नियंत्रण अभियांत्रिकी का प्रारंभिक परिचय: अवस्था प्रेक्षक और रैखिक कलमन फ़िल्टर

रोबोट को आवश्यक स्थिति को सीधे पढ़ना बहुत मुश्किल होता है। एक एनकोडर स्थिति तो बता सकता है, लेकिन वेग नहीं; एक आईएमयू त्वरण और कोणीय दर को पूर्वाग्रह के साथ रिपोर्ट करता है; कैमरा स्थान निर्धारण देर से आता है या गायब हो जाता है। एक स्थिति प्रेक्षक छिपी हुई स्थिति का अनुमान लगाने के लिए एक प्लांट मॉडल और अनुमानित और मापे गए आउटपुट के बीच के अंतर का उपयोग करता है। लीनियर कल्मन फ़िल्टर (केएफ) मानक प्रेक्षक है जो त्रुटि सहप्रसरण रखता है और अनुमानित प्रक्रिया और माप शोर का उपयोग करके यह तय करता है कि अनुमान बनाम माप पर कितना भरोसा किया जाए।

मुख्य विचार "औसत सेंसर" नहीं है। यह बताना है कि एक डेटा किस भौतिक समय का प्रतिनिधित्व करता है, कौन सा त्रुटि मॉडल माना जाता है, और सेंसर के असहमत होने पर क्या होता है। एक अनुमानक जो पूरी तरह से गलत है, पीआईडी, एलक्यूआर और एमपीसी को गलत दिशा में ले जाता है। ROS 2 समय और निष्पादन सीमाओं के लिए, ROS 2 प्राइमर पढ़ें; व्यापक सेंसर एकीकरण के लिए, सेंसर फ़्यूज़न प्राइमर पढ़ें।

व्यावहारिक निष्कर्ष

• एक प्रेक्षक मॉडल पूर्वानुमान और नवाचार से \hat{x} को अपडेट करता है। केवल एक बेहतर फ़िल्टर का चयन करके किसी अदृश्य स्थिति का विशिष्ट पुनर्निर्माण नहीं किया जा सकता है।

• KF, स्टेट-त्रुटि सहप्रसरण P को वहन करता है और कल्मन लाभ K की गणना करने के लिए प्रक्रिया सहप्रसरण Q और माप सहप्रसरण R का उपयोग करता है।

• Q,R मॉडल और सेंसर त्रुटियों के बारे में मान्यताएँ हैं, न कि मनमानी "सटीकता मापक"। नवाचार, सहप्रसरण, टाइमस्टैम्प और त्रुटि डेटा के साथ इनकी पुष्टि करें।

• यदि कोई अनुमान पुराना है, सहप्रसरण अत्यधिक है, नवाचार असामान्य है, या रूपांतरण विफल हो जाते हैं, तो खतरे के अनुसार गति को नियंत्रित करने और कम करने या रोकने के लिए एक निम्नीकृत स्थिति को आगे बढ़ाएँ।

स्टेट-स्पेस ऑब्जर्वर और ऑब्जर्वेबिलिटी

एक असतत रैखिक प्रणाली के लिए,

x वास्तविक स्थिति है, u ज्ञात इनपुट है, z माप है, w प्रक्रिया विक्षोभ है, और v माप शोर है। एक ल्यूएनबर्गर ऑब्जर्वर का स्वरूप इस प्रकार है:

अंतिम पद नवाचार है। उच्च ऑब्जर्वर लाभ L माप का शीघ्रता से अनुसरण करता है लेकिन अधिक शोर संचारित करता है; कम L मॉडल पर अधिक समय तक भरोसा करता है लेकिन विक्षोभों को धीरे-धीरे ठीक करता है।

आरेख: डस्ककॉइल, मापन के बजाय अवधारणात्मक। अनुमान और सहप्रसरण आंतरिक मॉडल मात्राएँ हैं, प्रत्यक्ष सेंसर अवलोकन नहीं।

