今天，我們將詳細(xì)介紹我們所做的測試，向您展示這個話題的深度。和我一起深入了解，好嗎？

對于新讀者，我想快速回顧幾個概念。如果您是這方面的行家，請直接跳到測試機(jī)器人航位推算的性能。

?

機(jī)器人航位推算的快速回顧

什么是機(jī)器人航位推算？

通過融合來自多個傳感器的數(shù)據(jù)，航位推算可以利用隨時間推移測得的速度值和方向信息來估計(jì)機(jī)器人所在的位置。就像人類一樣，機(jī)器人可能不知道自己的確切位置，但它有很強(qiáng)的估計(jì)能力。這種能力也被稱為里程計(jì)。

使用了什么傳感器？

機(jī)器人航位推算算法通常使用車輪編碼器、IMU 和光流傳感器（就像您鼠標(biāo)里的那個一樣）。在機(jī)器人上使用的一些光流傳感器有 LED 光源和激光光源，前者適合在粗糙表面上工作，后者則更適合光滑表面。此外，機(jī)器人里程計(jì)也可以單獨(dú)使用 IMU 和上述兩種傳感器之一來推算位置。

為什么這很有幫助？

一些機(jī)器人使用基于攝像頭或激光雷達(dá)的同步定位和測繪 (SLAM) 算法來確定它們的位置，而且更整潔。機(jī)器人航位推算提供了該算法不可或缺的速度值和方向信息。另一些機(jī)器人不需要構(gòu)建持續(xù)的測繪圖（它們只需要在完成工作后返回原點(diǎn)），它們可能只需要進(jìn)行航位推算就可以確定位置。

備注：這是摘自 CliffNotes/SparkNotes 的基礎(chǔ)知識，幫助讀者理解這篇文章的其余部分。但如果您想了解更多關(guān)于機(jī)器人航位推算傳感器的信息，請參閱這篇博文。

?

測試機(jī)器人里程計(jì)的性能

收集數(shù)據(jù)

我保證會深入研究這個話題，但首先我們得從如何測試算法開始。我們之前在基于國際規(guī)范的模擬居家環(huán)境中收集了數(shù)據(jù)。但是，為了記錄更多與航位推算精度直接相關(guān)的測試數(shù)據(jù)，我們在一個更簡單、更小環(huán)境中對更多的方向變化進(jìn)行了測試。這些更頻繁的變化被整合到以下驅(qū)動算法中：

1. 以 0.3 米/秒的速度向前行駛，直到撞墻

2. 停止 0.1 秒

3. 以 0.2 米/秒的速度后退 0.5 秒

4. 以 0.6 弧度/秒隨機(jī)旋轉(zhuǎn) 45° 至 180°

   甲、該旋轉(zhuǎn)方向以使機(jī)器人的航向在其原始航向 720° 內(nèi)為依據(jù)

5. 每行駛 60 秒，靜止 5 秒

我們的測試對象是來自享譽(yù)全球的消費(fèi)級機(jī)器人制造商的機(jī)器人開發(fā)平臺。我們可以借助一個強(qiáng)有力的比較點(diǎn)，比較行業(yè)中佼佼者的發(fā)展水平。除了原始數(shù)據(jù)和來自我們自己研發(fā)的 MotionEngine 模塊的輸出值外，這個測試機(jī)器人還有自己的里程計(jì)算法輸出值，我們也記錄了這些數(shù)據(jù)。

除這兩組數(shù)據(jù)外，我們還需要實(shí)況測量值。為此，我們安裝了紅外攝像頭來覆蓋整個測試空間，跟蹤機(jī)器人的位置。這些攝像頭的數(shù)據(jù)被用作實(shí)況值。這些攝像頭可以用于各種高精度、低延遲的項(xiàng)目，包括這個自動瞄準(zhǔn)弓。

我們在測試中想要調(diào)整的最后一個變量是不同類型的表面。在這些測試中，我們讓機(jī)器人在硬木、短絨地毯、長絨地毯、人造瓷磚和這些表面的組合上運(yùn)行。這些表面會產(chǎn)生與其相關(guān)的傳感器誤差，我們將在后面詳細(xì)講述這一點(diǎn)。

現(xiàn)在我們已經(jīng)收集了測試數(shù)據(jù)，有了用于比較的實(shí)況值，以及在其上運(yùn)行機(jī)器人的許多不同的測試表面，我們需要的最后一個要素是用來確定精度的度量。當(dāng)我們在衡量定位性能時，比較基于開始位置和結(jié)束位置的誤差非常有用。這種軌跡誤差可以細(xì)分為多種類型。

絕對誤差就是機(jī)器人認(rèn)為它所在的位置和它真正所在的位置之間的差值。這很容易理解，但是任何時間點(diǎn)的絕對誤差取決于之前所有時間點(diǎn)的航向和距離誤差的歷史記錄，因此很難普及這個度量。

