轮式移动机器人的里程计计算

ROBOT@qwh 2024-05-06 阅读:310 评论:0
在移动机器人领域,准确估计机器人的位置和方向对于成功导航和控制至关重要。用于实现此目的的一种常用技术是计算里程计。里程计是通过分析车轮运动和旋转来估计机器人位置和方向(或统称为姿势)的过程。在本文中,我们将主要关注移动机器人,并且本文建立在...

在移动机器人领域,准确估计机器人的位置和方向对于成功导航和控制至关重要。用于实现此目的的一种常用技术是计算里程计。里程计是通过分析车轮运动和旋转来估计机器人位置和方向(或统称为姿势)的过程。在本文中,我们将主要关注移动机器人,并且本文建立在坐标变换的先验知识的基础上,这些知识将用于在探索环境时推导更新的机器人姿势。

了解里程计

里程计(也称为航位推算) 的原理是,轮式机器人行驶的距离可以通过测量其轮子的旋转来确定。通过测量每个轮子的旋转运动并应用运动学方程,可以估计机器人位置和方向的变化。里程计对于精确的机器人导航至关重要,尤其是在 GPS 等外部定位系统不可用的情况下。

 

计算里程的工具

为了计算里程计,机器人配备了车轮编码器,这些编码器是记录每个车轮旋转的传感器。这些编码器提供车轮旋转的精确测量,从而可以准确估计机器人的运动。

机器人技术中常用的轮编码器有几种类型:

1. 光学编码器:

增量式光学编码器:这些编码器在车轮旋转时生成脉冲。它们提供有关车轮旋转方向和速度的信息。

绝对光学编码器:这些编码器为每个位置生成唯一的数字代码。这使得机器人能够立即确定其轮子的绝对位置,即使它已关闭电源或在关闭时移动。

2. 磁性编码器:

旋转磁性编码器:这些编码器使用旋转磁铁和传感器来检测车轮转动时磁场的变化。它们提供有关车轮旋转和方向的信息。

线性磁性编码器:线性磁性编码器用于测量线性运动,例如机器人在轨道或铁轨上的线性位置。

3.电容式编码器:

电容式编码器利用电容的变化来测量运动。它们通常用于需要高精度和可靠性的应用。

4. 电感式编码器:

电感式编码器利用电感的变化来测量车轮的旋转。它们以其耐用性和适用于恶劣环境而闻名。

5.霍尔效应编码器:

霍尔效应编码器利用霍尔效应来测量磁场的变化,提供有关车轮位置和旋转的信息。

6. 光学正交编码器:

光学正交编码器使用两个具有四分之一相移的检测器来提供更准确的方向信息。它们经常用于精密控制和机器人应用。

7.增量编码器:

增量编码器产生指示车轮位置和速度变化的脉冲信号。它们通常与其他传感器结合使用,以实现更准确的测量。

8. 解析器:

旋转变压器是提供绝对位置反馈的传感器,具有良好的精度和可靠性。它们经常用于工业机器人。

9. 旋转编码器:

旋转编码器用途广泛,可用于各种应用。它们测量车轮的角位置,可以是绝对的也可以是增量的。

10. 线性编码器: –线性编码器用于测量线性运动,例如线性平移台或机械臂。

 

机器人和自动化应用中最常见的编码器类型是光学编码器。光学编码器因其准确性、可靠性和多功能性而广受欢迎。它们可以提供增量和绝对位置反馈,使其适合各种任务。

以下是常用光学编码器的原因:

