Симулятор датчиков робота для калибровки и слияния данных

Управление

Выберите гладкий или ступенчатый истинный сигнал, затем настройте частоту дискретизации, квантование, случайный шум, дрейф, смещение, пропуски и память фильтра. Сравните исходные данные с оценками скользящего среднего, фильтра нижних частот, медианного и комплементарного фильтров. Пресеты делают зашумлённое, смещённое и ненадёжное поведение датчиков повторяемым.

Теория

У каждого датчика есть диапазон измерения, разрешение, точность, полоса пропускания, задержка и поведение при отказе. Точность из технического описания описывает только часть системы; при реальных результатах часто доминируют монтаж, температура, шум питания, электромагнитные помехи и свойства поверхности.

Слияние работает, когда датчики дают взаимодополняющую информацию, а их неопределённость представлена честно. Объединение двух смещённых измерений не создаёт истину автоматически. Начните с калибровки, меток времени, систем координат и проверок качества данных.

Алгоритм

1. Присваивайте каждому отсчёту метку времени и проверяйте диапазон непосредственно при получении данных.
2. Переводите показания в рабочие единицы с помощью масштаба, смещения и ориентации осей при калибровке.
3. Отбрасывайте невозможные скачки или помечайте их недействительными, а не выдумывайте данные.
4. Применяйте самый лёгкий фильтр, удовлетворяющий требованию к шуму последующего контура.
5. Преобразуйте измерения в общую систему координат и объедините их с учётом известной неопределённости.
6. Сохраняйте исходные и обработанные значения в лог, чтобы сбои оставались воспроизводимыми.

Исходный код

Экспоненциальный фильтр нижних частот полезен, если его постоянная времени выбрана осознанно:

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

Записывайте исходный отсчёт рядом с отфильтрованным результатом. Иначе привлекательный график может скрыть обрезание, пропуски и ошибки калибровки.

Допущения и отличия от реального оборудования

Эта лаборатория — учебная модель сигнала, а не техническое описание конкретного датчика. Гауссов или равномерный шум задаётся регулируемым параметром; настоящий IMU или датчик ToF добавляет смещение, зависящее от температуры, негауссовы выбросы и нестабильность временных меток шины, которые эта модель упрощает. Здесь дискретизация идеально периодична, но в цикле микроконтроллера из-за времени цикла и задержки прерываний метки времени становятся необходимыми, — поэтому каждый режим обработки в элементах управления одновременно показывает истинное значение, исходные отсчёты и оценку. График после фильтрации выглядит привлекательно, однако любое дополнительное сглаживание добавляет задержку, которая позже проявится на реальной системе как задержка управления; тот же компромисс рассматривается в руководстве по шуму, фильтрации и слиянию данных датчиков.

Схема соединений

Перед подключением нескольких датчиков проверьте напряжение шины, требования к подтягивающим резисторам, адреса и максимальную длину кабеля.

Руководство по экспериментам

Настройки в этой лаборатории нужны для того, чтобы вы могли воспроизвести каждую неисправность датчика намеренно, а затем увидеть, какой инструмент её устраняет. Одно такое действие стоит огромного количества чтения.

1. Докажите, что фильтрация не исправляет смещение

Установите шум в ноль, а смещение в заметное постоянное отклонение. Теперь по очереди попробуйте каждый фильтр — скользящее среднее, фильтр нижних частот, медианный. Ни один из них не сдвинет оценку к истинному значению, потому что все три ослабляют изменчивость, а смещение не меняется.

Затем установите смещение в ноль, а шум сделайте большим и посмотрите, как те же фильтры хорошо работают. Это самая полезная разница в работе с датчиками: шум, смещение и дрейф выглядят на графике похожи, но требуют трёх разных исправлений, и никакое количество фильтрации не лечит смещение.

2. Посмотрите, как среднее размазывает выброс, который отбрасывает медиана

Включите пропуски или выбросы и сравните скользящее среднее с медианой такого же окна.

Шум ультразвуковых датчиков и датчиков времени полёта не является гауссовым: это редкие экстремальные значения на фоне в остальном стабильного сигнала. Именно такой случай хуже всего обрабатывается усреднением.

3. Измерьте цену задержки

Переключитесь на ступенчатый истинный сигнал и уменьшите alpha фильтра или увеличьте окно. Оценка станет более гладкой, но более запоздалой. Считывайте задержку с графика при каждой настройке:

Последняя строка создаёт прекрасно гладкую траекторию и направляет робота туда, где препятствие было 15 cm назад. Всегда проверяйте задержку в единицах, важных роботу, а не в отсчётах — это самый частый способ, которым благомысленный фильтр ухудшает робота.

4. Посмотрите, что слияние может и чего не может

Сделайте один источник зашумлённым, но несмещённым, а другой — гладким, но дрейфующим, и посмотрите, как комплементарная оценка берёт хорошую половину каждого. Затем задайте обоим источникам одинаковое смещение и посмотрите, как объединённая оценка наследует его без изменений.

Слияние использует ошибки, независимые друг от друга. Ошибка общего режима остаётся нетронутой, поэтому калибровка должна предшествовать слиянию, а не следовать за ним.

Что следует наблюдать

Переход к реальному оборудованию

Практическая процедура с реальным датчиком коротка: удерживайте его неподвижно при известном входном воздействии, записывайте несколько тысяч отсчётов с метками времени и стройте как временной ряд, так и гистограмму. Гистограмму пропускают чаще всего, хотя именно она наиболее информативна: гауссов шум образует колокол, выбросы — колокол с несколькими точками далеко в хвостах, и для этих двух случаев нужны разные фильтры. Полный метод приведён в шум, смещение и фильтрация датчиков.