Mejora de la precisión de la localización de robots autónomos con IMU avanzadas y fusión de sensores

Las unidades de medición inercial (IMU) son fundamentales para una amplia gama de sistemas móviles, como la robótica industrial, los robots humanoides, los vehículos aéreos no tripulados (UAV) y los sistemas inmersivos de realidad mixta, entre otros. Aunque las exigencias específicas de estos sistemas varían con cada aplicación, los diseñadores se enfrentan constantemente al desafío de proporcionar datos de orientación y movimiento cada vez más precisos y en tiempo real para la clase general de aplicaciones denominadas robots móviles autónomos (AMR).

En este artículo se analizan brevemente los desafíos específicos de la localización de AMR. A continuación, se presentan las IMU avanzadas de Analog Devices y se muestra cómo pueden utilizarse para afrontar estos desafíos en interiores, en entornos denegados por el sistema de posicionamiento global (GPS), al tiempo que se extraen lecciones de un uso más amplio entre dominios.

Por qué la localización es un desafío para los desarrolladores de AMR

Los AMR son fundamentales para la productividad de las fábricas y almacenes inteligentes, donde ayudan a racionalizar el flujo de materiales, reducir los residuos y mejorar la utilización. Garantizar su localización exacta dentro de las instalaciones es fundamental para el éxito. En las instalaciones construidas a tal efecto, los problemas de localización de las AMR pueden mitigarse colocando bien los fiduciales (marcadores de referencia) u optimizando la disposición, pero la mayoría de las AMR funcionan en instalaciones heredadas. En estas instalaciones, la combinación de iluminación variable, superficies reflectantes y geometría compleja dificulta mucho la localización.

Además, la falta de infraestructuras coherentes, como anchos de pasillo normalizados o marcas predecibles en el suelo, hace que los robots se enfrenten a tareas de navegación y cartografía más complejas.

La naturaleza del entorno de navegación plantea dos desafíos operativos fundamentales¹.

• En primer lugar, el robot debe realizar una planificación eficaz de la trayectoria para determinar la ruta más óptima a través de su entorno en función de las condiciones actuales.
• En segundo lugar, debe ejecutar una localización precisa, actualizando continuamente su propia posición y orientación en tiempo real a medida que se desplaza.

En entornos interiores sin GPS, estos dos objetivos deben cumplirse íntegramente con las capacidades de detección y los recursos informáticos integrados.

Para hacer frente a estos desafíos, los AMR utilizan una combinación de modalidades de sensores. Los sistemas de percepción visual, incluidas las cámaras, los sistemas de detección y medición de distancias por luz (LiDAR) y los radares, proporcionan abundantes datos medioambientales. Los sistemas de odometría, como los codificadores de rueda y las IMU, realizan un seguimiento del movimiento directamente a partir del movimiento del robot. Cada tipo de sensor ofrece ventajas distintas: Algunos destacan en la detección de largo alcance, otros en la detección precisa, pero cada uno tiene también sus limitaciones. Combinándolos de forma inteligente, los AMR pueden lograr la redundancia y la cobertura necesarias para mantener la precisión en condiciones dinámicas e impredecibles.

Qué mide una IMU y por qué es importante

Una IMU integra sensores de sistemas microelectromecánicos (MEMS) para medir la aceleración y la velocidad angular en tres dimensiones. Un acelerómetro triaxial mide el movimiento a lo largo de los ejes x, y, y z en relación con la gravedad terrestre, captando tanto las fuerzas estáticas, como la inclinación, como las dinámicas, como la aceleración durante el movimiento (Figura 1).

Figura 1: Un acelerómetro triaxial mide la aceleración a lo largo de los ejes x, y, y z, proporcionando datos de movimiento dinámico y una referencia de gravedad estática. (Fuente de la imagen: Analog Devices)

Un giroscopio triaxial mide la velocidad angular (ωx, ωy, ωz) sobre cada eje (figura 2), lo que permite al robot seguir los cambios de orientación.

Figura 2: Un giroscopio triaxial mide la velocidad angular sobre cada eje, lo que permite un seguimiento preciso de los cambios de orientación. (Fuente de la imagen: Analog Devices)

En el núcleo de los acelerómetros y giroscopios de las IMU modernas, las estructuras MEMS se desvían o vibran cuando se someten a aceleración o rotación, y los cambios resultantes en la capacitancia o la frecuencia de vibración se convierten en señales eléctricas. La ventaja de las IMU basadas en MEMS es su combinación de pequeño tamaño, bajo consumo de energía y altas velocidades de medición, lo que las hace prácticas para su integración en plataformas móviles.

