Nel panorama della robotica mobile, la localizzazione non è una semplice risposta alla domanda “dove mi trovo?”, ma costituisce l’architettura portante della consapevolezza operativa di un sistema autonomo. Tuttavia, senza una stima precisa e costante della posizione molte funzioni di alto livello, dalla pianificazione dei percorsi all’evitamento dinamico degli ostacoli, perdono drasticamente di efficacia. Questo compromette l’intera missione.
I limiti del solo GNSS in ambito agricolo
Per decenni, il GNSS (Global Navigation Satellite System) è stato considerato lo strumento più avanzato per la guida assistita e autonoma in agricoltura. Tuttavia, l’applicazione pratica in scenari complessi ha evidenziato limiti strutturali invalicabili.
In contesti caratterizzati da fitta vegetazione, strutture metalliche o morfologie collinari, il segnale satellitare subisce distorsioni critiche dovute all’effetto multipath o a fenomeni di shadowing (oscuramento). Questi problemi non rappresentano solo un intoppo tecnico. Infatti, si traducono in:
- Fermi macchina non pianificati: interruzione di trattamenti fitosanitari critici.
- Innalzamento dei costi: necessità di manodopera d’emergenza e di potenziale perdita del raccolto.
- Instabilità dinamica: una stima discontinua della posizione può indurre il sistema di controllo a correzioni brusche e improvvise della traiettoria.
- Rischi per la sicurezza: correzioni repentine della traiettoria possono danneggiare il terreno, le colture o, peggio, mettere in pericolo gli operatori che cooperano con il robot.
LiDAR Odometry: la nuova frontiera della navigazione
Una risposta concreta a queste criticità è rappresentata dalla LiDAR Odometry (LO). Questa tecnologia stima il movimento del robot analizzando il flusso di dati proveniente dal sensore LiDAR.
L’integrazione di una Inertial Measurement Unit (IMU), che conduce ai cosiddetti algoritmi di LiDAR Inertial Odometry (LIO), risulta spesso cruciale per eliminare le distorsioni temporali della point cloud (deskewing) del LiDAR e fornire un riferimento inerziale solido durante i movimenti rapidi del mezzo. Questa sinergia assicura un ottimo aiuto alla stima della posizione anche in ambienti geometricamente poveri. Inoltre, garantisce la coerenza spaziale dei dati laddove il solo LiDAR perderebbe precisione a causa di scarse feature ambientali.
Da qui in avanti parleremo per semplicità di LiDAR Odometry indicando genericamente sia algoritmi di LO che LIO.
Il paradosso del campo aperto
Nonostante la sua efficacia, la LiDAR Odometry non è priva di sfide. Poiché dipende intrinsecamente dalla conformazione dell’ambiente, gli algoritmi di LiDAR Odometry faticano in scenari privi di feature geometriche evidenti. In un campo aperto e pianeggiante, la scarsità di punti di riferimento distintivi impedisce al sensore di determinare con accuratezza lo spostamento effettuato.
Analisi delle prestazioni
La LiDAR Odometry ha ottenuto molto interesse negli ultimi anni. Diverse soluzioni sono perciò oggi disponibili e integrabili all’interno di robot mobili, ciascuna con le sue peculiarità. In aitronik abbiamo testato quattro tra i più noti tool di LiDAR Odometry di cui sia disponibile codice sorgente open-source: KISS-ICP, LIO-SAM, GLIM, e RKO. Per verificare la robustezza dei quattro algoritmi, abbiamo acquisito una point cloud utilizzando un LiDAR SICK Multiscan 165. Il LiDAR è stato integrato a bordo del robot terrestre ASNOT ed utilizzato in navigazione autonoma su un percorso che comprende sia strade sterrate sia aree agricole.
Durante il suo percorso, il robot ha trovato davanti a sé sia aree con scarsa presenza di feature distintive (immagine a sinistra, in cui la mancanza di vegetazione ed oggetti nel campo di visibilità del LiDAR non consente di acquisire punti salienti dello spazio), sia zone molto più ricche di feature (immagine a destra). Nel primo caso, la nuvola di punti generata può essere talmente povera di informazioni. Di conseguenza, questo può rendere l’output degli algoritmi di LI ben poco accurato.
Analisi dei 4 algoritmi testati
Ciò diventa evidente nel caso di rotazioni del robot. Nella figura 4, gli scostamenti angolari tra le traiettorie stimate dagli algoritmi rispetto al ground-truth sono principalmente dovuti alle rotazioni del robot avvenute in aree povere di feature.
Dall’analisi della Figura 4, emerge inoltre come quasi tutti i sistemi di odometria standard forniscano stime eccellenti in zone ricche di dettagli. Tuttavia, perdono coerenza non appena il robot attraversa aree con scarse caratteristiche geometriche. Questo comporta un generale deterioramento della stima evidenziato in Figura 4. L’errato orientamento di alcune traiettorie rispetto a quella di riferimento è visibile nel tratto successivo al punto con poche feature.
L’algoritmo RKO
Durante i test effettuati, l’algoritmo RKO è risultato quello con le migliori performance. La figura 5 mostra lo scostamento tra le stime fornite da RKO rispetto al percorso realmente effettuato (tratteggiato in figura 5).
Sebbene l’algoritmo fornisca una buona stima del percorso, in alcuni punti (evidenziati dai colori più accesi in Figura 4, in cui l’errore commesso è maggiore), la carenza di caratteristiche ambientali rilevabili dal LiDAR porta ad importanti errori nella stima della traiettoria. Dal momento che la LiDAR Odometry non è aiutata dalla presenza di ancore o georeferenziazione del LiDAR, tali errori non possono essere più colmati. Al contrario, l’eventuale conoscenza della posizione di riferimenti fissi (es. marker ottici) nell’ambiente consente invece la correzione automatica degli errori introdotti dalla LiDAR Odometry, portando ad un notevole miglioramento della localizzazione.
Relative Position Error (RPE) e contesto operativo
I nostri test sugli algoritmi testati mostrano una correlazione diretta tra precisione e contesto:
- Ambienti Strutturati: Nelle aree ricche di edifici o di vegetazione densa, l’errore di posizione relativa (RPE) tende allo zero (rappresentato in blu in Figura 5), grazie alla facilità con cui il LiDAR riconosce i punti di riferimento.
- Campi Aperti: Nelle zone evidenziate in rosso (Figura 5) e in corrispondenza dei picchi di errore nel grafico temporale (Figura 6), l’algoritmo fatica a mantenere la precisione in assenza di riferimenti solidi.
Conclusioni: verso la sensor fusion
La LiDAR Odometry è uno strumento importante, ma per garantire la robustezza necessaria a un’operatività 24/7 in ogni condizione, non può agire da sola. Pertanto, la strategia vincente risiede nella fusione sensoriale, ovvero l’integrazione di più dispositivi (come LiDAR, GNSS ed IMU) per compensare i limiti reciproci dei sensori.
Riferimenti ai tool di LIDAR Odometry utilizzati
| Algoritmo | Codice sorgente | Paper |
| KISS-ICP | KISS-ICP su github | KISS-ICP su Arxiv |
| LIO-SAM | LIO-SAM su github | LIO-SAM su Arxiv |
| GLIM | GLIM su github | GLIM su Arxiv |
| RKO | RKO su github | RKO su Arxiv |
