Améliorer la localisation robotique grâce aux IMU : une technologie fondamentale pour une navigation précise

Introduction

Les robots mobiles autonomes (AMR) sont essentiels pour les usines et entrepôts intelligents du futur, jouant un rôle central dans la conception des usines automatisées, durables et plus propres du futur. Les AMR améliorent l’efficacité, réduisent les déchets et optimisent l’utilisation dans les environnements industriels. Si les usines du futur seront peut-être construites spécialement et optimisées pour les AMR, l’adaptation de ces robots aux entrepôts et usines existants présente des difficultés. Le principal obstacle auquel se heurtent les AMR concerne deux éléments essentiels : une planification efficace de la trajectoire (détermination de la trajectoire optimale) et une localisation précise (mise à jour continue de la position de l’AMR dans son environnement).

Cet article se concentre sur la navigation intérieure dans des environnements fermés sans GPS. Les AMR utilisent un ensemble de capteurs et d’algorithmes pour la localisation et la navigation. Il s’agit notamment de capteurs visuels tels que les caméras, les LIDAR et les radars, ainsi que de capteurs d’odométrie tels que les codeurs de roues et les IMU. Chaque modalité de capteur possède ses propres avantages uniques en termes de portée, de précision et d’informations sensorielles. La combinaison de ces capteurs garantit des données complètes pour une localisation efficace du robot dans des environnements dynamiques. Bien qu’un ensemble de capteurs soit indispensable pour une autonomie complète, cet article met en évidence les cas d’utilisation et l’environnement difficile dans lequel les AMR opèrent, ainsi que la manière dont les IMU aident à une localisation précise, qui est cruciale pour la navigation et l’autonomie.

Qu’est-ce qu’un IMU ?

Les IMU sont des appareils miniatures constitués de systèmes microélectromécaniques (MEMS). Ils se composent généralement des éléments suivants :

• Accéléromètre triaxial : les accéléromètres mesurent l'accélération par rapport au champ gravitationnel de la Terre. Dans une IMU, des accéléromètres triaxiaux sont utilisés pour mesurer les axes x, y et z (voir Figure 1).

Figure 1. Mesures d’accélération sur les axes x, y et z.

• Gyroscope triaxial : Les gyroscopes mesurent la vitesse de rotation en fournissant la vitesse angulaire dans chacun des trois axes. Le gyroscope triaxial permet de mesurer la vitesse angulaire du robot (ωx, ωy, ωz) le long des axes x, y et z (voir la figure 2).

Figure 2. Mesures du gyroscope sur les axes x, y et z.

• Magnétomètre haute performance : Il fournit des mesures de champ magnétique, essentielles pour une estimation précise de l'orientation dans des environnements difficiles. Bien que peu répandu, un magnétomètre est disponible dans certaines des anciennes IMU.
• Autres : Un capteur de température pour compenser les variations de température et un baromètre pour mesurer la pression.

Schéma fonctionnel de l'IMU

• Une IMU typique comprend non seulement des gyroscopes, des accéléromètres et un capteur de température, mais aussi une conversion analogique-numérique pour extraire les mesures et la compensation de la température (voir figure 3).

Figure 3. Bloc fonctionnel typique d’une IMU.

• Une IMU intègre des algorithmes de filtrage préliminaire tels que la FIR (réponse impulsionnelle finie).
• L'étalonnage et la compensation corrigent tout désalignement ou biais du capteur.
• L’utilisateur a la possibilité d’effectuer une rotation (dƟ) de l’axe interne du module IMU pour qu’il corresponde au cadre de référence du robot avant de transmettre les données finales.

Pourquoi les IMU sont-elles bénéfiques pour les AMR ?