Algunas IMU también incluyen sensores adicionales que amplían su capacidad. Un magnetómetro de alto rendimiento proporciona mediciones del campo magnético que ayudan a estimar la orientación en entornos difíciles, aunque los magnetómetros son más comunes en las IMU heredadas. Un sensor de temperatura integrado permite compensar térmicamente los datos del acelerómetro y el giroscopio. También puede incluirse un barómetro para medir la presión atmosférica y estimar la altitud.

Además de su conjunto de sensores, las IMU avanzadas también integran amplias cadenas de señales de adquisición de datos para la conversión analógica a digital, el filtrado preliminar de respuesta al impulso finito y la calibración de fábrica para corregir los sesgos de los sensores y la desalineación de los ejes (Figura 3). Estos dispositivos suelen permitir la rotación (dƟ) del marco de coordenadas interno de la IMU para que coincida con el marco del robot antes de la salida, lo que reduce la carga computacional del procesador principal.

Figura 3: Un diagrama de bloques funcional de una IMU avanzada muestra una extensa cadena de señales de sensor que proporciona detección, calibración, compensación y filtrado integrados en un único dispositivo compacto. (Fuente de la imagen: Analog Devices)

Cómo las IMU refuerzan la localización cuando otros sensores flaquean

Ciertas características de los distintos entornos físicos pueden influir en la eficacia de las distintas modalidades de sensores. Para mitigar las limitaciones de los distintos sistemas sensoriales, un AMR típico se basa en una pila de sensores diversa que puede incluir sensores de visión, sistemas de tiempo de vuelo (ToF), LiDAR, radar, codificadores de rueda y una IMU (Figura 4).

Figura 4: La pila de sensores de un AMR suele combinar sensores de visión, una IMU y codificadores de rueda para proporcionar información complementaria para la localización. (Fuente de la imagen: Analog Devices)

Por ejemplo, en un pasillo con escasez de características (Figura 5), el largo tramo de paredes carece de los elementos distintivos necesarios para que los algoritmos visuales de localización y mapeo simultáneos (SLAM) hagan coincidir los fotogramas con un mapa almacenado. Sin señales visuales únicas, la estimación de la postura del robot puede desviarse rápidamente, haciendo que un AMR pierda su posición. En este escenario, la información de rumbo y orientación proporcionada por una IMU puede sostener la navegación del robot a pesar de la pérdida de la odometría visual.

Figura 5: En un pasillo largo y sin accidentes, la odometría visual del robot puede fallar rápidamente, haciendo que el AMR pierda su posición si falta la información de rumbo y orientación de una IMU. (Fuente de la imagen: Analog Devices)

En grandes espacios abiertos, como un almacén de 50 × 50 m, muchos elementos visuales quedan fuera del alcance efectivo del LiDAR (Figura 6), que suele proporcionar un alcance máximo de 10 a 15 m. Las disposiciones uniformes, como las estanterías o los estantes de almacenamiento espaciados uniformemente, pueden confundir la odometría visual debido a la apariencia similar de varias ubicaciones diferentes. En este escenario, la combinación de las mediciones de la IMU y los datos del codificador de la rueda permite al robot mantener estimaciones locales de la pose.

Figura 6: En una gran zona abierta, donde las limitaciones de alcance de los sensores y la falta de rasgos visuales distintivos degradan la detección visual, las mediciones de la IMU y la odometría de las ruedas pueden sustentar la localización. (Fuente de la imagen: Analog Devices)

Las superficies inclinadas presentan otro desafío (Figura 7). Los LiDAR bidimensionales estándar capturan puntos en un plano llano; por tanto, una pendiente puede parecer un obstáculo vertical. Esta interpretación errónea puede interrumpir la navegación o hacer que el robot evite trayectorias transitables. En este caso, los datos de cabeceo y balanceo de la IMU pueden proporcionar información sobre la pendiente para mitigar esta interpretación errónea del LiDAR, lo que permite a los algoritmos SLAM resolver la pendiente y distinguir entre pendientes transitables y verdaderos obstáculos.

Figura 7: Las lecturas de cabeceo y balanceo de la IMU pueden revelar el gradiente de una pendiente, lo que corrige las interpretaciones erróneas del SLAM 2D y permite una navegación AMR segura. (Fuente de la imagen: Analog Devices)

Los factores ambientales también degradan el rendimiento de localización de las diferentes modalidades de sensores (Tabla 1). Factores como la escasa iluminación, los entornos dinámicos, las superficies reflectantes y la necesidad de una rica geometría de la escena pueden afectar a la mayoría de las modalidades sensoriales.

