AO_459

Panorama AUTOMAZIONE OGGI 28 | GENNAIO-FEBBRAIO 2025 AUTOMAZIONE OGGI 459 dentati. Perciò, gli approcci basati su visuale e LiDAR menzionati di seguito sono spesso preferibili. La localizzazione basata sui sen- sori LiDAR è vantaggiosa poiché tali sensori sono caratterizzati dall’indipendenza dall’il- luminazione, da un campo visivo fino a 360° e dal rilevamento a lungo raggio. Il filtro di Kalman esteso è un metodo classico per lo- calizzare un robot utilizzando sensori LiDAR 2D. La fase di previsione del filtro recupera la posa utilizzando la stima della posizione e la fase di aggiornamento affina la stima della posa utilizzando la posizione misurata di un punto di riferimento riconosciuto. Questo me- todo consente la valutazione della posa a tre gradi di libertà del robot sul piano di terra, ed è particolarmente adatto per robot mobili con capacità computazionali limitate. Tuttavia, nei contesti agricoli del mondo reale, non è sem- pre semplice estrarre caratteristiche dai dati LiDAR da utilizzare come punti di riferimento. Questa tecnica può quindi essere sfruttata in ambienti caratterizzati da piante chiaramente visibili e separate, o quando le file di colture sono facilmente rilevabili e le linee possono essere utilizzate come punti di riferimento, come nel caso di vigneti. La mancanza di ro- bustezza di questo metodo può essere supe- rata impiegando bersagli riflettenti artificiali come punti di riferimento, o accoppiando immagini calibrate e misurazioni LiDAR e cercando caratteristiche distintive nei foto- grammi dell’immagine. Strategie di pianificazione del percorso Le colture e i terreni agricoli sono impegna- tivi per la navigazione autonoma, poiché que- sti ambienti sono altamente variabili e non strutturati. Con il termine pianificazione del percorso ci riferiamo ai metodi utilizzati per trovare un percorso fattibile e privo di col- lisioni verso un punto obiettivo, quando gli ostacoli nell’ambiente sono noti a priori. Per- tanto, dopo che il percorso è stato definito, il robot naviga utilizzando una strategia di lo- calizzazione e di tracciamento del percorso. Una soluzione semplice è quella di sfruttare i waypoint Gnss che generalmente devono essere raccolti in precedenza teleoperando il robot sul campo. Questo metodo è appro- priato per i campi aperti in cui il segnale Gnss non è bloccato dalla vegetazione. Quando utilizzata in vigneti o frutteti, la navigazione basata sui waypoint Gnss è generalmente ac- coppiata a un algoritmo di tracciamento dei filari. Una volta fornita una rappresentazione dell’area di lavoro, i punti obiettivo che de- vono essere raggiunti dal robot possono es- sere selezionati manualmente. Il pianificatore del percorso calcola quindi il percorso verso l’obiettivo. I metodi di pianificazione del per- corso volti a far seguire i filari alla piattaforma robotica possono essere utilizzati per la na- vigazione autonoma in ambienti caratteriz- zati da filari di colture. Inoltre, un algoritmo di pianificazione del percorso non è più ne- cessario se il robot rileva la fine del filare e intraprende un percorso a U per entrare nel filare successivo: il seguito del percorso può essere calcolato stimando la posa del robot tra i filari e inviando comandi di velocità con l’obiettivo di mantenerlo sulla linea centrale. Ad esempio, il robot può navigare basandosi esclusivamente su misurazioni della distanza laterale tra le piante e il robot stesso. In gene- rale, la sfida più ardua da affrontare comporta l’utilizzo di dati dei sensori e algoritmi di vi- sione artificiale per individuare una carreg- giata per il robot. Le linee di corsia possono essere individuate utilizzando sensori LiDAR, di profondità o RGB: una volta individuata la posizione dei bordi del raccolto sui lati sini- stro e destro del robot, viene calcolato un punto centrale che identifica la posizione del centro della fila. Applicazioni dell’intelligenza artificiale Nelle ispezioni autonome, le capacità che un robot può apprendere utilizzando approcci di intelligenza artificiale possono essere utili per migliorare la robustezza e la sicurezza della navigazione autonoma, nonché per il recupero di dati. Il robot, infatti, deve es- sere in grado di distinguere tra i dati utili per il monitoraggio delle piante: per associare informazioni semantiche ai dati raccolti dai sensori, si utilizzano allora vari approcci di riconoscimento di pattern basati sui dati. In particolare, le principali applicazioni dell’AI in robotica agricola riguardano la classifi- cazione, la segmentazione e il rilevamento di oggetti, principalmente sulla base di im- magini e dati provenienti da sensori LiDAR. Attraverso la classificazione dei dati, il robot può acquisire una migliore comprensione dell’ambiente circostante, che è la base per i sistemi di supporto alle decisioni in tempo reale. Il problema della classificazione ri- guarda l’assegnazione dei dati acquisiti a classi predeterminate. Per quanto riguarda il compito di classificazione, i metodi più diffusi sono Support Vector Machine (SVM) e Convo- lutional Neural Network (CNN). La SVM è una tecnica di apprendimento automatico che conduce un apprendimento supervisionato per la categorizzazione di gruppi di dati, men- tre le CNN sono reti neurali artificiali profonde che sono in genere impiegate per il riconosci- mento e l’elaborazione delle immagini, grazie alla loro capacità di identificare modelli nelle immagini. Ad esempio, per eseguire le azioni di guida o di controllo appropriate, il robot mobile deve essere cognitivamente in grado di comprendere il tipo di terreno circostante e le sue caratteristiche. Vi sono esempi di ap- plicazioni in cui le SVM vengono utilizzate per classificare il tipo di terreno mediante imma- gini RGB, eventualmente integrando all’in- terno di un framework supervisionato da SVM questi dati esterocettivi con dati provenienti da sensori propriocettivi (coppia delle ruote, slittamento e accelerazione). Le CNN possono anche essere utilizzate per la classificazione nel dominio agricolo, ad esempio, per distin- guere le piante malate da quelle sane o per la stima del livello di maturazione dei frutti utilizzando immagini iperspettrali. Note [1] S. Cubero, E. Marco-Noales, N. Aleixos, S. Barbé, J. Bla- sco, Robhortic: Afield robot todetect pests anddiseases in horticultural crops by proximal sensing, Agriculture 10 (7) (2020) 276. [2] J. Gai, L. Xiang, L. Tang, Using a depth camera for crop row detection and mapping for under-canopy naviga- tion of agricultural robotic vehicle, Comput. Electron. Agric. 188 (2021) 106301. [3] D. Ball, B. Upcroft, G. Wyeth, P. Corke, A. English, P. Ross, T. Patten, R. Fitch, S. Sukkarieh, A. Bate, Vision-ba- sed obstacle detection and navigation for an agricultu- ral robot, J. Field Robotics 33 (8) (2016) 1107–1130. [4] K. Wang, J. Zhou, W. Zhang, B. Zhang, Mobile LiDAR scanning system combined with canopy morphology extracting methods for tree crown parameters evalua- tion in orchards, Sensors 21 (2) (2021) 339. [5] L. Grimstad, P.J. From, The Thorvald II agricultural ro- botic system, Robotics 6 (2017) 24. [6] N. Chebrolu, P. Lottes, A. Schaefer, W. Winterhal- ter, W. Burgard, C. Stachniss, Agricultural robot data- set for plant classification, localization and mapping on sugar beet fields, Int. J. Robot. Res. 36 (10) (2017) 1045–1052.