• Localisation en temps réel avec des taux de mise à jour élevés : L'autonomie et la navigation en temps réel sont des éléments cruciaux dans l'environnement opérationnel d'un robot. Les capteurs de perception fonctionnent cependant généralement avec un taux de mise à jour restreint, compris entre 10 Hz et 30 Hz environ. En revanche, les IMU ont la capacité de fournir une sortie de position haute fidélité, atteignant jusqu'à 200 Hz. Ce taux de mise à jour plus élevé améliore considérablement la fiabilité du système en lui permettant de s’adapter rapidement aux changements d’orientation dans un environnement dynamique, ce qui facilite les réponses rapides. Le taux de mise à jour accéléré permet également aux AMR de fournir une pose estimée pendant les brefs intervalles entre d'autres mesures. Par conséquent, les IMU jouent un rôle essentiel dans la réalisation d’une localisation en temps réel, surpassant les capteurs de perception avec des taux de mise à jour 10 fois plus rapides.
• Navigation à l'estime : les IMU servent d'épine dorsale à la navigation à l'estime, une technique de navigation permettant d'estimer la position actuelle sur la base d'une position connue précédemment. Fournissant en permanence des données sur la position, l'orientation et la vitesse au fil du temps, les IMU permettent une estimation précise, contribuant ainsi à une navigation fiable pour les AMR.
• Taille et poids compacts : la taille compacte et la conception légère des IMU les rendent idéales pour l’intégration dans diverses configurations de robots mobiles. Par exemple, l'ADIS16500 d'Analog Devices, avec un encombrement de seulement 33,25 mm × 30,75 mm, garantit un placement efficace sans compromettre la maniabilité du robot.
• Robustesse dans divers environnements : les IMU sont relativement résistantes aux interférences électromagnétiques et peuvent fonctionner dans divers environnements, y compris à l’extérieur et à l’intérieur. Cela les rend adaptés à une large gamme d’applications.
• Fiabilité accrue grâce à des taux de mise à jour accélérés : alors que les capteurs de perception sont généralement limités à des taux de mise à jour de ~10 Hz à 30 Hz, les IMU se distinguent en fournissant une sortie positionnelle de haute fidélité avec des données brutes allant jusqu’à 4 kHz. Ce taux de mise à jour accru améliore la fiabilité, en particulier dans les environnements dynamiques, permettant aux AMR de réagir rapidement et d'aider à estimer la pose dans le court laps de temps entre ces autres mesures.

Pourquoi les IMU sont-elles essentielles pour les AMR malgré l’existence de capteurs de vision ?

Un AMR, tel qu’illustré à la figure 4, comporte généralement une variété de capteurs visuels, tels que le temps de vol (ToF), la caméra, le LIDAR, etc. Malgré la richesse des données fournies par l’odométrie visuelle, la nécessité d’une IMU persiste. Les scénarios suivants explorent certaines des raisons pour lesquelles :

Figure 4. Pile de capteurs d’un AMR.

• AMR naviguant dans un couloir avec peu de relief : les algorithmes de localisation et de cartographie simultanées (SLAM) fonctionnent essentiellement en faisant correspondre les données des capteurs observés, qui sont stockées dans la carte, à la localisation dans la carte. Lorsqu’un AMR parcourt un long couloir (voir Figure 5), il est voué à perdre rapidement sa position. En raison de l'absence de caractéristiques distinctives telles que des murs droits avec une couleur, une texture ou une réflectivité uniformes, SLAM a du mal à localiser avec précision. Dans ce cas, les IMU constituent un système de guidage précieux en fournissant des informations sur le cap et l’orientation.

Figure 5. AMR perdant l’odométrie visuelle dans un couloir sans relief.

• Navigation dans de vastes environnements ouverts : Limitations de portée : lorsqu'ils fonctionnent dans un grand espace ouvert tel qu'un immense entrepôt (disons 50 m × 50 m), les AMR ont du mal à se localiser car les caractéristiques uniques s'étendent au-delà de la portée du capteur (la portée maximale des lidars est généralement d'environ 10 m à 15 m). Comme le montre la figure 6, l'odométrie de l'AMR a déjà été perdue en raison du grand espace. De plus, les entrepôts présentent souvent des caractéristiques uniformes, ce qui rend la tâche difficile aux capteurs visuels. Dans de tels scénarios, les IMU et les codeurs de roues sont les seules sources fiables pour une localisation précise.

