Migliorare la precisione di localizzazione dei robot autonomi con IMU avanzate e la fusione sensoriale

Le unità di misurazione inerziale (IMU) sono essenziali per un'ampia gamma di sistemi mobili, tra cui la robotica industriale, i robot umanoidi, gli aeromobili a pilotaggio remoto (APR) e i sistemi immersivi di realtà mista. Anche se le esigenze specifiche di questi sistemi variano a seconda dell'applicazione, i progettisti sono costantemente chiamati a fornire dati di orientamento e movimento sempre più precisi e in tempo reale per la categoria generale di applicazioni denominate robot mobili autonomi (AMR).

Questo articolo illustra brevemente le sfide uniche legate alla localizzazione AMR. Presenta quindi le IMU avanzate di Analog Devices e mostra come utilizzarle per affrontare queste sfide in ambienti interni, privi di un sistema di posizionamento globale (GPS), traendo insegnamenti da un utilizzo più ampio e trasversale.

Perché la localizzazione è una sfida per gli sviluppatori di AMR

Gli AMR sono fondamentali per la produttività delle fabbriche e dei magazzini intelligenti, dove contribuiscono a ottimizzare il flusso dei materiali, a ridurre gli sprechi e a migliorare la resa. La localizzazione accurata all'interno di una struttura è fondamentale. In strutture appositamente costruite, i problemi di localizzazione degli AMR possono essere attenuati grazie a fiduciari (marcatori di riferimento) ben posizionati o a layout ottimizzati, ma la maggior parte degli AMR opera in strutture già esistenti, dove la combinazione di illuminazione variabile, superfici riflettenti e geometria complessa rende molto più difficile la localizzazione.

Inoltre, la mancanza di un'infrastruttura coerente, come una larghezza standardizzata dei corridoi o una segnaletica prevedibile a terra, significa che i robot devono affrontare compiti di navigazione e mappatura più complessi.

La natura dell'ambiente di navigazione comporta due sfide operative fondamentali.¹

• In primo luogo, il robot deve pianificare in modo efficiente lo spazio per determinare il percorso ottimale attraverso l'ambiente in base alle condizioni attuali.
• In secondo luogo, deve eseguire la localizzazione precisa, aggiornando continuamente la propria posizione e il proprio orientamento in tempo reale mentre si muove.

In ambienti interni privi di GPS, questi due obiettivi devono essere raggiunti interamente con le capacità di rilevamento e le risorse di calcolo integrate.

Per affrontare queste sfide, gli AMR utilizzano un mix di modalità sensoriali. I sistemi di percezione visiva, tra cui telecamere, rilevamento e telemetria tramite onde luminose (LiDAR) e radar, forniscono una grande quantità di dati ambientali. I sistemi di odometria, come gli encoder delle ruote e le IMU, tracciano il moto direttamente dal movimento del robot. Ogni tipo di sensore offre vantaggi distinti: alcuni eccellono nel rilevamento a lungo raggio, altri nel rilevamento preciso, ma ognuno ha propri limiti. Combinandoli in modo intelligente, gli AMR possono raggiungere la ridondanza e la copertura necessarie per mantenere la precisione in condizioni dinamiche e imprevedibili.

Cosa misura una IMU e perché è importante

Una IMU integra sensori MEMS (sistema microelettromeccanico) per misurare l'accelerazione e la velocità angolare in tre dimensioni. Un accelerometro triassiale misura il movimento lungo gli assi x, y e z rispetto alla gravità terrestre, rilevando sia le forze statiche, come l'inclinazione, sia le forze dinamiche, come l'accelerazione durante il moto (Figura 1).

Figura 1: Un accelerometro triassiale misura l'accelerazione lungo gli assi x, y e z, fornendo dati dinamici sul moto e un riferimento statico sulla gravità. (Immagine per gentile concessione di Analog Devices)

Un giroscopio triassiale misura la velocità angolare (ωx, ωy, ωz) su ciascun asse (Figura 2), consentendo al robot di seguire i cambi di orientamento.

Figura 2: Un giroscopio triassiale misura la velocità angolare su ciascun asse, consentendo di tracciare con precisione i cambi di orientamento. (Immagine per gentile concessione di Analog Devices)

Il cuore di accelerometri e giroscopi nelle moderne IMU vi sono strutture MEMS che si piegano o vibrano se sottoposte ad accelerazione o rotazione; le variazioni di capacità o frequenza vibrazionale che ne derivano sono convertite in segnali elettrici. Il vantaggio delle IMU basate su MEMS è la combinazione di piccole dimensioni, basso consumo energetico ed elevata velocità di misurazione, che le rende pratiche per l'integrazione nelle piattaforme mobili.

