惯性测量单元 (IMU) 通过提供关键的运动数据，已成为机器人精确定位的重要组成部分。它们集成了加速度计、陀螺仪和磁力计，通过提供实时响应，使机器人能够准确地确定其方向、位置和运动，从而使它们能够在动态变化的环境中导航。本文探讨了 ADI 的 IMU 传感器对于机器人定位的意义并概述了其主要优势。
前言
自主移动机器人 (AMR) 对于未来的智能工厂和仓储至关重要，在塑造未来自动化、可持续和清洁的工厂方面发挥着关键作用。AMR 可提高效率、减少浪费并优化工业环境中的利用率。虽然未来的工厂可能专门为 AMR 而建造和优化，但让这些机器人适应现有的仓库和工厂仍面临挑战。AMR 面临的主要障碍涉及两个关键组成部分：高效的路径规划（确定最佳路径）和精确的定位（不断更新其在环境中的位置）。
本文的重点是在 GPS 否认的封闭环境中进行室内导航。AMR 利用一系列传感器和算法进行定位和导航。这些包括摄像头、激光雷达和雷达等视觉传感器，以及车轮编码器和 IMU 等里程计传感器。每种传感器模式在范围、准确性和传感信息方面都有其独特的优势。这些传感器的组合可确保在动态环境中为有效的机器人定位提供全面的数据。虽然传感器阵列对于完全自动驾驶必不可少，但本文重点介绍了 AMR 运行的用例和具有挑战性的环境，以及 IMU 如何帮助实现精确定位，这对于导航和自动驾驶至关重要。
什么是 IMU？
IMU 是由微机电系统 (MEMS) 器件制成的微型设备。它们通常由以下元素组成：
- 三轴加速度计：加速度计测量相对于地球重力场的加速度。在 IMU 中，三轴加速度计用于测量 x、y 和 z 轴（见图 1）。
图 1. x、y 和 z 轴上的加速度测量。
- 三轴陀螺仪：陀螺仪测量三个轴上的旋转速率并提供角速度。三轴陀螺仪可以测量机器人沿 x、y 和 z 轴的角速度（ωx、 ωy、 ωz）（见图 2）。
图 2. x、y 和 z 轴上的陀螺仪测量值。
- 高性能磁力计：可提供磁场测量，这对于在具有挑战性的环境中进行精确定位至关重要。尽管磁力计并不流行，但一些传统的 IMU 也配备了磁力计。
- 其他：温度传感器用于补偿温度变化，气压计用于测量压力。
IMU 功能框图
- 典型的 IMU 不仅包括陀螺仪、加速度计和温度传感器，还包括模数转换以提取测量值和温度补偿（见图 3）。
图 3. IMU 的典型功能模块。
- IMU 采用板载初步滤波算法，如板载 FIR（有限脉冲响应）。
- 校准和补偿可纠正任何错位或传感器偏差。
- 用户可以选择在传输最终数据之前从 IMU 模块内部轴旋转（dƟ）以匹配机器人的参考系。
为何 IMU 对 AMR 有益？
- 具有高更新率的实时定位：自主性和实时导航是机器人操作环境中的关键要素。然而，感知传感器通常以受限的更新率运行，范围约为 10 Hz 至 30 Hz。相比之下，IMU 能够提供高达 200 Hz 的高保真位置输出。更高的更新率显著提高了系统在动态环境中快速适应方向快速变化的可靠性，从而有助于快速响应。加快的更新速率还使 AMR 能够在其他测量之间的短暂间隔内提供估计姿势。因此，IMU 在实现实时定位方面发挥着举足轻重的作用，其更新速率比感知传感器快 10 倍。
- 航位推算：IMU 是航位推算的支柱，航位推算是一种根据先前已知的位置估计当前位置的导航技术。IMU 可随着时间不断提供位置、方向和速度数据，从而实现精确估算，有助于 AMR 的可靠导航。
- 紧凑的尺寸和重量：IMU 的紧凑尺寸和轻量化设计使其非常适合集成到各种移动机器人配置中。例如，Analog Devices 的 ADIS16500 的占用空间仅为 33.25 毫米 × 30.75 毫米，可确保高效放置，同时不会影响机器人的机动性。
