机器人特辑 | 惯性测量单元（IMU）传感器： 解锁机器人精确导航的密钥

惯性测量单元（IMU）可提供关键的运动数据，已成为机器人精确定位的重要组成部分。IMU集成了加速度计、陀螺仪和磁力计，通过提供实时响应，使机器人能够准确地确定其方向、位置和运动，从而使机器人能够在动态变化的环境中导航。传感器融合技术将IMU数据与其他传感器（例如摄像头或LIDAR）相结合，通过整合多个数据源来提高定位精度。

 

IMU广泛应用于移动机器人、人形机器人、无人机（UAV）以及虚拟/增强现实。它们在实现精确定位方面发挥了重要作用，使机器人能够自主执行复杂任务并与周围环境有效互动。本文探讨了在颇具挑战性的AMR运行环境中，IMU具有哪些应用案例，以及IMU在实现精确定位方面如何发挥关键作用。

自主移动机器人（AMR）对于未来的智能工厂和仓储至关重要，在塑造未来自动化、可持续和清洁的工厂方面发挥着关键作用。AMR可提高效率、减少浪费并优化工业环境中的利用率。虽然未来可能会专门为AMR建造和优化工厂，但让这些机器人适应现有的仓库和工厂仍面临诸多挑战。AMR面临的主要障碍涉及两个关键部分：高效路径规划（确定最佳路径）和精确定位（不断更新其在环境中的位置）。

本文主要讨论GPS无法覆盖的封闭环境下的室内导航。AMR利用一系列传感器和算法进行定位和导航。其中包括摄像头、LIDAR和雷达等视觉传感器，以及车轮编码器和IMU等测程传感器。每种传感器模式在范围、准确性和传感信息方面都各有优势。这些传感器的组合可确保提供全面的数据，从而在动态环境中有效定位机器人。虽然全面自主性必须要依靠一系列传感器，但本文重点介绍惯性测量单元（IMU）在具有挑战性的AMR运行环境中的应用案例，以及IMU如何帮助实现精确定位，这对于导航和自主性至关重要。

 

什么是IMU？

IMU是由微机电系统（MEMS）器件构成的微型器件。其中通常包括：
• 三轴加速度计：加速度计用于测量相对于地球重力场的加速度。在IMU中，三轴加速度计用于测量x、y和z轴（见图1）。

 

图1. x、y和z轴上的加速度测量

图2.x、y和z轴上的陀螺仪测量

 • 三轴陀螺仪：陀螺仪用于测量旋转速率，提供三个轴上每个轴的角速度。三轴陀螺仪可以测量机器人在x、y和z轴上的角速度（ωx、ωy、ωz）（见图2）。
 • 高性能磁力计：提供磁场测量，对于在具有挑战性的环境中准确估计方向至关重要。尽管并不流行，但一些传统的IMU中配备了磁力计。
• 其它：温度传感器用于补偿温度变化，气压计用于测量压力。

典型的IMU不仅包括陀螺仪、加速度计和温度传感器，还包括模数转换以提取测量值和温度补偿。IMU采用板载初步滤波算法，例如板载FIR（有限脉冲响应）；校准和补偿可纠正任何错位或传感器偏置；用户可以选择在传输最终数据之前从IMU模块内部轴旋转（dƟ）以匹配机器人的参考框架。

 

为何IMU对AMR有益？

高刷新速率的实时定位：自主性和实时导航是机器人操作环境中的关键要素。然而，感知传感器的刷新速率通常受到限制，大概在10 Hz到30 Hz的范围内。相比之下，IMU拥有提供高保真位置输出的能力，最高可达200Hz。更高的刷新速率显著提高了系统在动态环境中快速适应方向快速变化时的可靠性，从而有助于快速响应。凭借加速的刷新速率，AMR还能够在其他测量之间的短暂间隔内提供估计姿态。因此，IMU在实现实时定位方面发挥着关键作用，其刷新速率比感知传感器快10倍。

航位推算：IMU是航位推算的支柱，航位推算是一种根据先前已知的位置估计当前位置的导航技术。IMU可随着时间推移不断提供位置、方向和速度数据，从而实现精确估计，有助于AMR实现可靠导航。

紧凑的尺寸和重量：IMU具有紧凑的尺寸和轻便的设计，非常适合集成到各种移动机器人配置中。
在不同环境中的可靠性：IMU具有一定的抗电磁干扰能力，可以在多种环境中运行，包括室外和室内环境。因此，它们适合广泛的应用。

通过加快刷新速率提高可靠性：感知传感器的刷新速率通常限制在约10Hz至30Hz之间，而IMU可提供高达4kHz原始数据的高保真位置输出，具有显著的优势。更高的刷新速率增强了可靠性，特别是在动态环境中，使AMR能够快速响应并有助于在其他测量之间的短期间隔内估计姿态。

