Älyä metsäkoneeseen 3D-laserkeilauksella Heikki Hyyti, Konenäköpäivät, #Reset17

Samankaltaiset tiedostot
Autonomisuus metsässä. Heikki Hyyti Studia Militaria

Metsäkoneiden sensoritekniikka kehittyy. Heikki Hyyti, Aalto-yliopisto

Maastolaserkeilauksen mahdollisuudet metsävaratiedon hankinnassa ja puunkorjuussa. Harri Kaartinen , FOREST BIG DATA -hankkeen tulosseminaari

Väylät, metsät ja kaupungit (piste)pilveen

Kymmenen vuotta maastolaserkeilaustutkimusta käytännön kokemuksia

Puiden biomassan, puutavaralajien ja laadun ennustaminen laserkeilausaineistoista

Maastokartta pistepilvenä Harri Kaartinen, Maanmittauspäivät

Infrastruktuurista riippumaton taistelijan tilannetietoisuus INTACT

Forest Big Data (FBD) -tulosseminaari Helsingin yliopiston metsätieteiden laitos & Maanmittauslaitoksen paikkatietokeskus (FGI)

Infrastruktuurista riippumaton taistelijan tilannetietoisuus INTACT

Puukarttajärjestelmä hakkuun tehostamisessa. Timo Melkas Mikko Miettinen Jarmo Hämäläinen Kalle Einola

Tree map system in harvester

Ympäristön aktiivinen kaukokartoitus laserkeilaimella: tutkittua ja tulevaisuutta

Kansallinen maastotietokanta. KMTK Kuntien tuotantoprosessit: Selvitys mobiilikartoitusmenetelmistä

Automaattinen betonin ilmamäärämittaus

Laserkeilauksella kattavaa tietoa kaupunkimetsistä

Puuta koskettamaton hakkuukonemittaus. Arto Visala, Matti Öhman, Mikko Miettinen Aalto-Yliopisto (TKK), Automaatio- ja systeemitekniikan laitos

Tiedonkeruun miljoonat pisteet

Luento 10: Optinen 3-D mittaus ja laserkeilaus

Satelliittipaikannus

Forest Big Data -tulosseminaari

Rautatiekasvillisuudenhallinta laserkeilauksen avulla

Trimblen mobiilikartoitusportfolio. Trimble MX9 Trimble MX2 Trimble MX7

Metsikön rakenteen ennustaminen 3D-kaukokartoituksella

Simulaattoreiden ja virtuaalitodellisuuden hyödyntäminen metsäalalla. Antti Peltola, Creanex Oy

Autonomisen liikkuvan koneen teknologiat. Hannu Mäkelä Navitec Systems Oy

Biomassatulkinta LiDARilta

Maanmittauslaitoksen uusi valtakunnallinen korkeusmalli laserkeilaamalla

5 syytä hyödyntää ensiluokkaista paikannustarkkuutta maastotyöskentelyssä

DIGIBONUSTEHTÄVÄ: MPKJ NCC INDUSTRY OY LOPPURAPORTTI

AS TENTTIJÄRJESTYS LUKUVUOSI päiv as

Puunkorjuu ja toimitukset automatisoituvat. Lapin Metsätalouspäivät Tuomo Moilanen Ponsse Oyj

Satelliittipaikannuksen tarkkuus hakkuukoneessa. Timo Melkas Mika Salmi Jarmo Hämäläinen

Tosi elävä virtuaalimalli Mika Karaila Tutkimuspäällikkö Valmet Automation

Olosuhdetieto. Metsäntutkimuksen ja päätöksenteon apuna. Metsäteho Timo Tokola. UEF // University of Eastern Finland

Matterport vai GeoSLAM? Juliane Jokinen ja Sakari Mäenpää

TILOJEN 3D-VIRTUAALIMALLI TUKEE PÄÄTÖKSENTEKOA JA SÄÄSTÄÄ KAIKKIEN AIKAA

tulevaisuuden teknologiaratkaisut machine kasvinviljelyssä efficient machines Assisting and adaptive agricultural