Alcune IMU includono anche sensori aggiuntivi che ne ampliano le capacità. Un magnetometro ad alte prestazioni fornisce misurazioni del campo magnetico che aiutano nella stima dell'orientamento in ambienti difficili, anche se i magnetometri sono più comuni nelle IMU tradizionali. Un sensore di temperatura integrato offre la compensazione termica dei dati dell'accelerometro e del giroscopio. Può essere incluso anche un barometro per misurare la pressione atmosferica e stimare l'altitudine.

Oltre all'array di sensori, le IMU avanzate integrano anche catene di segnali di acquisizione dati estese per la conversione analogico/digitale, il filtraggio preliminare della risposta impulsiva finita e la calibrazione in fabbrica per correggere le distorsioni del sensore e il disallineamento degli assi (Figura 3). Questi dispositivi spesso consentono la rotazione (dƟ) dal quadro delle coordinate interne dell'IMU per farle coincidere con il quadro del robot prima dell'output, riducendo il carico computazionale sul processore principale.

Figura 3: Diagramma a blocchi funzionali di una IMU avanzata che mostra una catena di segnali del sensore che fornisce rilevamento, calibrazione, compensazione e filtraggio integrati in un unico dispositivo compatto. (Immagine per gentile concessione di Analog Devices)

Come le IMU rafforzano la localizzazione quando gli altri sensori esitano

Alcune caratteristiche dei diversi ambienti fisici possono influire sull'efficacia delle singole modalità sensoriali. Per mitigare le limitazioni dei diversi sistemi sensoriali, un tipico AMR si affida a una serie di sensori che possono includere sensori di visione, sistemi ToF (tempo di volo), LiDAR, radar, encoder delle ruote e una IMU (Figura 4).

Figura 4: Lo stack di sensori di un AMR combina tipicamente sensori di visione, una IMU ed encoder delle ruote per fornire informazioni complementari per la localizzazione. (Immagine per gentile concessione di Analog Devices)

In un corridoio con poche caratteristiche, ad esempio (Figura 5), il lungo tratto di pareti manca degli elementi distintivi necessari agli algoritmi di localizzazione e mappatura simultanee (SLAM) per abbinare i fotogrammi a una mappa memorizzata. Senza indicazioni visive uniche, la stima della posa del robot può andare alla deriva rapidamente, facendo perdere la posizione all'AMR. In questa situazione, le informazioni di direzione e orientamento fornite da una IMU possono sostenere la navigazione del robot nonostante la perdita dell'odometria visiva.

Figura 5: In un corridoio lungo e privo di elementi distintivi, l'odometria visiva del robot può venir meno rapidamente, facendo perdere la posizione all'AMR se mancano le informazioni sulla direzione e sull'orientamento fornite da una IMU. (Immagine per gentile concessione di Analog Devices)

In grandi spazi aperti, come un magazzino di 50 × 50 m, molti elementi visivi sono al di là del raggio d'azione effettivo del LiDAR (Figura 6), che in genere ha una portata massima di 10 ~ 15 m. Layout uniformi, come scaffalature o rack di stoccaggio equidistanziati, possono confondere l'odometria visiva a causa dell'aspetto simile di più posizioni diverse. In questo caso, la combinazione delle misurazioni IMU e dei dati dell'encoder delle ruote consente al robot di mantenere stime locali della posa.

Figura 6: In un'ampia area aperta, dove le limitazioni del raggio d'azione dei sensori e la mancanza di elementi visivi distintivi inficiano il rilevamento visivo, le misurazioni IMU e l'odometria delle ruote possono sostenere la localizzazione. (Immagine per gentile concessione di Analog Devices)

Le superfici inclinate sono un'altra sfida (Figura 7). Il LiDAR bidimensionale standard acquisisce i punti in un piano piatto, pertanto un pendio può apparire come un ostacolo verticale. Questa interpretazione errata può interrompere la navigazione o far sì che il robot eviti percorsi invece percorribili. In tal caso, i dati di beccheggio e rollio dell'IMU possono fornire informazioni sul gradiente per attenuare l'interpretazione errata del LiDAR, consentendo agli algoritmi SLAM di risolvere il gradiente e distinguere tra pendii percorribili e ostacoli veri e propri.

Figura 7: Le letture dell'IMU di beccheggio e rollio possono rivelare la pendenza di un pendio, correggendo le interpretazioni errate della SLAM in 2D e consentendo una navigazione AMR sicura. (Immagine per gentile concessione di Analog Devices)

Anche i fattori ambientali inficiano le prestazioni di localizzazione delle diverse modalità sensoriali (Tabella 1). Fattori come la scarsa illuminazione, ambienti dinamici, superfici riflettenti e la necessità di una ricca geometria scenica possono avere un impatto sulla maggior parte delle modalità sensoriali.

