Resilient Navigation for Autonomous Farm Robots by Leveraging Jerk-Augmented Models with IMU-Only Disturbance Rejection

Resumo Técnico: Navegação Resiliente para Robôs Agrícolas Autônomos

Definição do Problema
Robôs agrícolas autônomos operam em ambientes off-road complexos e não estruturados, onde a navegação precisa é frequentemente comprometida por dois fatores primários: interrupções de sensores (GNSS, LiDAR, visual) e vibrações mecânicas de alta frequência. As abordagens de navegação padrão, que tipicamente dependem de Filtros de Kalman Estendidos (EKF) de 6 ou 9 estados com suposições de velocidade ou aceleração constantes, enfrentam dificuldades nessas condições. Esses modelos sofrem com atraso (lag) e erros cumulativos quando os robôs encontram distúrbios de terreno impulsivos ou mudanças súbitas de torque, pois carecem da derivada de ordem superior (jerk/arranco) necessária para modelar a taxa de variação da aceleração. Além disso, os métodos de filtragem adaptativa existentes frequentemente utilizam fatores de ajuste escalares que escalam toda a matriz de covariância de medição de forma uniforme. Essa abordagem de "tudo ou nada" é subótima para sistemas de múltiplos eixos; por exemplo, um impacto vertical de um sulco no solo pode corromper os dados do acelerômetro vertical, enquanto os dados laterais permanecem válidos. O escalonamento uniforme da matriz de covariância força o filtro a descartar informações úteis de eixos não afetados, reduzindo a precisão global.

Metodologia
O artigo propõe uma estrutura de navegação resiliente integrando duas inovações principais: um Espaço de Estados Aumentado por Jerk e um método de adaptação de Múltiplos Fatores de Ajuste (MTF) dentro de uma arquitetura EKF.

1. EKF Aumentado por Jerk: O vetor de estado é expandido para incluir posição 3D, velocidade e jerk (a taxa de variação da aceleração). Ao modelar o jerk como um processo de random walk, o filtro pode contabilizar a dinâmica de choques induzidos pelo terreno e densidades de solo irregulares. A matriz de transição de estado é derivada de uma expansão de Taylor de terceira ordem, permitindo que o sistema preveja a taxa de variação da aceleração em vez de assumir que ela permanece constante.
2. Adaptação de Múltiplos Fatores de Ajuste (MTF): Em vez de usar um escalar para escalar toda a matriz de covariância do ruído de medição ($R$), o método proposto ajusta dinamicamente a covariância ao longo de cada eixo de forma independente. O algoritmo monitora a sequência de inovação (resíduos) em cada passo de tempo. Se o traço do quadrado do resíduo exceder um limiar teórico, indicando um distúrbio externo, o algoritmo calcula uma matriz de ajuste ($S_t$). Esta matriz infla a covariância especificamente para os eixos que apresentam altos resíduos (por exemplo, o eixo vertical durante um impacto) enquanto mantém a covariância dos eixos não afetados (por exemplo, o lateral) inalterada. Esse isolamento seletivo evita que o filtro descarte dados sensoriais válidos de eixos não impactados.
3. Representação de Atitude: Para lidar com manobras íngremes em terrenos irregulares sem singularidades, o sistema utiliza uma Matriz de Cosseno Direto (DCM) para representação de atitude, em vez de ângulos de Euler ou quaternions, extraindo o rolamento (roll) e o arfagem (pitch) para compensação de gravidade.

Principais Contribuições

• Aumento de Estado: Introdução do jerk no vetor de estado do EKF para modelar a taxa de variação da aceleração, abordando o atraso inerente aos modelos de aceleração constante durante distúrbios impulsivos.
• Adaptação Específica por Eixo: Desenvolvimento de uma estratégia de adaptação MTF que ajusta dinamicamente o ruído de medição da covariância com base em cada eixo. Isso permite que o sistema isole distúrbios localizados sem degradar a estimativa de eixos não afetados.
• Estrutura Robusta: Um algoritmo de navegação unificado que combina a modelagem de jerk com o ajuste adaptativo de covariância para manter a precisão em ambientes com altas vibrações e interrupções de sensores.

Resultados Experimentais
O algoritmo foi validado utilizando dados reais de um robô agrícola autônomo Salin247 (uma plataforma elétrica de tração independente de 4 rodas) operando em ambientes agrícolas não estruturados. O EKF-MTF aumentado por jerk proposto foi comparado contra um EKF de linha de base de 6 estados (Posição-Velocidade).

• Redução de Erro: Os resultados demonstram que o método proposto reduz significamente o Erro Quadrático Médio (RMSE) de posição 3D em comparação com a linha de base. Especificamente, o artigo observa uma redução de mais de dez vezes no RMSE de posição 3D.
• Rejeição de Distúrbios: Enquanto o EKF de linha de base exibiu "picos" no erro de posição e deriva de trajetória ao encontrar irregularidades na superfície (por exemplo, em $t=45s$ e $t=90s$), o filtro aumentado por jerk absorveu com sucesso as forças impulsivas. Isso resultou em uma trajetória mais suave que aderiu estritamente à verdade de campo (ground truth) do RTK.
• Estabilidade de Atitude: O sistema manteceu o rastreamento estável dos ângulos de roll e pitch (RMSE de 0,0051 rad e 0,0076 rad, respectivamente) mesmo durante intervalos de alta vibração, confirmando a eficácia do mecanismo de compensação de gravidade.

Significância
O artigo afirma que contabilizar a taxa de variação da aceleração (jerk) é crítico para minimizar o atraso e a deriva durante manobras dinâmicas em ambientes agrícolas. Ao combinar modelagem cinemática de ordem superior com adaptação de ruído específica por eixo, a estrutura proposta fornece capacidades de dead-reckoning superiores quando o GNSS ou outros sensores estão degradados ou quando o robô encontra terrenos imprevisíveis. Os autores concluem que esta abordagem permite uma precisão posicional de nível centimétrico, o que é essencial para operações de agricultura de precisão, como o controle de ervas daninhas, pulverização e colheita em ambientes não estruturados. O trabalho futuro é identificado como a integração de pistas de odometria visual ao framework MTF para aumentar ainda mais a resiliência durante interrupções prolongadas de sensores.