionais.
Embora o VINS possa servir como um mecanismo de dead-reckoning autónomo, atinge a sua utilidade operacional total quando combinado com outros sensores dentro do compartimento de aviónica principal de um veículo. A combinação de sistemas cria uma estrutura de redundância de várias camadas que protege contra bloqueios inesperados do sensor ou falhas localizadas.
Embora o VINS possa funcionar de forma independente, é mais comum ser implementado como parte de uma arquitetura de navegação mais ampla. A integração da navegação visual-inercial com o GNSS permite que as plataformas beneficiem tanto da informação de posicionamento global como dos dados de navegação derivados localmente.
Esta abordagem proporciona uma redundância valiosa e suporta uma operação resiliente em ambientes afectados pela degradação do sinal, interferência ou falsificação. À medida que as preocupações em torno da guerra de navegação continuam a crescer, o VINS está a tornar-se um componente cada vez mais importante das estratégias de Posição, Navegação e Cronometragem (PNT) garantidas.
O VINS é frequentemente combinado com tecnologias de deteção adicionais para melhorar a resiliência da navegação e a consciência ambiental. Dependendo do perfil da missão, estas tecnologias complementares incluem:
Em conjunto, estas tecnologias criam conjuntos de navegação multi-sensor capazes de manter um desempenho fiável numa vasta gama de ambientes operacionais.
As plataformas autónomas modernas dependem cada vez mais de arquitecturas de navegação em camadas em vez de uma única fonte de dados de posicionamento. Nestes sistemas, o VINS actua como um contribuinte crítico para estruturas PNT resilientes, ajudando a manter a eficácia operacional quando outras fontes de navegação ficam indisponíveis ou comprometidas.
A tecnologia de sensores de inércia visual passou da investigação especulativa em laboratório para equipamento normalizado para máquinas utilizadas no terreno. A sua versatilidade permite que diversas plataformas de veículos no ar, terra e mar realizem tarefas críticas sem depender de infra-estruturas.
O rápido crescimento das operações autónomas de UAV tem sido um dos principais impulsionadores da adoção de VINS. A tecnologia suporta a navegação de precisão para pequenos drones, descolagem e aterragem autónomas, voo interior e operações além da linha de visão (BVLOS). Também desempenha um papel cada vez mais importante nas estratégias de navegação colaborativa para enxames de drones e missões multi-UAV.
Para sistemas autónomos terrestres, o VINS fornece uma localização fiável em ambientes onde a cobertura GNSS pode ser limitada ou não estar disponível. As aplicações incluem navegação fora de estrada, automação industrial, exploração subterrânea e operações militares em ambientes urbanos ou subterrâneos. A capacidade de operar independentemente de infra-estruturas externas torna o VINS particularmente valioso para implementações de UGV em terrenos complexos.
As plataformas marítimas autónomas também estão a beneficiar dos avanços na navegação visual-inercial. Os navios de superfície não tripulados (USVs) podem utilizar o VINS para complementar os sistemas de navegação tradicionais durante operações de proximidade em torno de portos e infra-estruturas. Para AUVs que operam sob a superfície, as técnicas visuais-inerciais fornecem um meio importante de localização onde a navegação por satélite é impossível.
As aplicações de defesa representam um dos mercados de crescimento mais rápido para a tecnologia VINS. Os operadores militares exigem cada vez mais soluções de navegação capazes de funcionar em ambientes electromagnéticos contestados, onde a disponibilidade do GNSS não pode ser garantida.
As áreas de implantação típicas incluem:
Fora do sector da defesa, o VINS está a permitir níveis mais elevados de autonomia na robótica industrial e comercial. A tecnologia suporta a navegação e o posicionamento seguros sem depender de infra-estruturas externas, tornando-a atractiva para aplicações interiores e exteriores. Os casos de utilização mais comuns incluem agricultura de precisão, operações de exploração mineira e pedreiras, automatização de armazéns e logística, e inspeção de infra-estruturas de energia e serviços públicos.
A próxima geração de sistemas inerciais visuais centra-se fortemente na computação localizada e nas redes de comunicação multiplataforma. À medida que o hardware do computador diminui, as arquitecturas de localização podem lidar com tarefas de mapeamento mais rápidas e mais cooperativas.
Os avanços no processamento incorporado estão a permitir que algoritmos de navegação e perceção cada vez mais sofisticados sejam executados diretamente a bordo de plataformas autónomas. Esta mudança para a IA de ponta reduz a dependência de recursos de computação externos, ao mesmo tempo que permite uma tomada de decisões mais rápida e uma maior independência operacional.
Os sensores baseados em eventos continuam a ganhar atenção devido à sua capacidade de fornecer informação visual de alta velocidade com uma latência excecionalmente baixa. Estas caraterísticas tornam-nos particularmente atractivos para UAVs ágeis, robótica de alta velocidade e outros sistemas autónomos dinâmicos.
Espera-se que os futuros sistemas autónomos funcionem como redes interligadas em vez de plataformas individuais. A localização colaborativa permite que vários veículos partilhem observações e dados de navegação, melhorando a precisão geral, a resiliência e a consciência situacional em toda a frota.
Pesquisa de empresas e produtos
Subscrever o boletim eletrónico semanal
Os mais recentes desenvolvimentos técnicos e de engenharia diretamente na sua caixa de correio eletrónico - junte-se a milhares de engenheiros que o recebem.