Tabella 1: L'impatto di vari fattori ambientali sull'efficacia del sensore. (Tabella per gentile concessione di Analog Devices)

Le capacità prestazionali uniche delle IMU avvantaggiano gli AMR

Le IMU si aggiornano a una velocità superiore rispetto ai sensori di percezione, consentendo una risposta rapida ai cambiamenti dinamici dell'ambiente. A differenza dei sistemi di percezione, che funzionano tipicamente a 10 ~ 30 Hz, le IMU possono fornire dati elaborati a 200 Hz e dati grezzi fino a 4 kHz. Con una velocità di aggiornamento di 10 volte superiore, una IMU può offrire stime aggiornate della posa durante gli intervalli più lunghi tra le misurazioni della percezione. Questa maggiore velocità di aggiornamento porta a tempi di reazione più brevi ai cambi di moto improvvisi e migliora l'affidabilità del sistema in ambienti dinamici.

Le IMU sono la base per la determinazione del punto stimato da parte degli AMR, in cui un AMR stima la sua posizione corrente da una posizione di partenza nota, basandosi sull'integrazione delle misurazioni dell'accelerazione e dell'angolo dell'IMU. Fornendo i dati necessari per aggiornare continuamente posizione, orientamento e velocità, le IMU assicurano una stima precisa della posa per una navigazione affidabile degli AMR.

Anche il formato compatto e il peso ridotto favoriscono l'integrazione delle IMU negli AMR. Ad esempio, l'IMU ADIS16500AMLZ di Analog Devices (Figura 8) è offerta in un contenitore BGA di soli 15 × 15 × 5 mm, ma integra un giroscopio, un accelerometro, un sensore di temperatura e una catena di segnale completa per l'acquisizione e il condizionamento dei dati. Questo livello di integrazione consente di fornire dati di movimento completi al processore host e di utilizzarla in layout meccanici con vincoli di spazio senza compromettere la manovrabilità del robot.

Figura 8: L'IMU ADIS16500AMLZ integra un giroscopio, un accelerometro, un sensore di temperatura e una catena di segnali completa per l'acquisizione e il condizionamento dei dati. (Immagine per gentile concessione di Analog Devices)

Grazie a una gamma dinamica del giroscopio di ±2000˚/s, ADIS16500AMLZ è in grado di registrare svolte rapide senza saturazione, un aspetto essenziale per gli AMR che navigano in spazi ristretti o evitano rapidamente gli ostacoli. La gamma dinamica dell'accelerometro di ±392 m/s² registra sia i movimenti fluidi sia gli urti ad alto impatto. La stabilità di bias del giroscopio di 8,1˚/hr e la stabilità di bias dell'accelerometro di 125 μm/s² riducono la deriva per migliorare la precisione della determinazione del punto stimato tra le correzioni.

La calibrazione di fabbrica fornisce una correzione integrata per la sensibilità, il bias e l'allineamento degli assi, mentre la correzione dinamica dell'offset tiene conto delle variazioni di temperatura e tensione di alimentazione, delle interferenze magnetiche e della riduzione del rumore.² La tolleranza agli urti meccanici di 19.600 m/s² e l'intervallo di funzionamento compreso tra -25 e 85 °C ne consentono l'impiego in ambienti difficili, mentre gli ADC a basso rumore ed alta larghezza di banda assicurano un'acquisizione continua e precisa dei dati alle elevate frequenze di aggiornamento necessarie nei sistemi di controllo reattivi.

In linea di massima, le IMU sono anche relativamente resistenti alle interferenze elettromagnetiche (EMI) e possono funzionare in diverse condizioni di illuminazione e ambientali e pertanto sono adatte a un'ampia gamma di applicazioni.

Attenuare i limiti prestazionali delle IMU

Nonostante i vantaggi in termini di prestazioni, le IMU presentano alcune limitazioni intrinseche.³ Il rumore non filtrato può influenzare le misurazioni delle IMU, riducendo la precisione della navigazione. Il bias dei sensori accelerometrici e giroscopici si accumula nel tempo, portando a una deriva nelle stime di orientamento e movimento. Il comportamento non lineare dei sensori distorce le misurazioni e gli eventi termoelettrici possono portare a errori nell'ARW (Angle Random Walk) dei giroscopi e nel VRW (Velocity Random Walk) degli accelerometri, che inficiano ulteriormente le prestazioni a lungo termine. Se rimangono irrisolti, questi problemi riducono l'affidabilità della localizzazione nel tempo.

