Dieser Blogbeitrag ist der erste Teil einer zweiteiligen Serie, in der wir den Einsatz von Sensorfusion in autonomen mobilen Robotern (AMRs) vorstellen, die für die Arbeit mit ROS 2 (Robot Operating System 2) ausgelegt sind. In diesem Teil stellen wir die Sensorfusion vor, gehen kurz auf einen Sensorfusionsalgorithmus namens EKF (Extended Kalman Filter) ein und gehen anschließend einige der Experimente durch, die wir in der Simulation und an unserem AMR durchgeführt haben.
Das Problem, das wir lösen wollen, besteht darin, den Zustand eines dynamischen Systems genau zu schätzen. Ein dynamisches System lässt sich als ein System definieren, dessen Zustand sich im Laufe der Zeit ändert. Diese Zustandsänderung kann durch eine natürliche Entwicklung des Systems entstehen oder auch durch einen externen Impuls ausgelöst werden. Mathematisch wird das dynamische System dadurch dargestellt, dass sein Zustand durch ein System von Differentialgleichungen definiert wird, die beschreiben, wie sich ein bestimmtes System im Laufe der Zeit entwickelt.
Wir bezeichnen dies als das Bewegungs-/Prozessmodell unseres Systems. Anhand bestimmter Eingaben (die nicht zwingend erforderlich sind) und der beobachteten Messwerte lässt sich der Systemzustand für den nächsten Zeitschritt abschätzen. Dies wird als Zustandsschätzung bezeichnet. Ein Beispiel für ein solches System ist ein autonomer mobiler Roboter (AMR), der sich in einem Lager oder einem Labor bewegt.
Hier würde der Zustand des AMR aus seiner Position relativ zu einem festen Bezugspunkt, seiner Geschwindigkeit und seiner Beschleunigung bestehen. Diese Zustandsvariablen können direkt gemessen oder mathematisch aus den Sensorwerten abgeleitet werden. Es ist jedoch wichtig zu bedenken, dass einzelne Sensoren ihre eigenen individuellen Ungenauigkeiten aufweisen. Ein Radausgabegabler hilft uns beispielsweise dabei, die Anzahl der Umdrehungen eines Rades zu zählen. Anhand dieser Informationen und der AMR-Dynamik (Bewegungsmodell) können wir die neue Position des AMR vorhersagen.
Sollten die Räder jedoch durchdrehen, würden die Raddrehgeber zusätzliche Umdrehungen melden, was dazu führen würde, dass unsere Vorhersage des Zustands des AMR fehlerhaft wird. Diese Art von Problemen wird durch Sensorrauschen und die physikalische Umgebung noch verstärkt. Um die Einschränkungen einzelner Sensoren auszugleichen, können Messungen mehrerer Sensoren so kombiniert werden, dass eine bessere Zustandsschätzung des dynamischen Systems erzielt wird. Der Prozess der Kombination mehrerer Sensordaten zur Verringerung der Unsicherheit oder zur Verbesserung der Genauigkeit bei der Zustandsschätzung eines dynamischen Systems wird als Sensorfusion bezeichnet.
Der erweiterte Kalman-Filter (EKF) ist eine gängige Methode zur Fusion von Daten aus mehreren Sensoren. Er stellt eine Erweiterung des bekannten Kalman-Filter-Algorithmus (linear) dar, der zur Zustandsschätzung linearer dynamischer Systeme verwendet wird. Eine grundlegende Annahme bei Kalman-Filtern ist, dass jede Variable in unserem Zustand durch eine Gauß-Verteilung definiert ist und dass das Sensor- und das Prozessrauschen unabhängig voneinander verteilte Gauß-Verteilungen mit dem Mittelwert Null sind. Abbildung 1 zeigt ein Blockdiagramm, wie die Sensorfusion mithilfe eines Vorhersage- und Aktualisierungszyklus in Kalman-Filtern erreicht werden kann. Gehen wir die Schritte durch, um zu sehen, wie dies funktioniert:
Bei der Arbeit mit einem nichtlinearen System wie einem AMR müssen wir einige Änderungen am Kalman-Filter-Algorithmus vornehmen. Um sicherzustellen, dass unsere Zustandsdarstellung nach jedem Vorhersage- und Aktualisierungsschritt weiterhin einer Gaußschen Verteilung entspricht, müssen wir die Bewegungs- und Messmodelle linearisieren. Dies geschieht durch die Verwendung von Taylor-Reihen, um die nichtlinearen Modelle als lineare Modelle zu approximieren. Diese Erweiterung des Kalman-Filters wird als erweiterter Kalman-Filter bezeichnet.
