機器人航位推算：深入探討量距測試與分析
作者 : Charles Pao，CEVA感測器融合業務部門資深行銷專員
透過將多個感測器的資料融合在一起，航位推算藉由測量隨時間變化的速度和方向來估計位置。就像人類一樣，機器人可能不知道確切位置，但其預估能力很強…
針對「機器人航位推算」(Robot Dead Reckoning)的相關研究有著非常多的內容值得一探究竟，本文將專注於探討關於這一技術的測試類型與分析，一起來看看吧！
對於還不太熟悉這一技術途徑的讀者，首先將快速回顧幾個概念；而如果您是這個領域的老手，可以直接跳到測試機器人航位推算的效能。
機器人航位推算：快速回顧
什麼是機器人航位推算？
透過將多個感測器的資料融合在一起，航位推算藉由測量隨時間變化的速度和方向來估計位置。就像人類一樣，機器人可能不知道它的確切位置，但它的預估能力很強。航位推算也可稱為量距或測程(odometry)。
使用哪些感測器？
機器人航位推算演算法通常使用車輪編碼器、慣性測量單元(IMU)和光流(optical flow)感測器(類似在滑鼠中所採用的技術)。部份機器人的光流感測器具有LED和雷射光源，兩種光源分別在粗糙和平滑的表面上有較好的效果。機器人量距也可以單獨使用IMU及其他任一感測器來計算。
這有什麼幫助？
有些機器人會使用以相機或光達(LiDAR)為基礎的同步定位與地圖映射(simultaneous localization and mapping；SLAM)演算法來判斷機器人的位置，以及增強清潔效果。機器人航位推算可提供重要的速度和方向資訊，以這些資訊作為其演算法的一部份。其他機器人無需建構續存性地圖(它們只需在完成工作後返回原點)，而它們可能只需依靠航位推算就可以了。
測試機器人的量距效能
收集資料
為了進行深入探討，讓我們先來看看如何測試演算法。以往根據國際規範在模擬的居家環境中收集資料；然而，為了記錄更多直接與推算精確度相關的測試資料，這一次計劃在更簡單、更小的環境中進行測試，其方向變化也更多。這些更頻繁的變化包含在以下驅動演算法中：
- 以3m/s前進，直到撞上牆壁。
- 停止1s。
- 以2m/s後退0.5秒。
- 以6弧度/秒旋轉介於45°至180°之間的隨機角度：
- 選擇旋轉方向，使機器人的行進方向在原始方向的720°範圍內。
- 每60秒保持靜止5秒鐘。
測試對象是來自全球消費性機器人領導製造商之一的機器人開發平台，這讓我們能針對最成功的公司做出有力的比較，不僅記錄此測試機器人自有的量距演算法輸出，還包括採用MotionEngine Scout駕駛模組的原始資料和輸出。
有了這兩種資料後，我們仍然需要實際的觀測。為此，實驗中設置了紅外線攝影機，用於涵蓋測試空間範圍並追蹤機器人的位置。這些攝影機的資料被用於實況觀察中，攝影機也能用於各種高精確度、低延遲的專案，包括一把「會自動瞄準的弓」。
工程師Shane Wighton自製「自動瞄準神弓」，號稱閉眼也能百發百中。
在測試中必須調整的最後一項變數，是不同類型的表面。因此，在這些測試中，我們讓機器人分別在硬木、短毛地毯、長毛地毯、人造瓷磚以及這些表面的組合上運行。這些表面會導致相關感測器出現錯誤，這部份稍後會詳細說明。
現在我們有了收集到的測試資料、要與之比較的實況以及多種不同的測試表面，最後需要的就是用來判斷精確度的指標。測量定位效能時，以開始和結束位置為基礎來比較誤差，對於衡量指標來說是最合理的。此軌跡錯誤可透過幾種不同的方式來解釋。