Kohti jatkuvatoimista koneistutusta. Veli-Matti Saarinen Heikki Hyyti Tiina Laine Markus Strandström

FYSP101/K1 KINEMATIIKAN KUVAAJAT

Laserkeilaus puustotunnusten arvioinnissa

X PAD for Android Ensimmäinen, kehittynein

Monimutkaisesta datasta yksinkertaiseen päätöksentekoon. SAP Finug, Emil Ackerman, Quva Oy

Puustotietojen keruun tekniset vaihtoehdot, kustannustehokkuus ja tarkkuus

Talvikunnossapidon laadun seuranta

Satelliittipaikannuksen tarkkuus hakkuukoneessa

Tulevaisuuden autonomiset laivat. Mika Hyvönen Yliopistotutkija, TkT

TRESTIMA. Digitaalisten tekniikoiden mahdollisuudet metsätaloudessa , Seinäjoki. Simo Kivimäki

Tulevaisuuden avoimet kaupunkimallit. 6Aika AKAI-projekti

Palopaikan valokuvaaminen ja dokumentointi

Infrastruktuurista riippumaton taistelijan tilannetietoisuus INTACT

Prognos Julkaisusuunnitelmat

RFID ja etäanturit sovelluksia ja uutta teknologiaa. Kaarle Jaakkola VTT Technical Research Centre of Finland

Forest Big Data Visio tulevaisuuden metsätiedosta

Kohti puuhuollon digitalisaatiota

Älyvaatteet työympäristössä

E 3.15: Maan pinnalla levossa olevassa avaruusaluksessa pallo vierii pois pöydän vaakasuoralta pinnalta ja osuu lattiaan D:n etäisyydellä pöydän

Tarkkuuden hallinta mittausprosessissa

Open Arctic Challenge , Oulu Petri Jääskeläinen

Julkinen Mobiililaserkeilaukset rataverkolla

Pikaohje LandNova simulaattorin käyttöön(tarkemmat ohjeet käyttöohjeessa ja mallinnusohjeessa):

TKT224 KOODIN KOON OPTIMOINTI

Puun kasvu ja runkomuodon muutokset

LASERKEILAUKSEEN PERUSTUVA 3D-TIEDONKERUU MONIPUOLISIA RATKAISUJA KÄYTÄNNÖN TARPEISIIN

Kasvava metsävaratiedon kysyntä. Metsässä puhaltavat uudet tuulet seminaari, , Mikkeli Kari T. Korhonen, Metla/VMI

Kansallinen maastotietokanta. KMTK Kuntien tuotantoprosessit: Selvitys MMStuotantoprosessista

Jatkuvatoiminen monitorointi vs. vuosittainen näytteenotto

Miehittämättömän lennokin ottamien ilmakuvien käyttö energiakäyttöön soveltuvien biomassojen määrän nopeassa arvioinnissa

Systemaattisuus työmalleissa puunkorjuussa

Tilastolliset mallit hakkuukoneen katkonnan ohjauksessa. Tapio Nummi Tampereen yliopisto

VALTION MAATALOUSKONEIDEN TUTKIMUSLAITOS FINNISH RESEARCH INSTITUTE OF ENGINEERING IN AGRICULTURE AND FORESTRY

Lemminkäinen Infra oy. Lämpökameravertailu PIR ELY Kuru-Parkano

KOKOUSKUTSU TEKNILLINEN KORKEAKOULU Automaatio- ja systeemitekniikan osasto Osastoneuvoston kokous 3/2006

SMACC Välkky-hanke: 3D-tulostuksella kilpailukykyä pk-yrityksiin

Leica ScanStation 2 Poikkeuksellisen nopea, uskomattoman joustava

Se on sinussa. Virtuaalinen ja laajennettu todellisuus. Jari Kotola Sovelto Aamiaisseminaari Tampere