Eines der beliebtesten ROS-Pakete für die Sensorfusion unter Verwendung von ROS ist das Paket „robot_localization“. Das Paket „robot_localization“ ist ein universell einsetzbares Paket zur Zustandsschätzung, das Implementierungen des erweiterten Kalman-Filters (Extended Kalman Filter) sowie einer weiteren Variante des Kalman-Filters, dem sogenannten Unscented Kalman Filter, enthält. Es bietet die Flexibilität, viele Sensoren zu fusionieren, und liefert als Ergebnis eine Zustandsschätzung in Form eines 15-Vektors. Die Zustandsschätzung setzt sich aus Position, Orientierung, Lineargeschwindigkeit, Winkelgeschwindigkeit und Linearbeschleunigung in x-, y- und z-Richtung zusammen. Das von diesem Paket bereitgestellte Bewegungsmodell ist omnidirektional. Es kann bei Vorliegen relevanter Daten sowohl für die globale als auch für die lokale Zustandsschätzung verwendet werden. Weitere Details zum Paket finden Sie unter:http://docs.ros.org/en/noetic/api/robot_localization/html/index.html
Gazebo ist eine ROS 2-fähige Simulationsumgebung, die viel Flexibilität beim Testen von Robotersystemen bietet. Sie ermöglicht es uns, Sensorrauschen einzufügen, verschiedene Reibungskoeffizienten auszuprobieren und die Genauigkeit der Radausleser zu verringern, wodurch wir realistische Szenarien nachstellen können, die die Zustandsschätzung eines AMR in der realen Welt beeinflussen würden.
Um die Leistungsfähigkeit der Sensorfusion zu quantifizieren, können wir einen Schleifenschließtest durchführen, bei dem das AMR auf einer zufällig geschlossenen Bahn gefahren wird, sodass der Start- und Endpunkt des AMR identisch sind. Anschließend können wir die vom EKF nach der Fusion von IMU und Raddrehgebern durchgeführte Zustandsschätzung grafisch darstellen und mit der Zustandsschätzung vergleichen, die auf der Grundlage der Rohdaten der Raddrehgeber erfolgt ist. Im Idealfall soll der geschätzte Zustand unseres AMR für x, y und Gierwinkel jeweils (0, 0, 0) angeben.
Wir haben verschiedene Experimente mit den Turtlebot3 (TB3)-Paketen durchgeführt. Ein Beispiel hierfür ist in Abbildung 2 dargestellt. Hier steuern wir den TB3 mehrmals ferngesteuert durch die Turtlebot3-Umgebung und bringen ihn schließlich wieder an die Ausgangsposition zurück. Wie zu sehen ist, kann die von EKF vorhergesagte Bahn (grün dargestellt) besser abschätzen, dass sich der AMR wieder an seiner Ausgangsposition befindet, während bei Verwendung nur der Radausleser (rot dargestellt) die Schätzung um etwa 1,4 Meter abweicht. Die Rohdaten der Radausleser ergeben einen endgültigen Positionsfehler von 0,405 m, -1,36 m und 29,72 Grad in x-, y- und Gierrichtung. Der vom EKF geschätzte Positionsfehler für x, y und Gierrichtung beträgt hingegen 0,103 m, -0,0165 m und 0,0187 Grad. Die prozentuale Gesamtverbesserung der euklidischen Entfernung im Verhältnis zur Ausgangsposition betrug etwa 92,64 % – von 1,42 m bei ausschließlicher Verwendung der Raddatensignale auf 0,10 m nach Einsatz des EKF.
Die in Gazebo durchgeführten Experimente lassen sich auch auf reale AMRs übertragen. Wir haben diese Experimente in unseren Büroräumen durchgeführt und konnten durch die Fusion der IMU- und Radencoder-Daten unserer AMRs zuverlässige Ergebnisse erzielen. Ein Beispiellauf ist in Abbildung 3 dargestellt. Bei ausschließlicher Verwendung der Raddatensenderdaten wies der geschätzte Zustand einen Fehler von 1,58 m in x-Richtung, -0,69 m in y-Richtung und einen Gierausrichtungsfehler von 55 Grad auf. Die EKF-Schätzung war jedoch besser, mit Fehlern von -0,35 m, -0,033 m und -5,9 Grad in der x-, y- und Orientierungsrichtung. Die prozentuale Gesamtverbesserung der euklidischen Entfernung in Bezug auf den Ursprung betrug etwa 78,9 % und sank nach der Implementierung des EKF von 1,699 m auf 0,35 m.
Die Zustandsschätzung ist ein entscheidender Schritt, um anderen Modulen unseres AMR, wie beispielsweise der Navigation und der Kartierung, eine zuverlässige Odometriequelle zur Verfügung zu stellen. Durch unsere Experimente haben wir gezeigt, dass wir mithilfe von Sensorfusionstechniken den Zustand unseres AMR sowohl in der Simulation als auch in der realen Welt genauer schätzen können. Wir haben Extended Kalman Filters eingesetzt, eine weit verbreitete Methode zur Sensorfusion in nichtlinearen Systemen. In Teil 2 dieser Serie werden wir erörtern, wie Sensorfusion die Navigations- und Kartierungsfähigkeiten unseres AMR verbessern kann.
Vereinbaren Sie ein 30-minütiges Beratungsgespräch mit unseren Experten für Automobil-Lösungen
Vereinbaren Sie ein 30-minütiges Beratungsgespräch mit unserem Experten für Batteriemanagementlösungen
Vereinbaren Sie ein 30-minütiges Beratungsgespräch mit unseren Expertenfür Industrie- und Energielösungen
Vereinbaren Sie ein 30-minütiges Beratungsgespräch mit unseren Experten