- 在不同环境下的稳健性：IMU 具有相对的抗电磁干扰能力，可以在各种环境中运行，包括室外和室内环境。这使得它们适合广泛的应用。
- 通过加快更新速率提高可靠性：感知传感器的更新速率通常限制在 ~10 Hz 至 30 Hz 之间，而 IMU 可提供高达 4 kHz 原始数据的高保真位置输出，因而脱颖而出。这种更高的更新率提高了可靠性，尤其是在动态环境中，使 AMR 能够快速响应，并在这些其他测量之间的短时间内帮助估计姿势。
尽管有视觉传感器，为什么 IMU 对 AMR 仍然必不可少
如图 4 所示，AMR 通常具有各种视觉传感器，如飞行时间 (ToF)、摄像头、激光雷达等。尽管视觉里程测量提供了丰富的数据集，但仍有必要使用 IMU。以下场景探讨了其中的一些原因：
图 4. AMR 的传感器堆栈。
- AMR 在特征稀疏的走廊中导航：同步定位和地图绘制 (SLAM) 算法本质上通过匹配观察到的传感器数据来运行，这些数据存储在地图中以在地图内进行定位。当 AMR 穿越长走廊时（见图 5），它必然会很快迷失位置。由于缺乏明显的特征，如具有统一颜色、纹理或反射率的直墙，SLAM 难以精确定位。在这种情况下，IMU 通过提供航向和方位信息充当了重要的制导系统。
图 5.AMR 在毫无特征的走廊中失去视觉里程计。
- 在广阔的开放环境中导航：范围限制：在大型开放空间（例如 50 米 × 50 米）中工作时，AMR 很难定位，因为独特的特征超出了传感器的探测范围（激光雷达的最大探测距离通常在 10 米至 15 米左右）。如图 6 所示，由于空间过大，AMR 的里程计功能已经丢失。此外，仓库通常具有统一的特征，因此视觉传感器也很难进行定位。在这种情况下，IMU 和车轮编码器是精确局部定位的唯一可靠来源。
图 6. 传感器的视野 (FoV) 有限，AMR 无法在宽阔的开放空间内定位。
- 在斜坡上导航：在斜坡上进行导航时，传统的 SLAM 算法在依赖激光雷达时会遇到挑战，因为二维点数据不会显示梯度信息。因此，斜坡会被误认为是墙壁或障碍物，从而导致地图成本增加。因此，使用二维系统的传统 SLAM 方法在斜坡上变得无效。IMU 通过提取坡度信息（图 7）来帮助解决这一难题，从而有效地在斜坡上进行导航。
图 7. 在斜坡上移动的 AMR。
- 导航时的环境因素：对环境因素的敏感性：激光雷达传感器对各种环境因素都很敏感，如环境光、灰尘、雾和雨。这些因素会降低传感器数据的质量，进而影响 SLAM 算法的性能。类似地，其他传感器模式也会受到反射表面和动态移动物体（其他 AMR 或工人）的影响，从而进一步混淆 SLAM。表 1 总结了环境如何影响不同的传感器模式。IMU 可以在各种环境中可靠运行，因此是移动机器人的多功能选择。
| 传感器模式 | 受光线不足影响 | 受动态移动装置影响 | 受反射表面影响 | 依赖丰富的场景几何 |
| 标准 RGB 相机 | 是 | 是 | 否 | 否 |
| 飞行时间 | 否 | 是 | 是 | 是 |
| 激光雷达 | 否 | 是 | 是 | 是 |
| 雷达 | 否 | 是 | 是 | 是 |
| 轮迹测量 | 否 | 否 | 否 | 否 |
| 惯性测量单元 | 否 | 否 | 否 | 否 |
表 1. 用于定位的各种传感器模式的姿态和方位估计
然而，没有传感器是完美的！
尽管 IMU 具有诸多优势，但也存在风险并带来挑战：
- 噪声：IMU 测量受噪声影响，会降低机器人导航和控制的精度。为了补偿噪声，IMU 通常采用先进的滤波技术，例如卡尔曼滤波或 FIR。