La fusione sensoriale può superare le limitazioni delle IMU integrando i dati dell'IMU stessa con gli input di altri sensori per aumentare la qualità e l'affidabilità dei dati, migliorare la stima degli stati non misurati e aumentare la copertura per una maggiore sicurezza. Le tecniche di stima dello stato, come il filtraggio di Kalman esteso (EKF) (Figura 9), possono correggere il rumore, il random walk e l'instabilità di bias durante il normale funzionamento dell'AMR. Misurando l'accelerazione dovuta alla gravità terrestre, è possibile eliminare gli errori di beccheggio e rollio del giroscopio. Infine, è possibile monitorare e correggere l'instabilità di bias. In pratica, l'EKF consente di stimare gli stati passati, presenti e futuri nonostante la mancanza di una conoscenza completa della natura del sistema modellato.

Figura 9: Un algoritmo EKF semplificato elabora le misurazioni rumorose dei sensori nel tempo per produrre una stima corretta e continua della posa e del movimento del robot. (Immagine per gentile concessione di Analog Devices)

L'EKF si è diffuso perché è in grado di modellare la dinamica del sistema e le incertezze di misurazione, aggiornando poi la stima dello stato quando si ricevono nuovi dati. Le misurazioni che possono contenere rumore bianco gaussiano o altre imprecisioni vengono osservate nel tempo e utilizzate per la correzione. Il filtro stima il valore reale delle misurazioni sincronizzandole tra i sensori, prevedendo la posa e le stime di errore e stimando e aggiornando l'incertezza del valore previsto.

Gli algoritmi di fusione sensoriale sono incorporati nel pacchetto open-source robot_localization del Robot Operating System (ROS)⁴ che implementa la fusione basata su EKF e utilizza l'algoritmo EKF (Figura 10).

Figura 10: Una tipica architettura software di fusione sensoriale basata su ROS combina più input di sensori attraverso il pacchetto robot_localization per produrre una stima robusta e continua della posa. (Immagine per gentile concessione di Analog Devices)

Questo pacchetto ROS consente la fusione di un numero illimitato di sensori e può accettare diversi tipi di input, tra cui dati IMU, velocità delle ruote e odometria. L'output fuso comprende la posizione e l'orientamento 3D completi, le velocità lineare e angolare e l'accelerazione, che alimentano direttamente gli algoritmi di navigazione e SLAM. Utilizzando questi input, robot_localization genera una stima dello stato di posa espressa come un vettore di misurazioni reali e derivate:

Stato di posa = (X, Y, Z, rollio, beccheggio, imbardata, X˙, Y˙, Z˙, rollio˙, beccheggio˙, imbardata˙, X¨, Y¨, Z¨)

Accelerare lo sviluppo della localizzazione precisa degli AMR

L'IMU ADIS16500AMLZ dimostra come il rilevamento di precisione e l'elaborazione integrata possano migliorare le prestazioni di localizzazione degli AMR. Per aiutare gli sviluppatori ad accelerare lo sviluppo delle applicazioni, Analog Devices fornisce la scheda di breakout ADIS16500/PCBZ (Figura 11, a sinistra) e il kit di valutazione EVAL-ADIS-FX3Z (Figura 11, a destra).

Figura 11: La scheda di breakout ADIS16500/PCBZ (a sinistra) e il kit di valutazione EVAL-ADIS-FX3Z (a destra) consentono il rapido sviluppo di applicazioni basate sull'IMU ADIS16500. (Immagine per gentile concessione di Analog Devices)

La scheda di breakout comprende l'IMU e una basetta a 16 pin che si accoppia a cavi a nastro di 2 mm per il collegamento al kit di valutazione. Quest'ultimo consente il campionamento in tempo reale dell'IMU alla massima frequenza di campionamento ed è alimentato tramite la porta USB. Tutto il software necessario è scaricabile dalla pagina delle risorse.

Conclusione

Le IMU sono essenziali per mantenere una localizzazione precisa negli AMR, fornendo stime di orientamento e tracciamento del movimento ad una frequenza di aggiornamento elevata, anche quando altre modalità sensoriali vengono meno a causa delle condizioni ambientali. Utilizzando la fusione sensoriale per compensare le limitazioni dei diversi tipi di sensori, gli AMR possono navigare con precisione anche in ambienti dinamici che normalmente confondono la localizzazione degli AMR. Grazie alla disponibilità di IMU altamente integrate e di schede di breakout e kit di valutazione associati, gli sviluppatori possono progettare rapidamente AMR capaci di calcolare la localizzazione in modo accurato e affidabile per una navigazione precisa.

Riferimenti

1. Shoudong Huang and Gamini Dissanayake, Robot Localization: An Introduction, John Wiley & Sons, August 2016.
2. Randy Carver and Mark Looney, “MEMS Accelerometer Calibration Optimizes Accuracy for Industrial Applications,” EE Times, October 2007.
3. Oliver J. Woodman, “An Introduction to Inertial Navigation,” University of Cambridge, August 2007.
4. robot_localization Documentation, v2.6.12, Tom Moore, 2016.