Kaupunkimallit

Monisensoripaikannusta kaikissa ympäristöissä

Pienet kentät, suuret kammiot

Lauri Korhonen. Kärkihankkeen latvusmittaukset

Kojemeteorologia. Sami Haapanala syksy Fysiikan laitos, Ilmakehätieteiden osasto

Algoritmi III Vierekkäisten kuvioiden käsittely. Metsätehon tuloskalvosarja 7a/2018 LIITE 3 Timo Melkas Kirsi Riekki Metsäteho Oy

LAITOSHUOLLON HAASTEET Kestävä kehitys. Toiminnan tehokkuus. Kannattava kasvu. Ihmiset

Sähköiset työkalut paikkasidonnaiseen tiedonkeruuseen ja -hallintaan ympäristösektorille ja teollisuudelle

Metsävarojen inventoinnissa ollaan siirtymässä

Pienpuun paalauksen tuottavuus selville suomalais-ruotsalaisella yhteistyöllä

Maaston ja tiestön kantavuuden ennustaminen. Jori Uusitalo Jari Ala-ilomäki Harri Lindeman Tomi Kaakkurivaara Nuutti Vuorimies Pauli Kolisoja

Tutkijaseminaari, Espoo

Puun läpimitan mittauksen tarkkuus ja tehokkuus laser- ja digitaalikuvatekniikkaan perustuen

Testauksen tuki nopealle tuotekehitykselle. Antti Jääskeläinen Matti Vuori

Laserin ja kaikuluotauksen yhdistäminen

SIMO tutkimuskäytössä. SIMO seminaari 23. maaliskuuta 2011 Antti Mäkinen Simosol Oy

AS Automaatio- ja systeemitekniikan projektityöt

Anturit ja Arduino. ELEC-A4010 Sähköpaja Tomi Pulli Signaalinkäsittelyn ja akustiikan laitos Mittaustekniikka

liiketoimintamahdollisuuksia Automaatiolla tuottavuutta ja koneenrakennukseen ELKOM 07 ECT Forum FIMA pääsihteeri Antti Sirén Governed by

Robotiikan tulevaisuus ja turvallisuus

Luento 5 Mittakuva. fotogrammetriaan ja kaukokartoitukseen

Digitalisaation hyödyt teollisuudessa

Laskennallinen menetelmä puun biomassan ja oksien kokojakauman määrittämiseen laserkeilausdatasta

Laserkeilauksen perusteita ja mittauksen suunnittelu

Transkriptio:

Älyä metsäkoneeseen 3D-laserkeilauksella Heikki Hyyti, Konenäköpäivät, #Reset17

Älyä metsäkoneeseen 3D-laserkeilauksella Mitä tehdään ja miksi? COMBAT/Pointcloud -hanke Metsäkoneiden kehityksen haasteita Paikannustarkkuus Ympäristön havainnointi metsässä Metsäkoneen asennon mittaus Kuljettajan avustaminen Lisätyn todellisuuden käyttöliittymä http://pointcloud.fi/ 2

Mitä tehdään ja miksi? Metsätyön tehostaminen robotiikan ja automaation keinoin Näköaisti metsäkoneelle laserkeilauksella Oman asennon ja paikan mittaus Ympäristön mallinnus ja tulkinta Tavoitteena Metsätyön tehostaminen Kuljettajan avustaminen Metsän kartoitus ja työjäljen dokumentointi 3

COMBAT / Pointcloud -hanke Teknologiamurros 3D-digitalisaatiosta COMBAT/Pointcloud on kaupunkien, metsien ja väylien pistepilvimallintamisen ja 3D-digitalisaation tutkimushanke. Luomme uutta tietoa, turvallisuutta ja edellytyksiä 3D-teollisuuden kasvulle Suomessa. Hanke on Strategisen tutkimusneuvoston rahoittama ja siihen osallistuvat Maanmittauslaitoksen Paikkatietokeskus, Aalto yliopisto, Oulun yliopisto ja Turun yliopisto. http://pointcloud.fi/ 4

