羊舎の狭く埃っぽい通路の中では、現代的な畜産の課題が色濃く漂っています。床面はしばしば凹凸があったり、スリット状になっていたりし、壁には機械の目が見ているかのように、ほとんど同一に見える反復的なペン（囲い）が並んでいます。さらに、空間は常に動き回る動物たちと共有されており、それらが突然通路を塞ぐこともあります。何十年もの間、これらの環境を清潔に保つことは、スプレーヤーを持って歩き回る人間の作業員に頼ってきましたが、それは反復的で、過酷な化学物質にさらされる作業であり、また、二人として全く同じ速度や角度で歩くことはないため、洗浄のムラが生じる原因となっていました。これを解決するために、エンジニアたちはロボット技術へと目を向けましたが、このような混沌とした限られた空間をナビゲートできるロボットを製作することは、リビングルームを掃除機で案内することよりもはるかに困難です。核心となる課題は、機械に信頼できる自己位置把握能力を与え、行き詰まることなく隅々までカバーするルートを計画させ、さらに、速度の増減に合わせて噴霧動作を即座に調整させる能力を与えることにあります。
河南農業大学と鄭州師範大学の研究チームは、まさにこうした条件のために設計された特化型のロボットを開発しました。彼らは、車輪よりも凹凸のある地面への対応力に優れ、その場で小回りが利くタンクのような履帯（キャタピラ）式の小型車両を製作しました。この機械は、目として機能するレーザースキャナーと、自身の動きを感じ取る慣性センサ、そして高度なナビゲーションシステムを走らせるコンピュータを搭載しています。研究者たちは単にハードウェアを構築しただけでなく、ロボットを誘導するために連携して機能する3層のソフトウェアシステムを作り上げました。第1層は清掃が必要なエリアを決定し、第2層はそれらのエリア間をスムーズかつ安全に結ぶ経路を策定し、第3層は、羊が通路に足を踏み入れた際などに、減速したり回避したりすることで、障害物に即座に反応します。極めて重要な点として、このシステムはロボットの速度とポンプからの液体流量を直接リンクさせており、ロボットがゆっくり動いていても速く動いていても、床に当たる消毒液の量が一定に保たれるようになっています。
このシステムが実際に機能するかどうかをテストするため、チームはまず、仮想の羊舎の中で数千回のシミュレーションを行いました。その結果、レーザースキャン処理を注意深く調整することで、環境に対して極めて正確な地図を構築でき、実際のレイアウトとほぼ97パーセントの精度で一致させられることが分かりました。移動する障害物があるシミュレーション環境において、この統合ナビゲーションシステムは、単純なシステムが立ち往生したり回避に失敗したりする中で、クラッシュすることなくすべてのテスト走行を成功させました。その後、研究者たちは、狭い通路や仕切りがある実世界のテストエリアである、羊舎の物理的な模型へと移行しました。ここでロボットは、静止した障害物を回避し、動いている障害物が通り過ぎるのを辛抱強く待つことで、複雑な経路を辿る能力を実証しました。5回の走行において、ロボットは意図した床面積の99.8パーセントをカバーし、隙間をほとんど残さず、経路の重なりもわずかであり、標準的な前後往復パターンよりも大幅な改善を示しました。
しかし、最も重要なテストは、ロボットが移動しながら正しく噴霧できるかどうかでした。研究者たちはロボットのタンクにきれいな水を満たし、0.08、0.11、0.14メートル毎秒という3つの異なる速度で走行させました。ロボットが加速するにつれて、コンピュータは移動速度を補うためにポンプの出力を自動的に増加させました。結果、この速度依存型の制御は完璧に機能しました。ロボットが異なるペースで移動しているにもかかわらず、床に堆積する水の量は、すべての速度において約0.20リットル毎平方メートルと一定に保たれました。噴霧パターンも非常に均一であり、スプレーの片側からもう片側にかけての変動は極めてわずかでした。これは、人間が手動で流量を調整したり、機械を停止・始動させたりすることなく、ロボットが一定の洗浄用量を維持できることを証明しました。
