Marker-Free LiDAR-Based End-Effector Tracking and Structural Bending Estimation for an Autonomous Timber Crane

Abstract

Forstkrane operieren in dynamischen Umgebungen, in denen eine präzise Zustandsschätzung unerlässlich ist, um Umweltschäden zu minimieren und die Betriebssicherheit zu erhöhen. Aufgrund der Größe dieser Roboter neigen sie häufig zu struktureller Durchbiegung, was von traditionellen propriozeptiven Sensoren, wie Encodern, nur schwer modelliert werden kann, während IMUs häufig unter Integrationsdrift leiden. Bestehende Ansätze stützen sich oft auf exterozeptive Sensoren wie Kameras oder LiDAR. Diese Methoden erfordern jedoch häufig Marker, bieten keine Echtzeit-Rückmeldung des korrigierten Zustands oder modellieren mechanische Verformungen nicht explizit. Es wird ein neuartiges markerloses Framework zur Zustandsschätzung von Holzkran-Endeffektoren präsentiert, welches die Gelenkzustandsschätzung des Roboters dynamisch aktualisiert. Der Ansatz beinhaltet eine dedizierte geometrische Filter-Pipeline, um die Kranstruktur von komplexen, unübersichtlichen Waldumgebungen zu isolieren. Die primären Beiträge dieser Arbeit sind (i) eine robuste, markerlose Endeffektor-Registrierung mittels Point-to-Plane ICP, (ii) die Fusion der geschätzten Posen in einem Faktorgraphen unter Einbeziehung propriozeptiver Sensordaten und (iii) die Modellierung der strukturellen Durchbiegung durch die Einführung eines künstlichen Biegegelenks. Der Ansatz wird anhand anspruchsvoller realer Forstwirtschaftsszenarien validiert, indem die Ergebnisse mit Ground-Truth-Daten, die mittels eines Leica Absolute Lasertrackers erhoben wurden, verglichen werden. Im Vergleich zu reinen kinematischen Modellen erreicht der vorgestellte Ansatz konsistent eine Genauigkeit im Sub-Dezimeter-Bereich, selbst unter schwierigsten Betriebsbedingungen. Dieses Framework ermöglicht zuverlässige autonome Operationen in komplexen Forstgebieten und bietet eine skalierbare Lösung für eine sicherere und effizientere automatisierte Holzernte.

Forestry cranes operate in dynamic environments where precise state estimation is essential to minimize environmental impact and improve operational safety. Due to the large scale of these robots, they are commonly susceptible to structural bending, which traditional proprioceptive sensors, such as encoders, struggle to model, while IMUs often suffer from integration drift. Existing approaches frequently rely on exteroceptive sensors, such as cameras or LiDAR. However, these methods often require artificial markers, lack real-time feedback of the corrected state, or fail to explicitly model mechanical deformation. We propose a novel marker-free state estimation framework for timber crane end-effectors that dynamically updates the robot's joint state estimate. Our approach incorporates a dedicated geometric filtering pipeline to isolate the crane’s structure from complex, cluttered forestry environments. The primary contributions of this work are (i) robust marker-free end-effector registration using point-to-plane ICP, (ii) the fusion of estimated poses within a factor graph alongside proprioceptive sensor data, and (iii) the modeling of structural bending by introducing an artificial bending joint. We validate our approach through challenging real-world forestry scenarios, comparing our results against ground-truth data obtained via a Leica Absolute Laser Tracker. Compared to raw kinematic models, our approach consistently achieves sub-decimeter accuracy, even under the most challenging operating conditions. This framework facilitates reliable autonomous operations in complex forestry settings, providing a scalable solution for safer and more efficient automated timber harvesting.