Metsäkoneiden kehityksen haasteita

Paikannustarkkuus metsässä Metsäkoneen paikannustarkkuus on noin 3 m metsässä [1] Keskiarvoistettua paikkatietoa kun on pysytty paikallaan Kaartisen ym. mittauksissa yhden taajuuden satelliittipaikannusvastaanottimilla keskivirhe oli laitteesta riippuen 4,2 9,3 m [2]. Samassa testissä IMU-integroiduilla laitteilla keskivirhe oli 0,7 m [2]. Kartoitettujen puiden erottelussa tarkkuus olisi oltava alle metrin luokkaa, automaattiajossa, kartoituksessa jne. paljon tarkempi. [1] Rasinmäki, J., & Melkas, T. (2005). A method for estimating tree composition and volume using harvester data. Scandinavian journal of forest research, 20(1), 85-95. [2] Kaartinen, H., Hyyppä, J., Vastaranta, M., Kukko, A., Jaakkola, A., Yu, X.,... & Kaijaluoto, R. (2015). Accuracy of kinematic positioning using Global Satellite Navigation Systems under forest canopies. Forests, 6(9), 3218-3236. 6

Miten paikannustarkkuutta voi parantaa? Anturitiedon yhdistäminen Esimerkiksi inertiatietoa ja satelliittipaikannusta yhdistäen Kaartinen ym. on päässyt 0,7 m keskivirheeseen [2]. Miten päästä vielä tarkempaan paikannustarkkuuteen puihin nähden? Samoin kuin eläimet ja ihmiset tekevät. Yhdistämällä näkökyky navigointiin Koneelle kolmiulotteinen näkökyky on helpoin toteuttaa laserkeilauksen avulla. Pistepilvi on harvaa kolmiulotteista tietoa kohteista ympärillä. 3D etäisyystieto helpottaa ympäröivän maailman hahmottamista Näkökyky toimii paremmin, jos se yhdistetään asentotietoon. [2] Kaartinen, H., Hyyppä, J., Vastaranta, M., Kukko, A., Jaakkola, A., Yu, X.,... & Kaijaluoto, R. (2015). Accuracy of kinematic positioning using Global Satellite Navigation Systems under forest canopies. Forests, 6(9), 3218-3236. 7

Pistepilvitieto ja anturifuusio Inertiamittausanturit tuottavat asentotiedon ja arvion kiihtyvyydestä Nykyään on saatavilla edullisia MEMS (mikro-elektro-mekaaninen järjestelmä) inertiamittalaitteita (IMU). Mittaavat kulmanopeutta ja kiihtyvyyttä kolmeen eri suuntaan >100Hz taajuudella Haasteena mittalaitteen mittausvirheet (bias eli nollakohtavirhe ja gain eli vahvistusvirhe, riippuvat lämpötilasta) -> mittauksia on vaikea käyttää Maan vetovoimasta johtuvan kiihtyvyysmittauksen avulla voidaan vähentää gyroskooppien bias-virhettä ja näin saada asentomittaus tarkemmaksi [3]. [3] Hyyti, H., & Visala, A. (2015). A DCM Based Attitude Estimation Algorithm for Low-Cost MEMS IMUs. International Journal of Navigation and Observation, 2015. http://dx.doi.org/10.1155/2015/503814 & https://github.com/hhyyti/dcm-imu 8