對于相對誤差，我們會將在測量周期開始時匹配的位置歸零，以消除先前距離誤差的影響。重定向相對誤差也會消除先前航向誤差的影響。最后這個度量可以通過試驗(yàn)中許多大小固定的窗口計(jì)算，為我們提供每單位距離的誤差增長率的連續(xù)視圖。

重定向相對誤差不如絕對誤差直觀，但更適用于處理家用機(jī)器人用例中行駛模式和任務(wù)持續(xù)時間的變化。

為了全面了解誤差是如何在整個試驗(yàn)過程中增加的，我們計(jì)算了基于設(shè)定的移動距離（1 米）滑動數(shù)據(jù)窗口期間的重定向相對誤差。換言之，我們計(jì)算在每行駛 1 米的距離窗口（為每個數(shù)據(jù)點(diǎn)滑動 1 厘米的窗口）期間算法的相對誤差。

這個曲線圖顯示了在 CDF（累積分布函數(shù)）中使用的每個平面和算法對應(yīng)的這些誤差值的分布，如上面的例子所示。查看曲線圖（左邊的線更好），我們可以很容易地將中值性能與最壞情況或其他百分比進(jìn)行比較，并確定異常值。從這里您可以看到，在所有表面上，使用典型初始校準(zhǔn)的動態(tài)校準(zhǔn)模型始終比該開發(fā)平臺具有更好的性能。

?

優(yōu)化機(jī)器人里程計(jì)的性能

這些校準(zhǔn)模型意味著什么？為什么校準(zhǔn)傳感器很重要？

親愛的讀者，讓我們從更高層次的問題開始。校準(zhǔn)傳感器非常重要，因?yàn)榧词箓鞲衅鞯馁|(zhì)量控制在數(shù)據(jù)表上列出的特定規(guī)格內(nèi)，但是每個傳感器都是不同的。這就是動態(tài)校準(zhǔn)發(fā)揮作用的地方。簡而言之，每個傳感器的行為差異足以影響整體精度，根據(jù)這些差異進(jìn)行調(diào)整可以充分提高性能。

正如您可能已經(jīng)猜到的那樣，靜態(tài)校準(zhǔn)模型使用初始校準(zhǔn)，并一直使用它。但是，動態(tài)校準(zhǔn)模型使用 IMU 和車輪測量值來調(diào)整光流傳感器的輸出。這可以隨時間推移保持精度不變，無論溫度、車輪打滑率、表面反射、表面柔軟度等等如何變化。

我們在不同類型的地板上進(jìn)行了測試，因?yàn)楣饬鱾鞲衅骱蛙囕啎鶕?jù)它們行駛的表面做出不同的反應(yīng)。車輪會在表面上打滑，車輪編碼器將給出不準(zhǔn)確的讀數(shù)。光流傳感器在某些表面上工作比在其他表面上表現(xiàn)更好，通過仔細(xì)校準(zhǔn)可以提高其精度。使用傳感器的方式也很重要。機(jī)器人使用的領(lǐng)先光流傳感器包括 LED 模式（照亮地板紋理進(jìn)行跟蹤）和激光模式（誘導(dǎo)可跟蹤的“散斑圖”）。確定何時切換模式，何時保留現(xiàn)有模式，這對于獲得卓越的性能至關(guān)重要。

在各種地板表面上進(jìn)行細(xì)致而詳盡的測試后（見上面的 gif），我們確定了每種光流光模式的典型校準(zhǔn)值。每一種傳感器的比例都需要根據(jù)地板類型進(jìn)行調(diào)整。通過動態(tài)校準(zhǔn)，IMU 數(shù)據(jù)可以幫助在運(yùn)行過程中實(shí)時調(diào)整初始校準(zhǔn)。

我們分析中使用的調(diào)諧校準(zhǔn)方法反映了校準(zhǔn)精度的上限。計(jì)算方法是通過我們的算法離線傳送原始傳感器數(shù)據(jù)，然后調(diào)整光流傳感器的比例，使誤差盡可能接近于 0。

我們的分析結(jié)果表明，在各種表面上使用最實(shí)際可行的機(jī)器人校準(zhǔn)模式（動態(tài)，典型）進(jìn)行測試時，我們比市場領(lǐng)先企業(yè)的精度高出 22% 以上。

這篇博文旨在強(qiáng)調(diào)我們的測試和分析能力，并希望吸引您深入了解更多細(xì)節(jié)。如果您感興趣，請掃描下方二維碼聯(lián)系我們，了解更多關(guān)于 MotionEngine Scout 可以為您的機(jī)器人項(xiàng)目帶來哪些益處，并關(guān)注即將發(fā)布的白皮書，其中詳細(xì)介紹了我們的測試和分析的更多細(xì)節(jié)。