आदर्श रैखिक स्थिति में प्रत्येक अवस्था का पुनर्निर्माण करने के लिए अवलोकनशीलता मैट्रिक्स \mathcal O=[C^T,(CA)^T,\ldots]^T का पूर्ण रैंक होना आवश्यक है। एक डबल इंटीग्रेटर के केवल स्थिति-आधारित मापन से वेग को समय इतिहास के माध्यम से अवलोकनीय बनाया जा सकता है, लेकिन नमूना दर, परिमाणीकरण, विलंब और ड्रॉपआउट यह निर्धारित करते हैं कि परिणामी अनुमान उपयोगी है या नहीं। "अवलोकनीय" अधिकतम विलंबता और सटीकता आवश्यकता का विकल्प नहीं है।

कल्मन भविष्यवाणी और अद्यतन

शून्य-माध्य श्वेत गाऊसीयन w\sim\mathcal N(0,Q) और v\sim\mathcal N(0,R) मानते हुए, पूर्व है

P अनुमान त्रुटि की अनिश्चितता है, न कि यह केवल अवस्था का विचरण है। माप में रुकावट के दौरान, मॉडल प्रसार सामान्यतः P^- को Q के माध्यम से बढ़ाता है।

आने वाले माप के लिए, नवाचार \nu_k=z_k-C\hat{x}_k^- और इसके सहप्रसरण की गणना करें।

फिर इसे अपडेट करें:

परिमित परिशुद्धता P की समरूपता या धनात्मक अर्ध-निश्चितता को नुकसान पहुंचा सकती है। जोसेफ रूप, P^+=(I-KC)P^-(I-KC)^T+KRK^T, को अक्सर प्राथमिकता दी जाती है; गुणनखंडित रैखिक प्रणालियों को हल करना, स्पष्ट रूप से व्युत्क्रम बनाने की तुलना में अक्सर अधिक सुरक्षित होता है। प्रत्येक अपडेट के बाद सहप्रसरण मैट्रिक्स P की जाँच की जानी चाहिए।

Q और R का चयन

R को वास्तविक कंपन, तापमान, प्रकाश, रेंज, पैकेट-पुनः प्रयास और परिमाणीकरण में मापी गई त्रुटि को प्रतिबिंबित करना चाहिए। स्थितियाँ—केवल कैटलॉग सटीकता संख्या नहीं। Q यह दर्शाता है कि मॉडल एक अवधि में कितना गलत हो सकता है: अज्ञात त्वरण, पूर्वाग्रह यादृच्छिक चाल, पेलोड परिवर्तन, या अनमॉडल गतिकी। छोटा Q मॉडल पर अत्यधिक भरोसा दर्शाता है; अत्यधिक Q शोरगुल वाले माप का अनुसरण करता है।

संख्यात्मक उदाहरण: स्थिति मापों से वेग का अनुमान लगाना

एक आयामी स्थिर-वेग अवस्था x=[p\ v]^T के लिए, जिसका नमूना अवधि T है,

केवल स्थिति का मापन किया जाता है। एक ठोस इकाई रहित अद्यतन के रूप में, मान लीजिए T=1, \hat{x}^-=[0\ 0]^T, P^-=[[2,1],[1,1]], z=1, R=1 और C=[1\ 0] हैं। तब S=3, K=[2/3\ 1/3]^T और \hat{x}^+=[2/3\ 1/3]^T; पश्चवर्ती सहप्रसरण P^+=(I-KC)P^-=[[2/3,1/3],[1/3,2/3]] है। यह एक अपडेट को दर्शाता है और सेंसर की सटीकता का दावा नहीं है। एक बड़ा प्रारंभिक P_{vv} वेग के बारे में अनिश्चितता को व्यक्त करता है। बार-बार स्थिति में होने वाले बदलाव अनुमानित वेग \hat v का संकेत देते हैं; ड्रॉपआउट पूर्वानुमान को चालू रखता है लेकिन इसकी अनिश्चितता को बढ़ाता है। वेग की आवश्यकता वाले नियंत्रक को P_{vv}, माप की आयु और अवशिष्ट स्थिति की जाँच करनी चाहिए, और फिर परिभाषित सीमा से अधिक होने पर गति धीमी करनी चाहिए या रोक देनी चाहिए।