Pistepilvitieto ja anturifuusio Inertiamittausanturit tuottavat asentotiedon ja arvion kiihtyvyydestä Nykyään on saatavilla edullisia MEMS (mikro-elektro-mekaaninen järjestelmä) inertiamittalaitteita (IMU). Kiihtyvyystieto on edelleen hyvin epävarmaa (tuntematon bias ja gain) Kun siitä integroidaan nopeus, virheet kasaantuvat ja laitteen nopeus päätyy helposti johonkin väärään arvoon. Kun tästä nopeudesta integroidaan paikka, virheet kasaantuvat entisestään. Kiihtyvyystiedon kanssa voidaan tehdä samoin kuin edellisellä sivulla kulmanopeuden ja kiihtyvyyden kanssa, jos nopeudesta voidaan antaa jokin muu mittaus, jolla kiihtyvyysmittauksen tuntematon bias voidaan poistaa. 9

Pistepilvitieto ja anturifuusio Inertiamittausanturi voidaan yhdistää laserkeilaimeen Tällöin laserkeilain mittaa ympäristön tasaisin aikavälein Kahdesta perättäisestä mittauksesta luodaan malli Malleja verrataan ja lasketaan mallien välillä tapahtunut siirtymä. Kun myös tiedetään kahden mittauksen välinen aika, voidaan tiedoista laskea mittalaitteen nopeus tällä välillä. Nopeustietoa voidaan verrata kiihtyvyyksistä integroituun nopeuteen. Näiden erotuksesta voidaan arvioida biaksen suuruus kiihtyvyysmittauksissa. Kun tunnistettu bias vähennetään kiihtyvyysmittauksista, voidaan paikka ja asento laskea tarkemmin, jolloin pistepilvi voidaan kerätä tarkemmin 10

Pistepilvitieto ja anturifuusio https://youtu.be/4anyv6fzhyi 11

Yhtäaikainen paikannus ja kartoitus Vielä edellistäkin tarkempi paikka saadaan luomalla koko ajan karttaa havaitusta ympäristöstä Tätä prosessia kutsutaan nimellä yhtäaikainen paikannus ja kartoitus SLAM (Simultaneous Localization and Mapping) Aallossa ensimmäinen metsäslam jo 2007 Forestrix projektissa [4,5]. Jos puut voi laserkeilata ja kartoittaa metsäkoneesta, niin oma paikka voidaan mitata puihin nähden hyvin tarkasti. Samalla laitteistolla voidaan kerätä valtavat määrät pistepilvitietoa ja liittää se luotuun karttaan. Tällä kartalla metsäkoneen oma paikka on hyvin tarkka. Kartta voidaan kiinnittää tarkasti oikeaan paikkaan lentolaserkeilattuun puustotietoon tai tarkkoihin satelliittipaikannustietoihin nähden silloin kun niitä on saatavilla. [4] Miettinen, M., Ohman, M., Visala, A., & Forsman, P. (2007). Simultaneous localization and mapping for forest harvesters. In Proceedings of IEEE International Conference on Robotics and Automation (pp. 517-522). [5] Öhman, M., Miettinen, M., Kannas, K., Jutila, J., Visala, A., & Forsman, P. (2008). Tree measurement and simultaneous localization and mapping system for forest harvesters. In Field and Service Robotics (pp. 369-378). 12

Tree height (m) Yhtäaikainen paikannus ja kartoitus 3D-map of looped measuring drive 10 5 87 81 70 71 65 68 0 73 74 66 76 77 78 103 96 97 88 59 120 89 85 60 109 104 91 72 61 63 67 118 101 92 79 62 58 50 57 119 116 99 86 53 55 48 40 44 49 52 51 102 98 94 83 75 95 108 69 64 123 113 121 114 84 56 45 39 43 42 115 82 46 47 128 122 111 80 54 33 40 34 37 29 38 136 124 117 107 105100 106 90 41 35 36 30 134 125 93 129 110 112 23 27 26 8 18 25 31 127 131 126 157 28 32 133 132 171 182 7 17 20 139 130 135 137 22 10 141 3 19 138 140 151 152 159 186 166 156 5 4 11 21 144 160 172 143 145 15 9 6 2 20 10 142 146 147 164 177 153 1 12 13 14 148 149 150 154 158 155 16 161 162 167 168 176 188 214 215 163 24 165 0 169 170 175 178 180 181 201 203 213 183 187 193197 205210 174 179 185 184 190 196 199 212 y (m) 189 191 211 192 195-10 194 202 198 200 206 207208 204 209-20 -30-50 -40-30 -20-10 x (m) 0 10 20 13