絕對誤差，只是機器人認為它在哪裡以及真正位置之間的差異。這很容易理解，但是任何時刻的絕對誤差，都取決於之前所有時刻的行進方向誤差和距離誤差的歷史記錄，因此很難歸納此指標。
發生相對誤差時，我們將測量期間開始時要比對的位置歸零，以消除先前距離誤差的影響。重新定向的相對誤差也消除了先前行進方向誤差的影響。此最終衡量標準可在測試中的許多固定長短的窗口上計算，讓我們能夠持續檢視每單位行駛距離的誤差增加率。
相較於絕對誤差，重新定向相對誤差較不直覺，但在居家機器人使用案例中，對驅動模式和任務執行時間的變化更具有普適性。
為了完整瞭解測試期間誤差的增加情況，我們計算了基於設定距離(1公尺)的滑動窗口資料上之重新定向相對誤差。也就是說，我們計算演算法在每1公尺距離窗口上的相對誤差，為每個資料點將窗口滑動1公分。
此繪圖顯示在CDF (累積分佈函數)中使用的每個表面和演算法的分佈，如以上範例所示。查看繪圖(左邊線條較佳)，可以輕鬆比較中等性能與最壞情況或其他百分位數，並找出離群值。從這裡可以看到，在所有表面上，具有典型初始校準的動態校準模型，可使效能持續優於開發平台。
最佳化機器人的量距效能
這些校準模型代表什麼意思？為什麼需要校準感測器？
親愛的讀者們，讓我們從較高層次的問題開始說起。關注於感測器的校準，主要是因為即使感測器的品質被控制在資料表中列出的特定規範內，每個感測器也都會有所不同。這就是動態校準得以發揮作用之處。簡而言之，每個感測器的行為變化都足以影響整體精確度，而針對這些差異進行調整則會使效能最大化。
您可能已經猜到，靜態校準模型會使用初始校準並保持不變。然而，動態校準模型使用 IMU和車輪測量來調整光流感測器的輸出。這可透過溫度變化、車輪打滑、表面反射變化、表面柔軟度變化等方式，維持長時間的精確度。
我們測試了各種不同的地板類型，因為光流感測器和車輪可能會根據其行駛的表面做出不同的反應。車輪會在表面上打滑，在車輪編碼器上給出不準確的讀數。光流感測器在某些表面上的效果優於其他表面，而仔細的校準可提高精確度。使用感測器的方式也很重要。機器人的主要光流感測器包括LED模式(照明地板紋理以便追蹤)以及雷射模式——引導可加以追蹤的「散斑模式」(speckle pattern)。找出切換及保留模式的時機，對於盡可能獲得最佳效能至關重要。
透過精細且詳盡的地板表面測試，我們判定了每種光流照明模式的一般校準值。每一種的刻度都需要根據地板類型進行調整。使用動態校準時，IMU資料有助於在操作期間即時調整初始校準。
本文分析中的Tuned校準方法代表了校準精確度的上限。它是透過離線演算法傳送原始感測器資料並調整光流感測器刻度，使誤差盡可能接近0來計算。
最後，根據這些分析結果顯示，在使用機器人(動態、典型)最逼真的校準模式測試的各種表面上，準確率比市場領先者高22%以上。
在不同表面上進行動態(Tuned)和典型機器人校準模式的測試結果。（資料來源：CEVA）
從無線連接、更快的處理和運算、網路安全機制、更複雜的虛擬實境(VR)到人工智慧(AI)等技術，都將在未來的每一個嵌入式系統中發揮更關鍵功能。「嵌入式系統設計研討會」將全面涵蓋在電子產業最受熱議的「智慧」、「互連」、「安全」與「運算」等系統之相關硬體和軟體設計。
會中將邀請來自嵌入式設計相關領域的研究人員、代表廠商以及專家，透過專題演講、產品展示與互動交流，從元件、模組到系統，從概念設計到開發工具，深入介紹嵌入式系統設計領域的最新趨勢、創新和關注重點，並深入分享關於嵌入式系統設計的經驗、成果以及遇到的實際挑戰及其解決方案。
加入LINE@，最新消息一手掌握！
