Can we stabilize an inverted pendulum with feedback from a time-of-flight camera?

Sintesi Tecnica: Stabilizzazione di un Pendolo Inverso con Feedback da Fotocamera Time-of-Flight

Definizione del Problema
Le fotocamere Time-of-Flight (ToF) sono ampiamente adottate nella robotica per la loro compattezza, il basso costo e la robustezza alle condizioni di illuminazione, pur essendo generalmente considerate inadatte per un controllo di feedback preciso e ad alta larghezza di banda a causa della bassa risoluzione spaziale, del rumore di profondità e degli errori sistematici (ad esempio, interferenza multipath, motion blur). La questione centrale affrontata in questo lavoro è se un sensore ToF a basso costo e bassa risoluzione possa fornire misurazioni di qualità sufficiente per stabilizzare un sistema dinamico veloce e instabile. Gli autori selezionano il pendolo inverso su carrello (cart-pole) come banco di prova. Questo benchmark canonico è notoriamente difficile da controllare a causa della sua natura non minima fase, del debole smorzamento e della sensibilità alla latenza e al jitter nell'ordine dei millisecondi. La sfida è esacerbata dalla specifica geometria sperimentale: la fotocamera ToF è montata sotto il pendolo, rivolta verso l'alto. Questa prospettiva "avversa" induce ampi angoli di incidenza che peggiorano il bias di profondità e la propagazione multipath, mettendo intenzionalmente alla prova la pipeline di sensing.

Metodologia
Gli autori hanno costruito una piattaforma sperimentale compatta e riproducibile composta da un carrello stampato in 3D guidato da un motore BLDC Maxon tramite un meccanismo a cremagliera, e un pendolo (una penna d'oro) in equilibrio sul carrello. Lo stack di controllo e sensing gira su un Raspberry Pi 5 utilizzando ROS2, introducendo un jitter di elaborazione non trascurabile, che funge da test di stress realistico per l'anello di controllo.

• Pipeline di Sensing: Il sistema si affida esclusivamente a un modulo ArduCam ToF di fascia economica (risoluzione 240 × 180, 30 fps) per il feedback dell'angolo. La posizione lineare e la velocità del carrello sono misurate tramite il sensore ad effetto Hall del motore.
• Elaborazione Visione: Le immagini di profondità grezze vengono pre-elaborate filtrando i pixel fuori intervallo, applicando lo smoothing e la sogliatura binaria per isolare il pendolo. Il sistema adatta due cerchi all'interno del contorno del pendolo (uno per la base, uno per la punta) utilizzando trasformate di distanza euclidea e raffinamento sub-pixel. L'angolo è derivato dall'orientamento del segmento che connette i centri di questi cerchi.
• Stima dello Stato e Controllo: Gli autori impiegano un regolatore Lineare Quadratico Gaussiano (LQG) standard. Un filtro di Kalman fonde le misurazioni rumorose dell'angolo derivate dal ToF con i dati dell'encoder del motore per stimare l'intero vettore di stato (posizione del carrello, velocità del carrello, angolo del pendolo e velocità angolare del pendolo). Le covarianze del rumore per il filtro sono calibrate tramite ottimizzazione bayesiana per minimizzare l'errore quadratico medio (RMSE) rispetto ai dati dell'encoder di ground-truth.
• Identificazione del Sistema: I parametri dinamici chiave (masse, momenti di inerzia, coefficienti di attrito) sono stati identificati utilizzando un approccio a minimi quadrati batch confrontando le traiettorie raccolte con un modello non lineare integrato tramite Runge–Kutta 4.

Risultati Chiave
Il sistema ha ottenuto con successo una stabilizzazione affidabile e precisa del pendolo inverso utilizzando solo la fotocamera ToF per il feedback angolare, senza encoder di alta gamma o sistemi esterni di motion-capture.

• Performance di Stabilizzazione: In 30 prove da 10 secondi ciascuna, il controllore ha mantenuto il pendolo in posizione verticale. L'RMSE medio temporale tra l'angolo del pendolo controllato e l'equilibrio verticale è stato di $1.0 \times 10^{-3}$ rad·s$^{-1}$.
• Accuratezza del Sensore: Le stime dell'angolo grezzo derivate dalla fotocamera ToF hanno mostrato un RMSE di $3.0 \times 10^{-3}$ rad rispetto all'encoder di ground-truth durante le traiettorie controllate. Il rumore stazionario della stima dell'angolo è stato caratterizzato come un rumore gaussiano a media nulla con una deviazione standard di $1.7 \times 10^{-3}$ rad.
• Robustezza: Nonostante la posizione avversa della fotocamera (che induce multipath e motion blur) e il jitter di elaborazione inerente allo stack ROS2/Raspberry Pi, il controllore LQG ha mantenuto la stabilità, dimostrando che il sensore ToF forniva una fedeltà di segnale sufficiente per la regolazione a ciclo chiuso.

Significatività e Rivendicazioni
Il documento presenta uno studio di "prova di esistenza" dimostrando che sensori ToF economici e a bassa risoluzione possono supportare il controllo preciso di sistemi veloci e instabili. Gli autori inquadrano esplicitamente i loro risultati come un limite inferiore conservativo sul potenziale del feedback basato su ToF. Scegliendo una geometria difficile e un controllore standard e non ottimizzato (LQG), dimostrano che anche in condizioni subottimali, i sensori ToF sono validi per compiti ad alte prestazioni.

La significatività risiede nel sfidare l'assunto prevalente secondo cui le fotocamere ToF siano limitate a richieste di controllo da basse a moderate (ad esempio, evitamento ostacoli o servo-controllo grossolano). Gli autori sostengono che, con una progettazione attenta del sistema, i sensori ToF possono sostituire costose infrastrutture di motion-capture o encoder di alta gamma in applicazioni specifiche. Contribuiscono con una piattaforma e un codice open-source per facilitare ulteriori benchmark e ricerche, suggerendo che il lavoro futuro potrebbe esplorare strategie di controllo avanzate (come il Model Predictive Control o controllori robusti) e configurazioni di sensori alternative per spingere ulteriormente i confini delle prestazioni.