1.精度:光学编码器可以提供高精度的位置和速度反馈,适合需要精确控制的应用,例如工业机器人和数控机床。

2. 多功能性:它们有增量版本和绝对版本,可以满足不同的需求。增量式光学编码器通常用于速度和方向感测,而绝对式光学编码器则提供精确的位置反馈。

3.耐用性:光学编码器相对坚固,可以在各种环境条件下运行。密封或“密封轴承”设计可在恶劣环境下提供额外保护。

4. 非接触式传感:光学编码器采用非接触式传感原理,这意味着它们的磨损速度不像使用物理接触机制的编码器那么快。

5. 高分辨率:它们提供高分辨率,允许精确控制和运动反馈。

虽然光学编码器很普遍,但编码器类型的选择取决于机器人或自动化应用的具体需求。所需精度、环境条件和成本等因素可能会影响适当编码器技术的选择。通常,惯性测量单元 (IMU) 包含加速度计和陀螺仪来测量加速度和角速度。这些读数补充了里程计数据以提高准确性。

里程计算

现在让我们看看编码器通常如何用于计算轮式移动机器人的里程计。计算里程的过程涉及几个步骤,并且可能会根据机器人的传动系统和转向机构的不同而有所不同,但对于两轮差速传动系统来说,该过程如下所示:

对于机器人左轮 (dl) 和右轮 (dr) 行驶一段距离后位置 (Δx, Δy) 和方向 (Δθ) 的变化:



Δ


Δ𝑥=12(𝑑𝑟+𝑑𝑙)cos(𝜃)


Δ𝑦=12(𝑑𝑟+𝑑𝑙)sin(𝜃)




Δθ是机器人的当前方向。

𝑤=𝑑𝑟+𝑑𝑙,是车轮之间的距离。


如果您好奇我们是如何得出最终公式的,请尝试使用下图推导方程。如果您需要帮助,许多博主已经详细解释了推导过程。例如,在Nabib Ahmed 的一篇 Medium 文章中,他们解释了这些方程的推导,假设参考点(如下图中的质心所示)与两个履带轮等距。简单地说,履带轮是配备编码器的轮子,不一定是主动驱动轮。此外,机器人不必总是关于横轴对称,这意味着距离𝑑𝑟!=𝑑𝑙,

因此,本文的表述保持通用性以解释这种不对称性。此外,假设机器人底盘是一个刚体, 这意味着底盘上任意两点之间的距离不会随着机器人的移动而改变(认为果冻是这种情况的反义词)。

two-wheel-differential-robot-odometry-1024x1015.png

挑战与限制

虽然里程计是估计轮式移动机器人位置和方向的一种有价值的方法,但必须意识到其固有的挑战和局限性。这些因素会影响基于里程计的定位和导航的准确性。

车轮打滑:当机器人的轮子失去与地面的牵引力时,就会发生车轮打滑。这种情况可能是由于不平坦的地形、光滑的表面或突然的移动而发生的。里程计依赖于车轮移动时不打滑的假设,因此在这种情况下其准确性较低。

车轮磨损:随着时间的推移,机器人的车轮会磨损,周长可能会略有变化。这种变化会显着影响里程计算,导致位置估计中出现累积误差。

非完整约束:里程计假设机器人完整移动,这意味着它可以在没有约束的情况下向任何方向移动。然而,许多轮式机器人具有非完整约束,这意味着它们无法在各个方向自由移动。这可能会导致估计位置与实际位置之间的差异。

