Датчики: система восприятия робота

Датчики (Sensors) — «органы чувств» робота. В этой главе рассказано, как научить робота «видеть» мир: классификация датчиков, протоколы связи и базовые алгоритмы обработки данных.

1. Классификация датчиков

1.1 Проприоцептивные датчики (Proprioceptive)

Измеряют состояние самого робота.

• Энкодер (Encoder): измеряет угол поворота и скорость двигателя. Бывают инкрементальные (после выключения положение теряется) и абсолютные (положение сохраняется при выключении).

• IMU (инерциальный измерительный блок): включает акселерометр (измеряет линейное ускорение и направление гравитации) и гироскоп (измеряет угловую скорость). Это ключевой датчик балансирующих платформ и дронов.

  

Рис. 1: принцип работы оптического энкодера

1.2 Экстероцептивные датчики (Exteroceptive)

Измеряют внешнюю среду.

• Лидар (LiDAR):
  • 2D-лидар: сканирует плоскость и выдаёт облако расстояний. Используется для построения карты SLAM.
  • 3D-лидар: многолучевое сканирование для автономного вождения.
  • Принцип: время пролёта (ToF) или триангуляция.
• Камера:
  • RGB: обычное цветное изображение.
  • RGB-D (глубинная камера): например RealSense или Kinect. Одновременно выдаёт цвет и расстояние до каждого пикселя.
• Ультразвук / миллиметровый радар: для обнаружения препятствий вблизи или работы в дыму.

Рис. 2: принцип триангуляции в лидаре

2. Аппаратные интерфейсы и протоколы связи

При выборе датчика важно не только его качество, но и соответствие интерфейса плате разработки (например, Raspberry Pi или RDK X5).

mindmap
  root((Интерфейсы датчиков))
    Низкоскоростные шины
      I2C (IMU, барометр)
      UART (GPS, Bluetooth)
    Высокоскоростные шины
      SPI (энкодеры, экраны)
      CAN (промышленные двигатели, OBD автомобилей)
    Мультимедиа и большие данные
      MIPI-CSI (камера Raspberry Pi)
      USB 3.0 (глубинные камеры)
      Ethernet (многолучевые лидары)

3. Обработка сигнала: от шума к истинному значению

Данные датчиков всегда содержат шум. Если использовать сырые данные напрямую, робот может дрожать или потерять управление.

3.1 Обработка типичного шума

• Фильтр низких частот (Low-pass Filter): убирает высокочастотную дрожь.
• Фильтр Калмана (Kalman Filter): оптимальная оценка, объединяющая прогноз и измерение.
• Комплементарный фильтр (Complementary Filter): часто используется для расчёта ориентации по IMU (объединяет акселерометр и гироскоп).

3.2 Принцип комплементарного фильтра

• Акселерометр: хорошо работает на низких частотах (долговременно точен, показывает направление гравитации), но сильно реагирует на высокочастотную вибрацию.
• Гироскоп: хорошо работает на высоких частотах (быстрый динамический отклик), но имеет температурный дрейф и при долгом интегрировании уходит в сторону.
• Формула: $\theta =\alpha \cdot (\theta +\omega \cdot dt)+(1-\alpha )\cdot {\theta }_{acc}$

4. Практика на Python: слияние данных IMU (комплементарный фильтр)

Этот пример генерирует зашумлённые данные датчиков и с помощью комплементарного фильтра получает стабильный угол ориентации.

import numpy as np
import matplotlib.pyplot as plt

def complementary_filter_demo():
    # 1. Моделируем истинный угол (синусоидальное движение)
    t = np.linspace(0, 10, 1000)
    dt = t[1] - t[0]
    true_angle = 10 * np.sin(2 * np.pi * 0.5 * t)  # истинный угол

    # 2. Моделируем показания датчиков (с шумом)
    # Гироскоп измеряет угловую скорость (производную истинного угла) + дрейф + шум
    true_gyro = 10 * 2 * np.pi * 0.5 * np.cos(2 * np.pi * 0.5 * t)
    gyro_reading = true_gyro + 0.5  # моделируем смещение (bias / дрейф)

    # Акселерометр измеряет угол (предполагаем статичность) + сильный высокочастотный шум
    acc_reading = true_angle + np.random.normal(0, 2.0, len(t))

    # 3. Алгоритм комплементарного фильтра
    fused_angle = []
    angle_est = 0.0
    alpha = 0.98  # вес интегрирования гироскопа (0,95–0,99)

    for i in range(len(t)):
        # Интегрирование гироскопа (прогноз)
        gyro_rate = gyro_reading[i]
        angle_pred = angle_est + gyro_rate * dt

        # Измерение акселерометра
        acc_obs = acc_reading[i]

        # Слияние
        angle_est = alpha * angle_pred + (1 - alpha) * acc_obs
        fused_angle.append(angle_est)

    # 4. Сравнительный график
    plt.figure(figsize=(12, 6))
    plt.plot(t, acc_reading, 'g-', alpha=0.3, label='Акселерометр (с шумом)')
    # Чистое интегрирование гироскопа (показывает дрейф)
    gyro_only = np.cumsum(gyro_reading) * dt
    plt.plot(t, gyro_only, 'k--', alpha=0.5, label='Только гироскоп (дрейф)')

    plt.plot(t, fused_angle, 'b-', linewidth=2, label='Результат слияния (комплементарный фильтр)')
    plt.plot(t, true_angle, 'r--', linewidth=1, label='Истинный угол')

    plt.title('Слияние данных датчиков: комплементарный фильтр')
    plt.xlabel('Время (с)')
    plt.ylabel('Угол (град)')
    plt.legend()
    plt.grid(True)
    plt.show()
    print("Фильтрация завершена: обратите внимание, как синяя кривая сочетает «абсолютную позицию» (зелёная) и плавность гироскопа")

if __name__ == "__main__":
    complementary_filter_demo()