 

为什么IMU对AMR来说必不可少？
 
如图3所示，AMR通常具有多种视觉传感器，例如飞行时间（ToF）、摄像头、激光雷达（LIDAR）等。尽管视觉测程提供了丰富的数据集，但IMU仍有存在的必要性。以下场景探讨了其背后的一些原因：

 

图3.AMR的传感器堆栈

1. AMR在特征稀疏的走廊中导航：同步定位与地图绘制（SLAM）算法本质上通过匹配观察到的传感器数据来工作，这些数据存储在地图中以便在地图内进行定位。当AMR穿越长走廊时（见图4），会很快迷失定位。由于缺乏独特特征，例如，具有均匀颜色、纹理或反射率的直墙，SLAM难以精确定位。在这种情况下，IMU可通过提供航向和方向信息来充当重要的引导系统。

图4.AMR在特征不明显的走廊中失去视觉测程能力

 2.在广阔的开放环境中导航：范围限制：当在大型开放空间（如50m×50m的大型仓库）中工作时，AMR难以定位，因为各个独特特征超出了传感器范围（LIDAR的最大范围通常约为10 m到15 m）。如图5所示，由于空间过大，AMR的测程功能无法发挥作用。此外，仓库通常具有统一的特征，因此也给视觉传感器造成困难。在这种情况下，IMU和车轮编码器是精确局部定位的唯一可靠来源。

 

图5.传感器的视场（FoV）有限，AMR无法在宽阔的开放空间内进行定位

 3. 在斜坡上行驶：当在斜坡上行驶时，传统的SLAM算法依靠LIDAR时会遇到挑战，因为2D点数据不显示坡度信息。因此，斜坡会被误解为墙壁或障碍物，导致地图成本更高。因此，采用2D系统的传统SLAM方法在斜坡上变得无效。IMU可通过提取坡度信息（图6）来帮助解决这一难题，从而有效地在斜坡上导航。

 

图6.AMR在斜坡上行驶

 

4. 导航时的环境因素：对环境因素的敏感性：LIDAR传感器对各种环境因素很敏感，例如环境光、灰尘、雾和雨。这些因素会降低传感器数据的质量，进而影响SLAM算法的性能。类似地，其他传感器模块也会受到反射表面和动态移动物体（其他AMR或工人）的影响，导致SLAM进一步混淆。表1总结了环境对不同传感器模块的影响。IMU可以在各种环境中可靠运行，因而成为移动机器人在发挥多功能性时的合适选择。

 

尽管IMU有其优势，但也存在风险并会带来一些挑战：
1. 噪声：IMU测量容易受到噪声的影响，这会降低机器人导航和控制的准确性。为了补偿噪声，IMU通常采用先进的滤波技术，例如卡尔曼滤波或FIR。

2. 偏置：IMU传感器会随着时间的推移积累偏置，这会导致方向和运动估计出现误差。为了解决这个问题，采用了偏置估计算法来不断更新IMU传感器读数。

3. 非线性度：IMU传感器表现出非线性行为，这会进一步加剧数据处理和解释的复杂性。为了对非线性度进行补偿，需要对其进行校准以表征传感器的行为并应用适当的校正。

4. 随机游走：IMU易受到外部热机械事件的影响，导致ARW（角度随机游走（陀螺仪中））和VRW（速度随机游走（加速度计中））出现误差。

如何降低这些风险？答案是传感器融合！其可以提高可靠性与数据质量，更好地估计未测量的状态，增加覆盖范围从而确保安全。

在典型的基于机器人操作系统（ROS）的系统中，视觉传感器以及IMU和车轮里程计使用流行的基于ROS的开源软件包robot_localization3进行融合，该软件包以EKF算法为核心。该软件包可以融合不限数量的传感器和各种传感器输入，如IMU、轮速和里程计。robot_localization给出的姿态输出包括机器人位置和方向的3D估计以及线/角速度和加速度，这些信息都会输入到SLAM算法中。

 

结论

IMU是AMR定位的必备元件，因为IMU可以提供方向估计和运动跟踪，并以高刷新速率提供实时响应，使得AMR能够在动态环境中行驶。借助卡尔曼滤波器等传感器融合技术，可以组合其他传感器模块来弥补彼此的局限性。ADI提供丰富多样的IMU来满足各种移动机器人应用的特定要求。

作者：Sarvesh Pimpalkar，ADI系统应用工程师

 

来源：荣格-《智能制造纵横》

原创声明：
本站所有原创内容未经允许，禁止任何网站、微信公众号等平台等机构转载、摘抄，否则荣格工业传媒保留追责权利。任何此前未经允许，已经转载本站原创文章的平台，请立即删除相关文章。