Development and benchmarking of an algorithm for autonomous navigation in vineyards

Autonomous navigation is a vehicle’s ability to plan a path and execute its plan without the need for human intervention. Navigation characteristics change according to the environment in which the vehicle is used. Autonomous navigation in agricultural environments is of fundamental importance if we want to experience all the benefits introduced by agricultural robots, such as better performance, higher crop quality, and improved productivity. One of the biggest weaknesses of current autonomous navigation algorithms is incompleteness because they take care only of the navigation while the vehicle is between the crops. No proper procedures are present to perform maneuvers at the sides of orchards or fields. In addition, the algorithm has to exploit only the geometrical features of the surrounding environments without additional information such as the ones given by GPS sensors. A restricted set of sensors is also needed because keeping the costs small allows farmers to access agricultural robots, thus increasing the benefits on the overall fruit and vegetable production. In this thesis, we developed a navigation algorithm that allows a robot to navigate into a vineyard without the need for any human intervention. The hardware base on which we designed our software is a skid-steering robot with a minimum pool of sensors. Indeed the algorithm uses only data coming from LiDAR and wheel encoders. No GPS data are needed for the navigation, thus eliminating the problems given by the lack of the GPS signal. For the in-row navigation, we used an algorithm that keeps the robot in the middle of the corridor avoiding branches, while for change row maneuvers, we designed a procedure based on clustering to recognize the ends of plant rows. The algorithm can use different policies to recognize the last element of a row, usually a pole, and that information is used to navigate parallel to the external part of the vineyard. Our best policy combination has shown an error of 0.20 meters in simulated pole recognition, while 0.35 meters when applied to a real vineyard.

La navigazione autonoma è l’abilità di un veicolo di programmare un percorso e seguirlo senza la necessità di intervento umano. Le caratteristiche di navigazione cambiano a seconda dell’ambiente in cui ci si deve muovere. La navigazione autonoma in un ambiente agricolo è di importanza fondamentale se si vuole godere di tutti i benefici introdotti dai robot agricoli, come il miglioramento delle prestazioni, l’aumento della qualità delle coltivazioni e una maggiore produttività. Una delle più grandi debolezze degli algoritmi di navigazione è l’incompletezza poiché essi si concentrano maggiormente sulla navigazione in mezzo al campo. Non ci sono procedure appropriate che permettano di compiere le manovre necessarie a fine campo o ai bordi di un frutteto. Inoltre, l’algoritmo deve essere in grado di sfruttare le caratteristiche geometriche dell’ambiente circostante senza informazioni aggiuntive, come quelle provenienti da un sensore GPS. Anche un set di sensori ristretto è necessario poiché mantenere i costi ridotti permette agli agricoltori di avere accesso a questo tipo di robot, incrementando così i benefici sulla produzione di frutta e verdura. In questa tesi abbiamo sviluppato un algoritmo che permette a un robot di navigare in un vigneto senza necessità di intervento umano. La base fisica sulla quale abbiamo sviluppato il software è un robot di tipo skid-steering con un insieme minimo di sensori. Infatti l’algoritmo usa solamente i dati provenienti dal LiDAR e dai codificatori delle ruote. I dati GPS non sono necessari per la navigazione, eliminando così i problemi provenienti dalla mancanza di segnale. Per la navigazione all’interno delle file abbiamo usato un algoritmo che mantiene il robot centrato nel corridoio evitando i rami, mentre per le manovre di cambio fila abbiamo implementato una procedura che si basa sul clustering per riconoscere i filari. L’algoritmo può utilizzare policy differenti per riconoscere l’ultimo elemento di un filare, il quale solitamente è un palo, e a questo punto tale informazione è usata per navigare parallelamente alla parte esterna del vigneto. La nostra miglior combinazione di policy ha mostrato un errore di 0.20 metri nel riconoscere i pali in simulazione, mentre 0.35 metri se applicata in un vigneto reale.