Tabla 1: Se muestra el impacto de diversos factores ambientales en la eficacia de los sensores. (Fuente de la tabla: Analog Devices)

Ventajas de las IMU para los AMR

Las IMU se actualizan a mayor velocidad que los sensores de percepción, lo que permite responder con rapidez a los cambios dinámicos del entorno. A diferencia de los sistemas de percepción, que suelen funcionar entre 10 Hz y 30 Hz, las IMU pueden proporcionar datos procesados a 200 Hz y datos sin procesar hasta 4 kHz. Con su frecuencia de actualización 10 veces más rápida, una IMU puede permitir estimaciones de pose actualizadas durante los intervalos más largos entre las mediciones de percepción. Esta mayor velocidad de actualización permite, en última instancia, reaccionar con mayor rapidez a los cambios bruscos de movimiento y aumenta la fiabilidad del sistema en entornos dinámicos.

Las IMU constituyen la base de la navegación por estima, en la que una AMR calcula su posición actual a partir de una posición inicial conocida basándose en la integración de las mediciones angulares y de aceleración de la IMU. Al proporcionar los datos necesarios para actualizar continuamente la posición, la orientación y la velocidad, las IMU permiten una estimación precisa de la pose para una navegación AMR fiable.

El tamaño compacto y el peso ligero también favorecen la integración de la IMU en los AMR. Por ejemplo, la IMU ADIS16500AMLZ de Analog Devices (Figura 8) se presenta en un encapsulado BGA de solo 15 × 15 × 5 milímetros (mm), pero integra un giroscopio, un acelerómetro, un sensor de temperatura y una cadena de señales completa para la adquisición de datos y el acondicionamiento de señales. Este nivel de integración le permite suministrar datos de movimiento completos al procesador central, al tiempo que posibilita su uso en diseños mecánicos con limitaciones de espacio sin comprometer la maniobrabilidad del robot.

Figura 8: La IMU ADIS16500AMLZ integra un giroscopio, un acelerómetro, un sensor de temperatura y una cadena de señales completa para la adquisición de datos y el acondicionamiento de señales. (Fuente de la imagen: Analog Devices)

Con su rango dinámico del giroscopio de ±2000˚ por segundo (°/s), el ADIS16500AMLZ captura giros rápidos sin saturación, lo que resulta esencial para los AMR que navegan por espacios reducidos o realizan una rápida evasión de obstáculos. El rango dinámico del acelerómetro de ±392 m por segundo al cuadrado (m/s²) capta tanto los movimientos suaves como los golpes de gran impacto. Su estabilidad de polarización del giroscopio de 8.1˚ por hora (°/h) y la estabilidad de polarización del acelerómetro de 125 micras por segundo al cuadrado (μm/s²) reducen la deriva para mejorar la precisión de retroceso entre correcciones.

La calibración de fábrica permite corregir la sensibilidad, la polarización y la alineación de los ejes, mientras que la corrección dinámica del desplazamiento tiene en cuenta los cambios de temperatura, las variaciones de la tensión de alimentación y las interferencias magnéticas, así como la reducción del ruido^.2 La tolerancia a los golpes mecánicos de la IMU de 19,600 m/s² y un rango operativo de -25 a 85 °C permiten su uso en entornos exigentes, mientras que sus ADC de bajo ruido y gran ancho de banda garantizan la captura continua de datos precisos a las altas velocidades de actualización necesarias en los sistemas de control con capacidad de respuesta.

Las IMU en general también son relativamente resistentes a las interferencias electromagnéticas (EMI) y pueden funcionar en condiciones ambientales y de iluminación variadas. Como resultado, estos dispositivos pueden servir en una amplia gama de aplicaciones.

Mitigar las limitaciones de rendimiento de las IMU

A pesar de sus ventajas, las IMU presentan algunas limitaciones inherentes³. El ruido no filtrado puede afectar a las mediciones de la IMU, lo que reduce la precisión de la navegación. El sesgo de los sensores de acelerómetro y giroscopio se acumula con el tiempo, lo que provoca desviaciones en las estimaciones de orientación y movimiento. El comportamiento no lineal de los sensores distorsiona las mediciones y los eventos termoeléctricos pueden provocar errores de recorrido aleatorio del ángulo (ARW) en los giroscopios y errores de recorrido aleatorio de la velocidad (VRW) en los acelerómetros, que degradan aún más el rendimiento a largo plazo. Si no se mitigan, estos problemas reducen la fiabilidad de la localización a lo largo del tiempo.

