艾巴生活网

您现在的位置是:主页>科技 >内容

科技

机器人定位导航算法_机器人航位推算:深入研究里程计测试与分析

2023-11-11 13:02:01科技帅气的蚂蚁
今天,我们将详细介绍我们所做的测试,以向您展示这一主题的深度。跟我多了解一下对方,好吗?对于新读者,我想快速回顾几个概念。如果你是

机器人定位导航算法_机器人航位推算:深入研究里程计测试与分析

今天,我们将详细介绍我们所做的测试,以向您展示这一主题的深度。跟我多了解一下对方,好吗?

对于新读者,我想快速回顾几个概念。如果你是这方面的专家,请直接跳转测试机器人航位推算的性能。

机器人航位推算快速综述

什么是机器人航位推算?

通过融合来自多个传感器的数据,航位推算可以通过使用随时间测量的速度和方向信息来估计机器人的位置。就像人类一样,机器人可能不知道自己的确切位置,但估计能力很强。这种能力也叫里程表。

用什么传感器?

机器人航位推算算法通常使用车轮编码器、IMU和光学流量传感器(就像你鼠标中的那个)。机器人中使用的一些光学流量传感器包括LED光源和激光光源。前者适合在粗糙的表面上工作,而后者更适合光滑的表面。此外,机器人里程表还可以单独使用IMU和上述两个传感器中的一个来计算位置。

为什么这很有帮助?

一些机器人使用基于相机或激光雷达的同步定位和测绘(SLAM)算法来确定它们的位置,并且它更干净。机器人航位推算为该算法提供了必不可少的速度和方向信息。其他机器人不需要建立连续的测绘地图(完成工作后只需要回到原点),可能只需要航位推算来确定位置。

备注:这是摘自CliffNotes/SparkNotes的基础知识,帮助读者理解本文的其余部分。但如果你想了解更多关于机器人航位推算传感器的信息,请参考这篇博文。

测试机器人里程表的性能

收集数据

我保证会深入研究这个话题,但首先我们得从如何测试算法开始。我们之前已经在基于国际标准的模拟家庭环境中收集了数据。但是为了记录更多与航位推算精度直接相关的测试数据,我们在更简单更小的环境下测试了更多的方向变化。这些更频繁的变化被集成到以下驱动算法中:

以0.3 m/s的速度向前行驶,直到撞墙。

停止0.1秒

以0.2m/s的速度倒退0.5秒。

以0.6弧度/秒的速度随机旋转45到180度。

a、旋转方向是基于使机器人的方向在其原始方向的720内。

每60秒,停5秒。

我们的测试对象是一个来自世界知名消费机器人制造商的机器人开发平台。我们可以用一个强大的对比点来对比行业内佼佼者的发展水平。除了原始数据和来自我们自己开发的MotionEngine模块的输出值,这个测试机器人还有自己的里程计算输出值,我们也记录了这些数据。

除了这两组数据,我们还需要现场测量。为此,我们安装了红外摄像机,覆盖整个测试空间,跟踪机器人的位置。来自这些摄像机的数据被用作实时值。这些相机可以用于各种高精度和低延迟的项目,包括这种自动瞄准弓。

我们要在测试中调整的最后一个变量是不同类型的表面。在这些测试中,我们让机器人在硬木、短纤维地毯、长纤维地毯、人造瓷砖以及这些表面的组合上运行。这些曲面会产生与之相关的传感器误差,我们后面会详细讲。

现在我们已经收集了测试数据,有了用于比较的真实值和机器人运行的许多不同测试表面,我们需要的最后一个要素是用于确定精度的测量。当我们测量定位性能时,比较基于起始位置和终止位置的误差是非常有用的。这种轨迹误差可以细分为多种类型。

绝对误差是机器人认为的位置和实际位置之间的差异。这个很好理解,但是任意时间点的绝对误差取决于之前所有时间点的航向和距离误差历史,所以这个度量很难推广。

对于相对误差,我们将在测量周期开始时将匹配位置置零,以消除先前距离误差的影响。重定向的相对误差也会消除先前航向误差的影响。最后,这个度量可以通过实验中的许多固定窗口来计算,这为我们提供了单位距离误差增长率的连续视图。

重定向的相对误差不如绝对误差直观,但更适合处理家用机器人用例中驾驶方式和任务时长的变化。

为了充分了解误差在整个实验过程中是如何增加的,我们基于设定的移动距离(1米)计算了滑动数据窗口时重定向的相对误差。换句话说,我们在每1米距离窗口(对于每个数据点滑动1厘米的窗口)期间计算算法的相对误差。

该图显示了CDF(累积分布函数)中使用的每个平面和算法的这些误差值的分布,如上例所示。查看图表(左边的线更好),我们可以很容易地将中值性能与最差情况或其他百分比进行比较,并确定异常值。从这里可以看出,典型初始校准的动态校准模型在所有曲面上的性能总是优于开发平台。

机器人里程表的性能优化

这些校准模型意味着什么?为什么校准传感器很重要?

亲爱的读者们,让我们从一个更高层次的问题开始。校准传感器非常重要,因为即使传感器的质量控制在数据手册列出的特定规格范围内,每个传感器也是不同的。这就是动态校准发挥作用的地方。简而言之,每个传感器的行为差异足以影响整体精度,根据这些差异进行调整可以充分提高性能。

您可能已经猜到,静态校准模型使用初始校准,并且始终使用它。然而,动态校准模型使用IMU和车轮测量来调整光学流量传感器的输出。这样可以保持精度不随时间变化,无论温度、车轮滑移率、表面反射、表面柔软度等等如何变化。

我们在不同类型的地板上进行测试,因为光学流量传感器和车轮会根据它们行驶的表面做出不同的反应。车轮会在路面上打滑,车轮编码器会给出不准确的读数。光学流量传感器在某些表面上比在其他表面上工作得更好,并且可以通过仔细校准来提高其精度。传感器的使用方式也很重要。机器人使用的主要光学流量传感器包括LED模式(照亮地板纹理以进行跟踪)和激光模式(诱导可追踪的“斑点图案”)。确定何时切换模式以及何时保持现有模式对于实现出色的性能至关重要。

在对各种地板表面进行了仔细和详细的测试后(见上面的gif ),我们确定了每种光学流光模式的典型校准值。每个传感器的比例需要根据楼层类型进行调整。通过动态校准,IMU数据可以帮助在操作过程中实时调整初始校准。

我们分析中使用的调谐校准方法反映了校准精度的上限。计算方法是通过我们的算法离线传输原始传感器数据,然后调整光流传感器的比例,使误差尽可能接近于零。

我们的分析结果表明,当使用最实际可行的机器人校准模式(动态、典型)在各种表面上进行测试时,我们的准确度比市场领先企业高出22%以上。

这篇博客旨在强调我们的测试和分析能力,并希望吸引您了解更多细节。如果您有兴趣,请通过扫描下面的二维码联系我们,详细了解MotionEngine Scout可以为您的机器人项目带来的好处,并关注即将发布的白皮书,其中介绍了我们测试和分析的更多细节。

原标题:机器人航位推算:里程表测试与分析的深入研究

文章来源:【微信微信官方账号:CEVA】欢迎添加关注!请注明文章出处。