传感器噪声:里程计对传感器噪声高度敏感,尤其是在低成本轮式机器人中。用于距离和旋转测量的车轮编码器或传感器中的任何噪声都会给里程计计算带来误差。

累积误差:基于里程计的估计很容易出现累积误差。当机器人移动时,距离和角度测量中的小误差会随着时间的推移而累积,从而导致位置和方向上的显着差异。

缺乏全局信息:里程计提供机器人运动的相对估计,但不考虑全局信息或外部地标。如果机器人随着时间的推移发生漂移,那么它就很难纠正其位置。

外部干扰:颠簸、振动或推动等外部因素可能会扰乱里程计算。这些干扰可能会导致位置估计出现暂时偏差。

校准要求:保持准确的里程计通常需要定期校准传感器和车轮。此校准过程可能非常耗时,并且可能需要技术专业知识。

计算负载:实时里程计算可能需要大量计算,具体取决于机器人运动和传感器设置的复杂性。这种负载会限制机器人有效执行其他任务的能力。

与其他定位方法集成:在实践中,里程计通常与 GPS 或视觉里程计等其他定位方法结合使用,以提高准确性。集成多个传感器和算法可能很复杂并且需要同步。


尽管存在这些挑战,里程计仍然是机器人技术的一个有价值的工具,特别是对于短期室内应用。克服这些限制通常涉及使用互补的传感器数据、先进的过滤技术以及考虑特定的操作环境来增强里程计的性能。


版权声明

本文仅代表作者观点,不代表本网站立场。
本文系作者授权本网站发表,未经许可,不得转载。

发表评论
热门文章
  • 康普顿未来智慧农场

    康普顿未来智慧农场
    康普顿未来农场,使用更少的水和1%的土地,即可实现与产统农业相同产量....
  • 拆解 OpenAI 的新董事会

    拆解 OpenAI 的新董事会
    在人工智能和技术领域掀起波澜的惊人事件中,人工智能领域的领先实体 OpenAI 最近的领导地位发生了重大转变。以萨姆·奥尔特曼 (Sam Altman) 戏剧性地重返首席执行官职位以及随之而来的董事会改组为标志,这些变化代表了该组织的关键时刻。OpenAI 以其在人工智能研究和开发方面的开创性工作而闻名,包括广泛认可的 ChatGPT 和 DALL-E 模型,站在人工智能进步的最前沿。因此,董事会的重组不仅仅是人员的变动,还标志着人工智能领域最具影响力的组织之一的方向、优先事...
  • 一种自动确定计算机游戏状态中可能动作的方法

    一种自动确定计算机游戏状态中可能动作的方法
    由于手动彻底测试视频游戏软件非常困难,因此需要拥有能够自动探索不同游戏功能的人工智能代理。此类代理的关键要求是玩家动作的模型,代理可以使用该模型来确定不同游戏状态下的可能动作集,以及对代理策略选择的游戏执行选定的动作。目前使用的典型游戏引擎不提供这样的动作模型,导致现有的工作要么需要人工手动定义动作模型,要么不精确地猜测可能的动作。在我们的工作中,我们通过为游戏中存在的用户输入处理逻辑开发最先进的分析方法来演示程序分析如何有效解决该问题,该分析可以使用离散动作空间自动建模游戏...
  • 使用众包反馈来帮助训练机器人

    使用众包反馈来帮助训练机器人
    为了教人工智能代理一项新任务,比如如何打开厨房柜子,研究人员经常使用强化学习——这是一种试错过程,在该过程中,代理会因采取更接近目标的行动而获得奖励。在许多情况下,人类专家必须仔细设计奖励函数,这是一种激励机制,赋予代理人探索的动力。当智能体探索并尝试不同的动作时,人类专家必须迭代地更新奖励函数。这可能非常耗时、效率低下,并且难以扩展,尤其是当任务复杂且涉及许多步骤时。来自麻省理工学院、哈佛大学和华盛顿大学的研究人员开发了一种新的强化学习方法,该方法不依赖于专门设计的奖励函数...
  • HierSpeech++:通过零样本语音合成新架构

    HierSpeech++:通过零样本语音合成新架构
    基于大语言模型(LLM)的语音合成已广泛应用于零样本语音合成中。然而,它们需要大规模数据,并且具有与以前的自回归语音模型相同的局限性,包括推理速度慢和缺乏鲁棒性。本文提出了 HierSpeech++,一种快速、强大的零样本语音合成器,用于文本到语音(TTS)和语音转换(VC)。我们验证了分层语音合成框架可以显着提高合成语音的鲁棒性和表现力。此外,即使在零样本语音合成场景中,我们也显着提高了合成语音的自然度和说话人相似度。对于文本到语音,我们采用文本到向量框架,该框架根据文本表...