La fusión de sensores puede superar las limitaciones de la IMU integrando los datos de esta con las entradas de otros sensores para aumentar la calidad y fiabilidad de los datos, mejorar la estimación de estados no medidos y aumentar la cobertura para mejorar la seguridad. Las técnicas de estimación de estado, como el filtrado de Kalman ampliado (EKF) (Figura 9), pueden corregir el ruido, el paseo aleatorio y la inestabilidad de sesgo durante el funcionamiento AMR normal. Al medir la aceleración debida a la gravedad terrestre, pueden eliminarse los errores de cabeceo y balanceo del giroscopio. Por último, puede seguirse y corregirse la desviación del sesgo. En funcionamiento, el EKF permite estimar eficazmente los estados pasados, presentes y futuros a pesar de la falta de conocimiento completo sobre la naturaleza del sistema modelado.

Figura 9: Un algoritmo EKF simplificado procesa mediciones de sensores ruidosos a lo largo del tiempo para producir una estimación corregida y continua de la pose y el movimiento del robot. (Fuente de la imagen: Analog Devices)

El EKF se ha generalizado porque puede modelar la dinámica del sistema y las incertidumbres de las mediciones y, a continuación, actualizar la estimación del estado cuando llegan nuevos datos. Las mediciones que pueden contener ruido blanco gaussiano u otras imprecisiones se observan a lo largo del tiempo y se utilizan para corregirlas. El filtro estima el valor real de las mediciones sincronizando las mediciones entre sensores, prediciendo las estimaciones de pose y error, y estimando y actualizando la incertidumbre del valor predicho.

Los algoritmos de fusión de sensores están integrados en el paquete de código abierto robot_localization de Robot Operating System (ROS)⁴, que implementa la fusión basada en EKF y utiliza el algoritmo EKF en su núcleo (Figura 10).

Figura 10: Una arquitectura típica de software de fusión de sensores basada en ROS combina entradas de múltiples sensores a través del paquete robot_localization para producir una estimación de pose sólida y continua. (Fuente de la imagen: Analog Devices)

Este paquete ROS permite la fusión de un número ilimitado de sensores y puede aceptar una variedad de tipos de entrada, incluidos los datos de la IMU, la velocidad de las ruedas y la odometría. El resultado fusionado incluye la posición y orientación completas en 3D, las velocidades lineal y angular y la aceleración, que se introducen directamente en los algoritmos de navegación y SLAM. Al usar estas entradas, robot_localization genera un estado de pose estimado expresado como un vector de mediciones reales y derivadas:

Pose State = (X, Y, Z, roll, pitch, yaw, X˙, Y˙, Z˙, roll˙, pitch˙, yaw˙, X¨, Y¨, Z¨)

Acelerar el desarrollo de la localización precisa de AMR

La IMU ADIS16500AMLZ demuestra cómo la detección de precisión y el procesamiento integrado pueden mejorar el rendimiento de la localización AMR. Para ayudar a los desarrolladores a acelerar el desarrollo de aplicaciones, Analog Devices proporciona la placa ADIS16500/PCBZ (Figura 11, izquierda) y el sistema de evaluación EVAL-ADIS-FX3Z que la acompaña (Figura 11, derecha).

Figura 11: La placa adaptadora ADIS16500/PCBZ (izquierda) y el kit de evaluación EVAL-ADIS-FX3Z (derecha) permiten el rápido desarrollo de aplicaciones basadas en la IMU ADIS16500. (Fuente de la imagen: Analog Devices).

La placa adaptadora incluye la IMU y un cabezal de 16 pines que se conecta a cables planos de 2 mm para conectar con el sistema de evaluación. El sistema de evaluación permite el muestreo en tiempo real de la IMU a frecuencia de muestreo completa y se alimenta a través de su puerto USB. Todo el software necesario puede descargarse desde la página de recursos.

Conclusión

Las IMU son esenciales para mantener una localización precisa en los AMR, ya que proporcionan estimaciones de orientación y seguimiento del movimiento a altas velocidades de actualización, incluso cuando otras modalidades sensoriales fallan debido a las condiciones ambientales. Al utilizar la fusión de sensores para compensar las limitaciones de los distintos tipos de sensores, los AMR pueden realizar una navegación precisa incluso en entornos dinámicos que normalmente confunden la localización de los AMR. Gracias a la disponibilidad de IMU altamente integradas y a las placas de circuito impreso y sistemas de evaluación asociados, los desarrolladores pueden diseñar rápidamente AMR capaces de lograr la localización exacta y fiable necesaria para una navegación precisa.

Referencias

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