Simulador de sensores de robô: calibração e fusão

Controles

Escolha um sinal de referência suave ou em degraus e depois ajuste a taxa de amostragem, a quantização, o ruído aleatório, a deriva, o viés, as perdas de amostras e a memória do filtro. Compare os dados brutos com as estimativas de média móvel, passa-baixa, mediana e complementares. As predefinições tornam reproduzíveis os comportamentos ruidosos, enviesados e pouco confiáveis dos sensores.

Teoria

Todo sensor tem faixa de medição, resolução, precisão, largura de banda, latência e modo de falha. A precisão da folha de especificações descreve apenas parte do sistema; montagem, temperatura, ruído da alimentação, interferência eletromagnética e propriedades da superfície frequentemente dominam os resultados reais.

A fusão funciona quando os sensores contribuem com informações complementares e sua incerteza é representada honestamente. Combinar duas medições enviesadas não cria automaticamente uma estimativa verdadeira. Comece com calibração, marcações de tempo, referenciais de coordenadas e verificações de qualidade dos dados.

Algoritmo

1. Marque cada amostra no tempo e verifique sua faixa na entrada de aquisição.
2. Converta as unidades brutas usando a escala, o deslocamento e o alinhamento dos eixos definidos pela calibração.
3. Rejeite saltos impossíveis ou marque-os como inválidos em vez de inventar dados.
4. Aplique o filtro mais leve que atenda ao requisito de ruído a jusante.
5. Transforme as medições em um referencial de coordenadas comum e funda-as usando a incerteza conhecida.
6. Registre valores brutos e processados para que as falhas permaneçam reproduzíveis.

Código-fonte

Um filtro passa-baixa exponencial é útil quando sua constante de tempo é escolhida deliberadamente:

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

Registre a amostra bruta ao lado do resultado filtrado. Caso contrário, um gráfico atraente pode ocultar clipamento, perdas de amostras e erros de calibração.

Premissas e diferenças do hardware

Este laboratório é um modelo educativo de sinal, não a folha de especificações de um sensor específico. O ruído aleatório usa uma semente e segue uma distribuição gaussiana ou uniforme, com um controle que você ajusta; uma IMU ou um sensor ToF real acrescenta viés dependente da temperatura, picos não gaussianos e variação de temporização do barramento que este modelo simplifica. A amostragem é perfeitamente periódica aqui, mas, em um laço de microcontrolador, a temporização e a latência de interrupção tornam as marcações de tempo essenciais — por isso todos os modos de processamento disponíveis nos controles comparam o sinal de referência, as amostras brutas e a estimativa juntas. A filtragem parece atraente em um gráfico, mas cada suavização acrescenta atraso que depois aparecerá como atraso de controle no hardware; essa mesma relação é discutida no tutorial de ruído e filtragem de sensores.

Diagrama do circuito

Confirme a tensão do barramento, os requisitos de pull-up, os endereços e o comprimento máximo do cabo antes de conectar vários sensores.

Experimentos guiados

Os controles deste laboratório existem para permitir que você produza deliberadamente cada falha de sensor e depois veja qual ferramenta a corrige. Fazer isso uma vez vale por muitas horas de leitura.

1. Prove que a filtragem não corrige um viés

Defina o ruído como zero e o viés como um deslocamento evidente. Agora experimente cada filtro por vez — média móvel, passa-baixa e mediana. Nenhum deles move a estimativa em direção ao sinal de referência, porque todos os três atenuam a variação e o viés não varia.

Depois defina o viés como zero e o ruído como alto e veja os mesmos filtros funcionarem bem. Esta é a distinção mais útil no trabalho com sensores: ruído, viés e deriva podem parecer iguais em um gráfico e precisam de três correções diferentes, e mais filtragem nunca cura um viés.

2. Veja uma média espalhar um pico que a mediana rejeita

Ative perdas de amostras ou picos e compare uma média móvel com uma mediana da mesma janela.

O ruído de sensores ultrassônicos e por tempo de voo não é gaussiano — ele se manifesta como valores ocasionais muito fora do normal contra um sinal que, de outro modo, é estável. É exatamente o caso que uma média trata pior.

3. Meça o que o atraso custa

Mude para o sinal de referência em degraus e reduza o alpha do filtro (ou aumente a janela). A estimativa fica mais suave e chega mais tarde. Leia o atraso no gráfico em cada configuração:

A última linha produz um traço muito suave e orienta um robô para onde o obstáculo estava há 15 cm. Sempre verifique o atraso nas unidades que importam para o robô, e não em amostras — essa é a maneira mais comum de um filtro bem-intencionado piorar um robô.

4. Veja o que a fusão pode e não pode fazer

Defina uma fonte ruidosa, mas sem viés, e a outra suave, mas com deriva, e veja a estimativa complementar pegar a melhor parte de cada uma. Depois dê o mesmo viés às duas fontes e veja a estimativa fundida herdá-lo exatamente.

A fusão explora erros independentes. Um erro de modo comum sobrevive intacto, e é por isso que a calibração vem antes da fusão, e não depois.

O que observar

Aplicação em hardware

O procedimento prático para um sensor real é curto: mantenha-o imóvel contra uma entrada conhecida, registre alguns milhares de amostras com marcação de tempo e represente tanto a série temporal quanto um histograma. O histograma é a parte que as pessoas pulam e a mais informativa — o ruído gaussiano produz uma curva em sino, enquanto valores atípicos produzem uma curva em sino com alguns pontos distantes nas caudas; esses dois casos exigem filtros diferentes. O método completo está em ruído, viés e filtragem de sensores.