Puomin asennon mittaus Nosturin puomin mittaus on osa metsäkoneen paikan ja asennon mittausta Voidaan tehdä kalliisti ja monella mittalaitteella instrumentoimalla jokainen nivel Instrumentaatio tulee olla työympäristön kestävää (vesi, lumi, aurinko, kolhut, ) Voidaan tehdä myös laserkeilauksen avulla Samalla kun laserkeilataan ympäristöä, voidaan laserkeilata myös metsäkoneen puomin asento ja paikka Sopivalla mittalaitteiden asettelulla päästään todella edulliseen ja toimivaan ratkaisuun Oikealla on toteutettu 3D keilain 2D laserskannerista ja nosturin käännöstä. 14

Puomin asennon mittaus https://youtu.be/hbilupbr4r4 15

Kuljettajan avustaminen

Kuljettajaa avustavat järjestelmät Metsäkoneen kuljettaja voisi hyötyä monella tavalla hänelle annettavasta lisätiedosta Paremmat kartat, korkeusmallit ja niiden visualisointi hakkuu ja raivaustyössä Ajourasuunnitelmat korkeusmallien, laserkeilauksen ja kasvumallien perusteella Metsäkoneen ja metsätraktorin yhteistyön parantaminen: jaettu kartta ja työsuunnitelma -> mittaan sahatut tukit voidaan yksilöidä ja kartoittaa Ajoreittien automaattinen optimointi metsätraktorin ajoa varten, jotta kuljetettavaksi tulee oikea määrä oikeaa laatua puuta, eikä kuormasta tule liian painava Vältetään pahimmat maastovauriot ja säästetään polttoainetta ja aikaa Puiden yksilöinti säilyy tarvittaessa kasattavaan pinoon asti. 17

Kuljettajaa avustavat järjestelmät Saatavilla olevaa tietoa pitää pystyä esittämään kuljettajalle tehokkaasti Kuljettajan aika ei saa kulua tietokoneen kanssa pelaamiseen, vaan työn on tehostuttava lisälaitteita käyttämällä -> tarvitaan parempia käyttöliittymiä Nykyinen karttakuva on mahdollista ottaa tehokkaampaan käyttöön Karttakuvan päälle voi lisätä oleellista tietoa, jota metsäkone havaitsee ja mittaa. Operatiivisen tiedon näyttäminen vaikeampaa, koska kuljettaja ei ehdi seurata näyttöä Uudet mahdollisuudet lisätyn todellisuuden avulla Kuljettajalle voidaan näyttää ympäristöstä mitattua tietoa ja tietoa koneen tulevista liikkeistä. Mahdollisuus pistepilvitiedon avulla luotuun röntgennäköön yöllä ja huonolla säällä. 18

Lisätyn todellisuuden käyttöliittymä Haasteena kuljettajan pään asennon ja paikan mittaaminen ArUco tunnisteet hytin seinillä ja laseissa tunnisteita näkevä kamera Integroitu inertiamittausten kanssa, jotta nopeat liikkeet huomataan. Kuljettajan näkymän päälle piirretään tarkasti kohdistetusti pistepilvitiedosta luotu malli ympäristöstä. Pään asennon ja paikan mittaamista ja käyttöliittymää on toteuttanut diplomityönään Tuomo Palonen [8]. [8] Palonen, T. (2016). Augmented Reality Based Human Machine Interface for Semiautonomous Work Machines, Diplomityö, Aalto-yliopisto, http://urn.fi/urn:nbn:fi:aalto-201611025386 19

Laajennetun todellisuuden demo https://youtu.be/iphlkvekzz4 20

Kiitos! kysymyksiä? Heikki Hyyti