- 偏差：IMU 传感器会随着时间的推移积累偏差，这会导致方向和运动估计出现错误。为了解决这个问题，偏差估计算法用于不断更新 IMU 传感器读数。
- 非线性：IMU 传感器表现出非线性行为，这会进一步使数据处理和解释复杂化。为了补偿非线性，需要对其进行校准以表征传感器的行为并应用适当的校正。
- 随机游动：IMU 易受外部热机械事件的影响，导致 ARW（角度随机游动（陀螺仪中））和 VRW（速度随机游动（加速度计中））出现误差。
我们如何减轻这些风险？答案是传感器融合！
传感器融合有何帮助？
- 提高可靠性。
- 提高数据质量。
- 更好地估计未测量的状态。
- 增加覆盖范围从而确保安全。
传感器融合算法的重要性：
- 扩展卡尔曼滤波等状态估计技术可纠正常规 AMR 运行过程中的噪声、ARW 和偏置不稳定性误差。
- 俯仰和滚动陀螺仪误差可通过测量地球重力加速度在 IMU 内消除。
- 该算法可跟踪和纠正偏差漂移，并纠正 ARW 误差。
扩展卡尔曼滤波器 (EKF)：
- 即使在建模系统的精确性质未知的情况下，也能支持对过去、现在和未来状态的估计。图 8 显示了简化的 EKF 算法。
- 对包含高斯白噪声或其他不准确因素的一段时间内的测量进行观测，并通过以下方法估计测量的真实值
- 同步传感器之间的测量
- 预测姿势和误差估计
- 估计和更新预测值的不确定性
图 8. EKF 算法（简化）。
- 传感器融合：
- 在典型的基于机器人操作系统 (ROS) 的系统中，视觉传感器、IMU 和轮子里程计（图 9）通过基于 ROS 的开源软件包“robot_localization”3 进行融合，该软件包的核心是 EKF 算法。该套件可以融合无限数量的传感器和各种传感器输入，如 IMU、车轮速度和里程表。机器人定位提供的姿势输出包括机器人位置和方向的三维估计值，以及线性/角速度和加速度，并将其输入 SLAM 算法。姿势输出用以下方式表示：
- 姿态状态=（X，Y，Z，滚动，俯仰，偏航，X，Y，Z，滚动，俯仰，偏航，X，Y，Z）。
图 9.使用 ROS 的典型传感器融合系统。
使用 ADI IMU 如何帮助解决这些挑战？
Analog Devices 为包括移动机器人在内的各种应用提供多种 IMU。提供的独特价值主张如下：
- 内置校准：ADI IMU 具有完全出厂校准的加速度计和陀螺仪，可处理灵敏度、偏置、对齐、线性加速度陀螺仪偏置和加速度计等参数。内置的动态偏移校正可补偿电源电压、温度和磁场干扰的变化，同时还具有降噪功能。4 这大大缩短了系统集成时间，降低了购置成本，简化了工业应用中各种条件下精确传感器测量的整体实施过程。
- 低噪声、高带宽模数转换器 (ADC)：以高精度和高带宽捕获传感器数据，确保可靠、灵敏的运行。
- 高精度：ADI IMU 提供精确的方向、运动和速度测量，使机器人能够做出明智的决策并精确地导航周围环境。
- 低功耗：移动机器人通常依靠电池供电，因此低功耗对于扩大其运行范围至关重要。ADI IMU 效率高，可最大程度降低功耗并最大程度延长电池寿命。
- 体积小巧：为了适应移动机器人有限的空间限制，ADI IMU 采用了紧凑型设计。这使得它可以轻松集成到各种机器人配置中，而不会影响性能。
- 易于集成：与机器人控制系统轻松集成对于无缝操作至关重要。ADI IMU 耦合板与开源 ROS 节点相结合，可轻松集成 AMR。
结论
IMU 是 AMR 定位的必备要素，因为它们提供方向估计和运动跟踪，并以高更新率提供实时响应，从而允许 AMR 在动态环境中导航。Kalman 滤波器等传感器融合技术允许结合其他传感器模式来弥补彼此的局限性。ADI 提供各种 IMU 以满足各种移动机器人应用的特定要求。