Figure 6. Champ de vision (FoV) limité des capteurs, AMR incapable de se localiser dans un grand espace ouvert.

• Navigation sur une pente : Lors des manœuvres sur une pente, l'algorithme SLAM traditionnel rencontre un défi lorsqu'il s'appuie sur le LIDAR, car les données de points 2D ne montrent pas d'informations sur le gradient. Par conséquent, les pentes sont interprétées à tort comme des murs ou des obstacles, ce qui conduit à des cartes plus coûteuses. Par conséquent, les approches SLAM conventionnelles avec des systèmes 2D deviennent inefficaces sur les pentes. Les IMU aident à résoudre ce problème en extrayant des informations sur la pente (figure 7) afin de négocier efficacement la navigation sur une pente.

Figure 7. AMR se déplaçant sur une pente.

• Facteurs environnementaux lors de la navigation : sensibilité aux facteurs environnementaux : les capteurs LIDAR peuvent être sensibles à divers facteurs environnementaux, tels que la lumière ambiante, la poussière, le brouillard et la pluie. Ces facteurs peuvent dégrader la qualité des données du capteur et, à leur tour, affecter les performances de l’algorithme SLAM. De même, d’autres modalités de capteurs sont affectées par les surfaces réfléchissantes et les objets en mouvement dynamiques (autres AMR ou travailleurs), ce qui complique encore davantage la SLAM. Le tableau 1 résume la manière dont l’environnement affecte les différentes modalités des capteurs. Les IMU peuvent fonctionner de manière fiable dans une variété d'environnements, ce qui en fait un choix polyvalent pour les robots mobiles.

Cependant, aucun capteur n’est parfait !

Si les IMU présentent des avantages, elles n’en comportent pas moins des risques et posent des problèmes :

• Bruit : les mesures IMU sont sujettes au bruit, ce qui peut dégrader la précision de la navigation et du contrôle du robot. Pour compenser le bruit, les IMU utilisent souvent des techniques de filtrage avancées telles que le filtrage de Kalman ou le FIR.
• Biais : les capteurs IMU accumulent des biais au fil du temps, ce qui peut entraîner des erreurs d’orientation et d’estimation du mouvement. Pour résoudre ce problème, des algorithmes d’estimation de biais sont utilisés pour mettre à jour en continu les lectures du capteur IMU.
• Non-linéarité : les capteurs IMU présentent un comportement non linéaire, ce qui peut compliquer davantage le traitement et l’interprétation des données. Pour compenser la non-linéarité, ils doivent être calibrés pour caractériser le comportement du capteur et appliquer les corrections appropriées.
• Marche aléatoire : les IMU sont sensibles aux événements thermomécaniques externes qui provoquent des erreurs dans la marche aléatoire de l’angle (pour le gyroscope) et la marche aléatoire de la vitesse (pour l’accéléromètre).

Comment pouvons-nous atténuer ces risques ? La réponse est la fusion de capteurs !

Comment la fusion de capteurs aide-t-elle ?

• Renforcer la fiabilité.
• Renforcer la qualité des données.
• Mieux estimer les états non mesurés.
• Augmenter la couverture pour garantir la sécurité.

Importance de l'algorithme de fusion de capteurs :

• Les techniques d’estimation de l’état, comme le filtrage de Kalman étendu, peuvent corriger les erreurs de bruit, d’ARW et d’instabilité de biais pendant le fonctionnement régulier des AMR.
• Les erreurs de tangage et de roulis du gyroscope peuvent être éliminées dans une IMU en mesurant l’accélération due à la gravité terrestre.
• L'algorithme suit et corrige la dérive de biais et corrige l'erreur ARW.

