A Sliding-Window Filter for Online Continuous-Time Continuum Robot State Estimation
Dieser Beitrag stellt den ersten stochastischen Schiebefenster-Filter für Kontinuumroboter vor, der eine präzise, online durchgeführte Zustandsschätzung in kontinuierlicher Zeit ermöglicht und dabei schneller als Echtzeit arbeitet, wodurch die Einschränkungen bestehender diskreter Approximationen und Offline-Verfahren überwunden werden.
Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Stellen Sie sich einen kontinuierlichen Roboter als eine extrem flexible, schlangenartige Maschine vor. Im Gegensatz zu einem Standard-Roboterarm aus steifen Metallgelenken kann sich dieser Roboter biegen, verdrehen und in fast jede Form krümmen, was es ihm ermöglicht, sich in enge, gefährliche oder empfindliche Räume zu zwängen – etwa in den menschlichen Körper für chirurgische Eingriffe oder durch die Trümmer eines eingestürzten Gebäudes.
Das große Problem bei diesen Robotern ist, dass sie schwer zu verfolgen sind. Da sie sich so stark biegen, ist es schwierig, genau zu wissen, wo sich zu jedem gegebenen Moment jeder Teil der Schlange befindet. Wenn Sie nur basierend auf der Art und Weise raten, wie Sie die Steuerung bewegt haben (offener Regelkreis), werden Sie falsch liegen, da der Roboter möglicherweise gegen etwas stößt oder das Material sich leicht dehnt. Um dies zu beheben, benötigen wir einen „Zustandsschätzer" – ein intelligentes Computerprogramm, das Sensordaten analysiert und die wahre Form des Roboters schätzt.
Die drei Arten, die Form zu schätzen
Die Arbeit vergleicht drei verschiedene Methoden, um diese Schätzungen vorzunehmen:
Der „Echtzeit"-Filter (Der alte Weg):
Stellen Sie sich vor, Sie fahren ein Auto und schauen nur auf die Straße direkt vor Ihrer Stoßstange. Sie treffen eine Entscheidung, fahren vorwärts und schauen dann erneut. Dies ist schnell und geschieht in Echtzeit, aber wenn Sie eine scharfe Kurve nehmen, könnten Sie die Kurve verpassen, weil Sie nicht vorausgeschaut oder an die soeben gemachte Kurve erinnert haben. In der Robotik nennt man dies einen Filter. Er ist schnell, aber oft etwas ungenau, da er die jüngste Vergangenheit vergisst.Der „perfekte" Batch-Löser (Der Offline-Weg):
Stellen Sie sich vor, Sie fahren die gesamte Strecke, halten das Auto an und schauen sich dann eine Videoaufzeichnung der gesamten Fahrt vom Anfang bis zum Ende an. Sie können nun genau sehen, wo Sie zu jeder Sekunde waren, und Ihre Fehler korrigieren. Dies ist unglaublich genau. In der Robotik nennt man dies Batch-Optimierung. Allerdings können Sie dies nicht während der Fahrt tun; Sie müssen warten, bis die Arbeit erledigt ist. Es ist zu langsam, um verwendet zu werden, während sich der Roboter bewegt.Der „gleitende Fenster"-Ansatz (Die neue Lösung):
Dies ist das, was die Autoren entwickelt haben. Stellen Sie sich vor, Sie fahren, aber anstatt nur auf die Stoßstange zu schauen, haben Sie einen Rückspiegel, der die letzten 10 Sekunden Ihrer Fahrt zeigt.- Sie schauen, wo Sie jetzt sind.
- Sie schauen auch, wo Sie vor 1, 2 und 3 Sekunden waren.
- Sie nutzen diese gesamte jüngste Vergangenheit, um eine viel schlauere Schätzung darüber zu treffen, wo Sie sich gerade befinden.
- Während Sie vorwärtsfahren, „gleitet" das „Fenster": Die älteste Sekunde fällt hinten heraus, und eine neue Sekunde wird vorne hinzugefügt.
Diese Methode, genannt Gleitendes-Fenster-Filter (SWF), versucht, das Beste aus beiden Welten zu vereinen: die Geschwindigkeit des „Echtzeit"-Filters und die Genauigkeit des „perfekten" Batch-Lösers.
Was die Arbeit tatsächlich getan hat
Die Forscher haben ein Computerprogramm entwickelt, das wie dieser gleitende Rückspiegel für einen flexiblen Roboter funktioniert. Hier ist, was sie herausfanden:
- Es ist schneller als Echtzeit: Der Computer kann die Form des Roboters schneller berechnen, als sich der Roboter tatsächlich bewegt. Das bedeutet, der Roboter kann diese Informationen sofort zur Selbststeuerung nutzen, ohne „hinterherzuhinken".
- Es ist genauer: Indem es einen winzigen Teil der Vergangenheit betrachtet (etwa 0,1 Sekunden oder einige Videoframes), wurde die Schätzung des Roboters bezüglich seiner Form viel genauer als die alte „Echtzeit"-Methode.
- Es ist fast so gut wie die „perfekte" Methode: Während die „perfekte" Batch-Methode (Betrachtung der gesamten Vergangenheit) etwas besser ist, kommt die neue Gleitfenster-Methode dieser Genauigkeitsstufe sehr nahe und ist dennoch schnell genug, um verwendet zu werden, während der Roboter arbeitet.
- Es geht mit Fehlern um: Sie testeten den Roboter mit Sensoren, die manchmal das Signal verlieren (wie ein GPS, das in einem Tunnel ausfällt). Die Gleitfenster-Methode konnte die Form des Roboters unter Verwendung anderer Sensoren (wie Gyroskopen) weiter verfolgen, bis das Hauptsignal zurückkehrte, während einfachere Methoden größere Schwierigkeiten hatten.
Der Kompromiss
Der einzige „Preis" dieser neuen Methode ist eine winzige Latenz (eine leichte Verzögerung). Da das System einen kleinen Ausschnitt der Vergangenheit betrachtet, um seine beste Schätzung zu treffen, ist die „aktuelle" Position, die es meldet, tatsächlich aus einem Bruchteil einer Sekunde zurück. Die Autoren stellten jedoch fest, dass diese Verzögerung so gering ist (weniger als ein Zehntel Sekunde), dass sie für die meisten praktischen Anwendungen keine Rolle spielt.
Zusammenfassung
Kurz gesagt führt die Arbeit einen neuen „intelligenten Rückspiegel" für flexible Roboter ein. Sie ermöglicht es dem Roboter, in Echtzeit mit hoher Genauigkeit genau zu wissen, in welcher Form er sich befindet, indem er kurz in seine eigene jüngste Vergangenheit blickt. Dies macht es möglich, diese kniffligen, schlangenartigen Roboter in der realen Welt sicherer und präziser zu steuern.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.