การเพิ่มข้อมูลเซ็นเซอร์จําเป็นยิ่งในการเพิ่มความแม่นยําและความมั่นคงของหุ่นยนต์เคลื่อนที่ การผนวกข้อมูลจากเซ็นเซอร์หลายตัว จะช่วยให้หุ่นยนต์เข้าใจสภาพแวดล้อมและตําแหน่งของมันดีขึ้น บทความนี้ทําการสํารวจเทคนิคทั่วไปและให้ตัวอย่างการผสานของเซนเซอร์ในหุ่นยนต์เคลื่อนที่
เทคนิกสําหรับข้อมูลตัวตรวจจับ
เทคนิค เหล่า นี้ มุ่ง หมาย จะ รวม ลําธาร ข้อมูล เพื่อ ทํา การ ประเมิน ตําแหน่ง และ การ จัด แนว ของ หุ่น ยนต์ อย่าง ถูก ต้อง ยิ่ง ขึ้น.
การกรอง Kalman
ตัวกรอง Kalman เป็นอัลกอริทึมที่ใช้อย่างแพร่หลายสําหรับข้อมูลการบีบอัดของเซ็นเซอร์ มันประมาณสถานะของระบบด้วยการลดความบิดเบือนจากระดับกําลังสอง โดยจะรวมค่าของข้อผิดพลาดที่รบกวนสัญญาณรบกวนให้ทํางานตลอดเวลา
การกรองแบบอนุภาพ
การกรองอนุภาค หรือวิธีการของมอนเตคาร์โล จะแสดงตําแหน่งของหุ่นยนต์ที่มีชุดอนุภาค แต่ละอนุภาคมีน้ําหนักที่อิงจากการวัดตัวตรวจจับ และตัวกรองปรับปรุงน้ําหนักเหล่านี้ เพื่อปรับตําแหน่งของหุ่นยนต์ที่ประมาณอยู่ เทคนิคนี้จัดการระบบที่ไม่เชิงเส้น และไม่ใช่ Guustian อย่างมีประสิทธิภาพ
ตัวอย่างที่ใช้ในการตรวจจับ
ใน การ ปฏิบัติ หุ่น ยนต์ ที่ เคลื่อน ไหว มัก จะ รวม ข้อมูล จาก เครื่อง รับ ต่าง ๆ เช่น GPS, LiDAR, กล้อง วัด ความ เร็ว สูง, และ เครื่อง วัด ความ เร็ว สูง (IMU) ตัว อย่าง เช่น หุ่น ยนต์ ที่ เดิน ทาง นอก บ้าน อาจ ทํา ให้ ข้อมูล GPS ของ ระบบ สแกน ระบบ คอมพิวเตอร์ ปรับ ปรุง ความ ถูก ต้อง แม่นยํา ใน สิ่ง แวด ล้อม ที่ ซับ ซ้อน ได้ ใน ทํานอง เดียว กัน หุ่น ยนต์ ใน บ้าน อาจ พึ่ง เครื่อง เลเซอร์ สแกน และ ไอ เอ็ม ยู เพื่อ รักษา ตําแหน่ง ที่ ไม่ มี สัญญาณ จีพีเอส อยู่ ได้ อย่าง แม่นยํา
- จีพีเอสและ ฟิวชันของ LiDAR สําหรับการนําเที่ยว
- การรวมกล้องและภาพประกอบของกล้อง IMU สําหรับโครงสร้างโอดีโมเมนต์แบบภาพ
- สัมพัทธ์และเซ็นเซอร์ขนาดจิ๋วสําหรับป้องกันการบัง