最後に、チームはロボットを実際の、動物がいる羊舎へと連れて行き、生きた動物に対してどのように対処するかを確認しました。5回の監督下での作業サイクルを通じて、ロボットは羊が存在する通路をナビゲートしました。ロボットは、動物が経路を塞いだ56回の事例のうち55回を正常に処理し、道が開けるまで自動的に停止するか、あるいは待機しました。ロボットは高い精度で位置を維持し、誤差4センチメートル未満で経路を追跡し、ほぼ100パーセントの時間、作成したマップとの接続を維持しました。本研究では、ロボットが実際に細菌を殺したかどうかや、羊がその存在にどう反応したかについては測定していませんが、結果として、この機械がそのタスクを実行するための機械的および計算論的な能力を備えていることが確認されました。研究者たちは、このナビゲーション、障害物回避、および速度制御噴霧の統合システムは、困難な環境である羊舎における実行可能なエンジニアリング・ソリューションであり、長年手作業で行われてきたタスクを自動化するための再現可能な方法を提供するものであると結論付けました。
技術要約：羊舎用自律型噴霧ロボット
問題提起
羊舎における自律的な噴霧は、標準的なモバイルロボティクスを困難にする特有の環境的制約に直面している。これらには、狭い通路、反復的なペン（囲い）の形状、凹凸のあるまたはスリットのある床、塵埃の蓄積、センサーの部分的な遮蔽、および移動する動物が含まれる。これらの要因は、LiDARの測定精度を低下させ、オドメトリのドリフトを増大させ、計画されたルートの一時的な遮断を引き起こす。さらに、手動による噴霧は、作業員の速度やノズルの取り扱いが不一致であるため、幾何学的なカバー範囲にばらつきが生じることが多い。既存の家畜消毒用ロボットソリューションは、磁気ストリップ、RFIDガイダンス、またはUV照射に依存していることが多いが、これらは狭い、生体動物がいる通路における特定のナビゲーションおよび動的障害物回避の要件に対処できない可能性がある。マッピング、階層的ナビゲーション、および速度依存型の噴霧制御を、この環境に特化して統合・調整するシステムが不足している。
手法
本研究では、ROSベースの3レベル・ナビゲーション・フレームワークと結合された、履帯式（トラック式）移動噴霧プラットフォームを開発した。
- ハードウェア・プラットフォーム： ロボットは、エンコーダ・フィードバックを備えたブラシレスDCモータによって駆動される差動履帯式シャーシを利用しており、ゼロ半径旋回が可能である。SICK TiM781 2D LiDAR（高さ0.32 mに設置）、BMI088 IMU、および電気ポンプとフラットファンノズルからなる噴霧ユニットを備えている。システムは、Ubuntu 20.04上で動作するJetson Xavier NXおよびROS Noeticで構成される。
- ソフトウェア・アーキテクチャ： システムは、以下の階層的なワークフローを採用している：
- マッピング： GMapping（グリッドベースのRao-Blackwellized粒子フィルタによるSLAM）を使用して、占有格子（オキュパンシー・グリッド）を構築する。塵埃や遮蔽に対処するため、有効な戻り値の比率に基づいてLiDARの戻り値をフィルタリングするスキャン信頼性ゲーティング・メカニズムを使用する。
- 自己位置推定： 適応型モンテカルロ局在化（AMCL）を用いて、事前に構築されたマップ上でのロボットのポーズを推定する。これには、KLDサンプリングと、ポーズの乱れからの復帰のためのランダム粒子注入が利用される。
- ナビゲーション： 3レベルのプランニング・システムが以下を調整する：
- タスク・レベル： カバーセルを選択するために、有界シャント・ニューラルネットワーク・モデルを用いたバイオインスパイアード・カバレッジ・プランナーを使用する。
- グローバル・レベル： A*アルゴリズムがウェイポイント間のルートを生成し、急激な方位変化を抑えるために3次B-スプラインを用いて平滑化を行う。
- ローカル・レベル： 動的ウィンドウアプローチ（DWA）が、リアルタイムの障害物回避と速度指令の生成を行う。
- 噴霧制御： 速度依存型の流量制御ルール（Qr=60qa∗Wev）により、ロボットの地上速度とポンプ指令を連動させ、ハードウェアの制限範囲内で一定の公称面積塗布率を維持する。
主な貢献
本論文は、羊舎環境に特化した3つの具体的なエンジニアリング上の貢献を提示している：
