یکپارچه سازی داده های سنسور برای افزایش دقت و قابلیت اطمینان از محلی سازی ربات های موبایل ضروری است. ترکیب اطلاعات از چندین سنسور به ربات ها اجازه می دهد تا محیط و موقعیت خود را در داخل آن درک کنند.این مقاله تکنیک های رایج را بررسی می کند و نمونه هایی از ادغام داده های سنسور در رباتیک تلفن همراه را فراهم می کند.

تکنیک های ادغام داده های سنسور

چندین روش برای ادغام داده های سنسور در ربات های تلفن همراه استفاده می شود، این تکنیک ها هدف ترکیب جریان داده ها برای تولید برآورد دقیق تر از موقعیت و جهت گیری ربات است.

فیلتر کردن Kalman

فیلتر Kalman یک الگوریتم به طور گسترده ای برای همجوشی داده های سنسور است.این تخمین می زند که حالت یک سیستم با به حداقل رساندن ابزار خطای مربعی، به طور موثر ترکیب اندازه گیری سنسور پر سر و صدا در طول زمان، به ویژه برای ادغام داده ها از odometry و سنسورهای بی اثر مفید است.

فیلتر کردن ذرات

فیلترهای ذرات یا روش مونت کارلو، موقعیت های احتمالی ربات را با مجموعه ای از ذرات نشان می دهند.هر ذره دارای وزن بر اساس اندازه گیری سنسور است و این وزنه ها را برای اصلاح محل تخمین زده شده ربات به روز می کند.این تکنیک سیستم های غیر خطی و غیر گلیسین را به طور موثر کنترل می کند.

نمونه هایی از یکپارچه سازی داده های Sensor Data

در عمل، ربات های تلفن همراه اغلب داده ها را از سنسورهای مختلف مانند GPS، LiDAR، دوربین ها و واحدهای اندازه گیری بی سابقه (IMUs) ترکیب می کنند، به عنوان مثال، یک ربات در خارج از منزل ممکن است داده های GPS را با اسکن LiDAR ترکیب کند تا دقت محلی سازی در محیط های پیچیده را بهبود بخشد.

  • GPS و LiDAR فیوژن برای ناوبری در فضای باز
  • دوربین و ادغام IMU برای عدم تقارن بصری
  • Odometry و سنسورهای اولتراسونیک برای اجتناب از مانع