Filtre de Kalman étendu (EKF) :

• Prend en charge l’estimation des états passés, présents et futurs même lorsque la nature précise du système modélisé est inconnue. La figure 8 montre un algorithme EKF simplifié.
• La mesure est observée dans le temps et contient un bruit blanc gaussien ou d’autres inexactitudes ; elle estime les vraies valeurs des mesures en
• Synchronisation des mesures entre les capteurs
• Prédiction de la pose et estimation de l’erreur
• Estimation et mise à jour de l'incertitude de la valeur prédite

Figure 8. Algorithme EKF (simplifié).

• Fusion de capteurs :
• Dans un système typique basé sur le système d’exploitation des robots (ROS), les capteurs de vision ainsi que l’odométrie de l’IMU et des roues (figure 9) sont fusionnés à l’aide d’un paquet ROS à code source ouvert appelé robot_localization3, qui utilise l’algorithme EKF à la base. Ce package permet la fusion d'un nombre illimité de capteurs et de diverses entrées de capteurs comme l'IMU, la vitesse de roue et l'odométrie. La sortie de pose donnée par robot_localization inclut des estimations 3D de la position et de l'orientation du robot ainsi que des vitesses et accélérations linéaires/angulaires, qui sont transmises à l'algorithme SLAM. La sortie de la pose est exprimée en termes de :
• État de pose = (X, Y, Z, roulis, tangage, lacet, X˙, Y˙, Z˙, roulis˙, tangage˙, lacet˙, X¨, Y¨, Z¨).

Figure 9. Système de fusion de capteurs typique utilisant ROS.

Comment l’utilisation d’une IMU ADI permet-elle de résoudre ces problèmes ?

Analog Devices propose plusieurs IMU pour diverses applications, y compris les robots mobiles. La proposition de valeur unique proposée est énumérée ci-dessous :

• Étalonnage intégré : les IMU ADI sont dotées d’un accéléromètre et d’un gyroscope entièrement étalonnés en usine, qui prennent en compte des paramètres tels que la sensibilité, le biais, l’alignement, le biais du gyroscope pour l’accélération linéaire et l’accéléromètre. Les corrections de décalage dynamiques intégrées compensent les variations de tension d’alimentation, de température et les interférences magnétiques, tout en offrant des capacités de réduction du bruit. Cela permet de réduire considérablement le temps d’intégration du système et le coût d’acquisition, rationalisant ainsi la mise en œuvre globale de mesures précises de capteurs dans des applications industrielles dans des conditions diverses.
• Convertisseurs analogiques-numériques (ADC) à faible bruit et à large bande passante : capturent les données des capteurs avec une grande précision et une large bande passante, garantissant un fonctionnement fiable et réactif.
• Haute précision : les IMU ADI fournissent des mesures précises d'orientation, de mouvement et de vitesse, permettant aux robots de prendre des décisions éclairées et de naviguer dans leur environnement avec précision.
• Faible consommation d'énergie : les robots mobiles fonctionnent généralement sur batteries, une faible consommation d'énergie est donc essentielle pour étendre leur portée opérationnelle. Les IMU ADI sont très efficaces, minimisant la consommation d'énergie et maximisant la durée de vie de la batterie.
• Taille compacte : afin de s’adapter aux contraintes d’espace des robots mobiles, les IMU ADI sont conçues dans des facteurs forme compacts. Cela permet une intégration facile dans diverses configurations de robots sans compromettre les performances.
• Facilité d’intégration : la facilité d’intégration avec le système de commande du robot est essentielle pour un fonctionnement sans faille. Les cartes à coupon d’ADI pour les IMU, combinées aux nœuds ROS open-source, facilitent l’intégration pour la construction d’AMR.

Conclusion

Les IMU sont indispensables à la localisation dans les AMR car elles fournissent des estimations d'orientation et un suivi de mouvement et offrent une réponse en temps réel avec des taux de mise à jour élevés pour permettre aux AMR de naviguer dans des environnements dynamiques. Les techniques de fusion de capteurs telles que le filtre de Kalman permettent de combiner d'autres modalités de capteurs pour compenser les limites de chacun. ADI propose une large gamme d'IMU adaptées aux exigences spécifiques de diverses applications de robots mobiles.