- 堅牢な知覚と運動： 塵埃対策を施した履帯式プラットフォーム、スキャン品質ゲーティング、リソースを考慮した自己位置推定、およびマップベースのポーズ復帰を統合し、狭く部分的に遮蔽された通路での動作を実現した。
- ワークフローの統合： カバレッジセルの選択、B-スプラインで平滑化されたA*ルーティング、DWA回避、およびルート復帰を明示的に接続するインターフェースを提供し、個別のナビゲーション・モジュールを連続的な家畜ハウス・タスク・ワークフローへと変容させた。
- 速度依存型の供給： 地上速度を飽和を考慮した流量ルールに結合し、クリーンウォーター試験およびフィールドサイクルを通じて検証することで、速度の変化にかかわらず一貫した堆積を保証する。
実験結果
システムは、シミュレーション、物理モックアップ、および監督下のフィールド試験を通じて評価された：
- マッピングと自己位置推定： 15回の繰り返しのシミュレーションにおいて、選択されたGMapping構成は、96.8 ± 0.8%のマップIoU（Intersection-over-Union）を達成し、マッピング時間を738 ± 29 sに短縮した。10回のAMCL試行では、自己位置推定のRMSE（平方根平均二乗誤差）は0.0299 ± 0.0026 mであった。
- 経路計画と障害物回避： 動的障害物を含む80回のシミュレーション試行において、統合されたA*-DWA構成は**100%の成功率を達成し、純粋なA（82.5%）および純粋なDWA（96.3%）を上回った。20件の構造化された障害物イベントを用いた物理モックアップ・テストでは、システムは衝突なしで*95.0%**の自動成功率を達成した。
- カバレッジ性能： 5回の物理モックアップ走行において、バイオインスパイアード戦略は**4.20 ± 0.16%**の重複カバレッジのみで、**99.80 ± 0.16%**の幾何学的カバレッジを達成し、ブストロフェドン（牛歩）およびスパイラル方式のベースラインを上回った。
- 噴霧性能： 0.08、0.11、および0.14 m/sの速度における15回のクリーンウォーター走行において、システムは平均堆積率約0.20 L/m²（範囲：0.1985–0.2008 L/m²）を維持し、横方向の変動係数は**5.20%から5.37%**の間であった。実際の流量は速度に対して線形に増加し、制御ロジックが正しいことを裏付けた。
- フィールド展開： 動物がいる羊舎内での5回の監督下サイクルにおいて、ロボットは99.62 ± 0.23%の自己位置推定の連続性と、0.0376 ± 0.0031 mの経路追従RMSEを達成した。また、動物に関連するブロックイベント56件中55件を衝突なしに自動的に処理した。
意義と範囲
本論文は、制約のある畜産施設における低速噴霧ロボットのための、測定可能でシナリオ固有のエンジニアリング・リファレンスを提供すると主張している。報告されたテスト条件下での、統合されたナビゲーションおよび油圧供給ワークフローの実現可能性を実証している。
著者らは、自らの主張の限界を明示的に述べている：
- 本研究は幾何学的な経路カバレッジと液体堆積を評価しているが、微生物学的有効性（消毒効果の減少）およびアニマルウェルフェア（動物福祉）への影響については評価していない。
- フィールド結果は監督下での運用を表しており、無人での信頼性や長期的な商業運用は範囲外である。
- 障害物回避のデータは、構造化され制御された動的イベントに基づいており、制限のない家畜の動きに基づいたものではない。
本研究は、新しいスタンドアロンのSLAMやプランニング・アルゴリズムではなく、システムレベルの統合および検証データセットとして位置づけられている。複雑な農業環境における、知覚、ナビゲーション、およびタスク実行を調整するための再現可能なフレームワークを提供するものである。
毎週最高の 電気工学 論文をお届け。
スタンフォード、ケンブリッジ、フランス科学アカデミーの研究者に信頼されています。
受信トレイを確認して登録を完了してください。
問題が発生しました。もう一度お試しください。
スパムなし、いつでも解除可能。
週刊ダイジェスト — 最新の研究をわかりやすく。登録