Robotsensorsimulator voor kalibratie en sensorfusie

Bediening

Kies een glad of getrapt werkelijk signaal en stel daarna bemonsteringsfrequentie, kwantisatie, willekeurige ruis, drift, bias, uitvallen en filtergeheugen in. Vergelijk de ruwe gegevens met schattingen op basis van een voortschrijdend gemiddelde, een laagdoorlaatfilter, een mediaanfilter en een complementair filter. Voorinstellingen maken ruisachtig, bevooroordeeld en onbetrouwbaar sensorgedrag reproduceerbaar.

Theorie

Elke sensor heeft een meetbereik, resolutie, nauwkeurigheid, bandbreedte, latentie en uitvalgedrag. De nauwkeurigheid in de datasheet beschrijft slechts een deel van het systeem; montage, temperatuur, ruis op de voeding, elektromagnetische interferentie en oppervlakteeigenschappen bepalen vaak de werkelijke uitkomst.

Fusie werkt wanneer sensoren aanvullende informatie leveren en hun onzekerheid eerlijk wordt weergegeven. Twee bevooroordeelde metingen combineren levert niet automatisch een werkelijke waarde op. Begin met kalibratie, tijdstempels, coördinatenstelsels en controles op gegevenskwaliteit.

Algoritme

1. Zet op elke sample een tijdstempel en controleer bij de binnenkomst van de meting of de waarde binnen het meetbereik valt.
2. Reken ruwe eenheden om met de kalibratieschaal, de offset en de asuitlijning.
3. Verwerp onmogelijke sprongen of markeer ze als ongeldig in plaats van gegevens te verzinnen.
4. Pas het lichtste filter toe dat aan de ruisvereiste van de rest van het systeem voldoet.
5. Transformeer metingen naar een gemeenschappelijk stelsel en fuseer ze op basis van bekende onzekerheid.
6. Log ruwe en verwerkte waarden, zodat storingen reproduceerbaar blijven.

Broncode

Een exponentieel laagdoorlaatfilter is nuttig wanneer de tijdconstante bewust is gekozen:

class LowPass:
    def __init__(self, alpha):
        self.alpha = alpha
        self.value = None

    def update(self, sample):
        if self.value is None:
            self.value = sample
        else:
            self.value += self.alpha * (sample - self.value)
        return self.value

Leg de ruwe sample naast het gefilterde resultaat vast. Anders kan een aantrekkelijke grafiek afknijpen, uitvallen en kalibratiefouten verhullen.

Aannames en hardwareverschillen

Dit lab is een educatief signaalmodel, geen datasheet van een specifieke sensor. Ruis is vooraf gezaaid als Gaussisch of uniform, met een draaiknop die je in jouw hand hebt; een echte IMU- of ToF-sensor voegt temperatuurafhankelijke bias, niet-Gaussische pieken en jitter in de bus-timing toe, die dit model vereenvoudigt. De bemonstering is hier volkomen periodiek, maar op een microcontroller maken looptiming en interruptlatentie tijdstempels essentieel — en daarom vergelijkt elke verwerkingsstand in de bediening de werkelijke waarde, de ruwe samples en de schatting samen. Filtering ziet er op een grafiek aantrekkelijk uit, maar elke extra gladheid voegt vertraging toe die op hardware later als regelvertraging opduikt; dezelfde afweging staat in de tutorial over sensorruis.

Schakelschema

Controleer de busspanning, de eisen aan pull-ups, de adressen en de maximale kabellengte voordat je meerdere sensoren aansluit.

Begeleide experimenten

De draaiknoppen in dit lab bestaan om elke sensorfout bewust op te wekken en te zien welk gereedschap hem verhelpt. Eén keer zo’n test uitvoeren is meer waard dan een hele bibliotheek lezen.

1. Bewijs dat filteren een bias niet kan verhelpen

Zet de ruis op nul en de bias op een duidelijke offset. Probeer nu om de beurt elk filter — voortschrijdend gemiddelde, laagdoorlaat, mediaan. Geen van alle verplaatsen de schatting naar de werkelijke waarde, want ze dempen alle drie de variatie en een bias varieert niet.

Zet daarna de bias op nul en de ruis hoog en zie dezelfde filters goed werken. Dit is het belangrijkste onderscheid in sensorwerk: ruis, bias en drift lijken op elkaar in een grafiek en vergen drie verschillende oplossingen, en meer filtering geneest nooit een bias.

2. Zie een gemiddelde een piek uitsmeren die een mediaan verwerpt

Zet uitvallen of pieken aan en vergelijk een voortschrijdend gemiddelde met een mediaan over hetzelfde venster.

Ruis van ultrasone en time-of-flight-sensoren is niet Gaussisch — het bestaat uit sporadische wilde waarden bovenop een verder stabiel signaal. Dat is precies het geval waarop een gemiddelde het slechtst presteert.

3. Meet wat de vertraging je kost

Schakel over op het getrapte werkelijke signaal en verlaag de alpha van het filter (of verleng het venster). De schatting wordt gladder en komt later beschikbaar. Lees de vertraging bij elke instelling op de grafiek af:

De laatste rij levert een prachtig glad spoor op en stuurt een robot naar waar het obstakel 15 cm geleden stond. Controleer de vertraging altijd in eenheden die voor de robot betekenis hebben, niet in samples — dit is de meest voorkomende manier waarop een goedbedoeld filter een robot slechter maakt.

4. Zie wat fusie wel en niet kan

Maak één bron ruisachtig maar onbevooroordeeld en de andere glad maar driftend, en zie hoe de complementaire schatting het goede deel van elk overneemt. Geef daarna beide bronnen dezelfde bias en zie de gefusieerde schatting die exact overnemen.

Fusie benut onderling onafhankelijke fouten. Een common-mode-fout (een fout die alle sensoren op dezelfde manier treft) blijft ongemoeid, en daarom komt kalibratie vóór fusie en niet erna.

Wat je moet zien

Naar de hardware

De praktische procedure voor een echte sensor is kort: houd hem stil tegen een bekende invoer, log enkele duizenden samples met tijdstempels en teken zowel de tijdreeks als een histogram. Het histogram is het deel dat mensen overslaan en het meest informatieve — Gaussische ruis vormt een klokvorm, afwijkers vormen een klok met een paar punten ver in de staarten, en die twee hebben verschillende filters nodig. De volledige methode staat in sensorruis, bias en filtering.