Padvolging voor robots: een leertraject

Padplanning en padvolging zijn verschillende problemen, en de meeste robotica-stof behandelt alleen het eerste. A* geeft je een route; niets daarin vertelt de wielen wat ze moeten doen. Dit leertraject is die ontbrekende schakel — alles tussen een lijst met waypoints en een robot die ze daadwerkelijk rijdt.

Werk de knopen in volgorde door. Elke knop is iets waar de volgende van uitgaat, en wie er één overslaat, krijgt een robot die dwaalt om een reden die je niet kunt isoleren.

Voordat je begint

Je hebt een robot met differentiële aandrijving nodig die je al kunt aansturen — twee motoren, een driver en een lus die op een constante snelheid draait. Het leertraject motorregeling dekt dat allemaal en dit leertraject veronderstelt dat eerst. Er is geen regeltheorie nodig; pure pursuit is meetkunde, geen PID.

Wat je aan het eind kunt

• Encoderpulsen van je wielen omzetten in een pose, en kunnen zeggen hoeveel die pose per gereden meter afdrijft op je eigen vloer.
• Een gyrosensor fuseren met een absolute referentie tot een koers die tijdens een missie niet wegloopt.
• Pure pursuit implementeren vanaf de krommingsformule, in ongeveer een dozijn regels, en elke regel kunnen uitleggen.
• De vooruitkijkafstand kiezen op basis van de gemeten regelvertraging van je robot in plaats van proefondervinding, en hem plannen op snelheid.
• Cross-trackfout meten tegenover grondwaarheid, en RMS, het slechtste geval en de plek langs het pad waar de fout zit rapporteren.
• Uitleggen waarom dezelfde regelaar veertien keer slechter is op een ruwe GPS-fix, en dat oplossen zonder de regelaar te wijzigen.

Waar mensen vastlopen

De regelaar afstemmen terwijl de schatting het probleem is. Als de robot denkt op het pad te staan, meldt hij nul fout en stuurt hij zelfverzekerd een heg in. Meet tegen een externe referentie voordat je aan de stuurversterkingen komt — een rolmaat telt mee.

Een simulatie zonder vertraging geloven. Een zuiver kinematische pure pursuit wordt beter naarmate de vooruitkijkafstand kleiner wordt, dus een model zonder vertraging beveelt precies één instelling aan: degene die op echte hardware oscilleert. Bouw een tijdsconstante voor de besturing en een detectievertraging in elk model waarop je afstemt.

Een globale zoektocht naar het dichtstbijzijnde punt. Het is de voor de hand liggende implementatie en hij faalt stilzwijgend op elk pad dat omkeert, waarbij hij een segment matcht dat de robot een minuut geleden reed. Houd de booglengte bij, zoek in een venster eromheen en laat de voortgang nooit teruglopen.

Een hoekpuntgelijkstand naar het inkomende segment oplossen. Voorbij een bocht projecteren beide aangrenzende segmenten naar hetzelfde punt op dezelfde afstand. Houd je het verkeerde vast, dan ziet een regelaar die op koers en laterale fout stuurt ongeveer nul van beide terwijl hij recht van het pad rijdt. Het is de stilzwijgendste bug op deze pagina.

Bouw het als de GPS-waypointrover, die precies deze volgorde volgt — eerst binnen op encoders, daarna buiten op een gefuseerde fix.

Wat je nodig hebt

Waarom dit leertraject in deze volgorde loopt

Dit leertraject is bijzonder, want de eerste vijf knopen gaan helemaal niet over besturen. Ze bouwen de poseschatting, omdat een padregelaar die op een verkeerde pose werkt op een manier faalt die precies lijkt op een slecht afgestemde regelaar — de robot meldt nul fout terwijl hij een heg in rijdt. Eerst de schatting goed hebben betekent dat je, wanneer je eindelijk de stuurversterkingen afstemt, kunt geloven wat je meet.

Encoders, dan odometrie, dan slip, in die volgorde. Elke corrigeert het optimisme van de vorige. Encoders vertellen je dat het wiel draaide; odometrie maakt van twee wielbewegingen één pose; slip vertelt je hoeveel van die pose fictie is, en specifiek dat de systematische fout lineair groeit met de afstand terwijl de willekeurige fout alleen als √N groeit.

De IMU sluit aan vóór de regelaar, omdat de koers het deel van de pose is dat voor een padvolger het zwaarst weegt en het deel waar wielen het slechtst in zijn. Een draaibeweging op de plaats schuurt beide banden bijna per definitie, dus de enige manoeuvre die de koers het meest verandert is degene die odometrie het slechtst meet. Een complementair filter fuseert de goede korte-termijnsnelheid van een gyrosensor met het goede lange-termijngemiddelde van een absolute referentie, en het resultaat is een koers die niet wegloopt.

Bewegingsprofielen komen vóór pure pursuit, omdat een padvolger continu snelheid opdraagt en een snelheidsopdracht met stappen een robot oplevert die schokt en slipt — precies de odometriefout opnieuw introduceren die je net drie knopen lang hebt bestreden.

Pure pursuit, dan de lab, dan cross-trackfout. De regelaar is ongeveer een dozijn regels en de meetkunde is eenvoudig; lastig is het kiezen van de vooruitkijkafstand en weten of het resultaat goed is. De lab bestaat zodat je de afweging rond de vooruitkijkafstand kunt zien gebeuren, en de cross-trackfoutknop bestaat zodat “hij rijdt goed” een getal wordt met een RMS en een slechtste geval.

GPS als laatste, en echt als laatste. Het verandert niets aan de regelaar en alles aan de schatting. Als je het als laatste doet, weet je zodra het volgen veertien keer slechter wordt al zeker dat de regelaar niet de reden is.

Controlepunten: hoe je weet dat een etappe is geland

Waar dit leertraject ophoudt

Dit leertraject neemt een gegeven pad en rijdt het. Het levert het pad niet op — dat is padplanning en kartering, en samen vormen de twee de volledige navigatiestack.

Het houdt ook op voor drie dingen. Obstakelvermijding tijdens het volgen — reageren op iets dat op een pad verschijnt dat je nog niet hebt gekozen — vraagt om een lokale planner onder de padvolger, en dat is een werkelijk moeilijker probleem dan beide helften afzonderlijk. Ackermann- en omnidirectionele besturing veranderen de meetkunde: pure pursuit past zich makkelijk aan een auto-achtige robot aan, maar de stap van kromming naar wielsnelheid hier is specifiek differentiële aandrijving — voor een basis die kan zijwaarts rijden, begin bij holonome aandrijving, en merk op dat een holonome robot strikt beter kan doen dan elke van de regelaars hier, omdat hij positie kan corrigeren zonder koers te verbruiken. En RTK GPS, die de fix buiten van meters naar centimeters brengt, is wat padvolging buiten echt nauwkeurig maakt — het is de moeite waard te weten dat het bestaat voordat je concludeert dat navigatie buiten simpelweg onnauwkeurig is.