IMU जोड़ने से अल्पकालिक त्वरण को ट्रैक करने में मदद मिलती है, लेकिन स्थिति से पूर्वाग्रह को हटाने से एकीकरण त्रुटि जमा हो जाती है। कैमरा या LiDAR अवलोकन निरपेक्ष स्थिति को सीमित कर सकते हैं जब वे किसी ज्ञात मानचित्र, मार्कर या अन्य संदर्भ से जुड़े हों; केवल सापेक्ष ट्रैकिंग वैश्विक स्थिति की गारंटी नहीं देती है। GNSS उपग्रह दृश्यता, मल्टीपाथ, अपडेट दर, विलंबता और फ्रेम द्वारा भी प्रभावित होता है। संरेखण। गैर-रेखीय अभिवृत्ति या परास प्रेक्षणों के लिए, EKF या UKF का उपयोग किया जा सकता है, लेकिन रेखीय KF में Q,R, माप सहप्रसरण R, समय, आउटलायर्स और प्रेक्षणीयता से संबंधित चिंताएँ बनी रहती हैं।

सामान्यीकृत नवाचार वर्ग \nu^TS^{-1}\nu अनुमानित वितरण के साथ असंगत माप का पता लगाने में मदद करता है। एक बड़ा मान आउटलायर, गलत फ्रेम, टाइमस्टैम्प त्रुटि, सेंसर दोष या मॉडल बेमेल का संकेत दे सकता है। डेटा को गेट करना त्रुटियों को छिपाने का साधन नहीं है: इसका उपयोग निदान और एक सुरक्षित निम्नीकृत मोड के लिए किया जाना चाहिए।

Representative IMU/INS

प्रतिनिधि गहराई कैमरा

चित्र: Xsens MTi-G (Kallap85, CC BY-SA 4.0) और Intel RealSense D435 (Marc Auledas, CC BY-SA 4.0), विकिमीडिया कॉमन्स। ये प्रतिनिधि सेंसर हैं, मापे गए साक्ष्य या अनुशंसित संयुक्त प्रणाली नहीं।

PID, LQR और MPC प्रदान करना

PID कच्चे फ़िल्टर किए गए फ़ीडबैक का उपयोग कर सकता है, लेकिन इसके व्युत्पन्न पद और एक आंतरिक वेग लूप को अक्सर अनुमान से लाभ होता है। LQR बहुअवस्था मानता है। पृथक्करण सिद्धांत की शर्तों के तहत, एक LQR लाभ और कल्मन अनुमानक एक LQG आर्किटेक्चर बनाते हैं। संतृप्ति, विलंब और अरैखिकता अभी भी वास्तविक दुनिया की मजबूती को नष्ट कर सकते हैं। MPC समय पर प्रारंभिक स्थिति और विक्षोभ अनुमान पर भी निर्भर करता है; पुराने अनुमान या गलत रूप से कम सहप्रसरण से अनुकूलन करने से गलत दुनिया के लिए एक परिष्कृत योजना बनती है।

स्थानीय बहु-अवस्था स्थिरीकरण | LQR/LQG | सिंक्रनाइज़्ड और वैधता | बढ़ते सहप्रसरण पर अत्यधिक भरोसा न करें |

बाधित पथ/आवंटन | MPC | स्थिति, विलंब, विक्षोभ, विश्वास | पुरानी स्थिति/सॉल्वर त्रुटि पर धीमा करें या रोकें |

रोबोट समय और दोष-मुक्त संचालन

में ROS 2 में, मापन समय और संदेश आगमन समय में अंतर स्पष्ट करें। विलंबित कैमरा डेटा को वर्तमान डेटा मानकर वर्तमान स्थिति को अपडेट करने से रोबोट अपने अतीत की ओर खिंच जाता है। एक नीति चुनें और उसे दस्तावेज़ में दर्ज करें: इतिहास को रिवाइंड/पुनः प्रसारित करना, विलंबित डेटा को अस्वीकार करना, या निम्न-स्तरीय ओडोमेट्री को धीमी गति से होने वाले मानचित्र सुधारों से अलग करना। ROS 2 प्राइमर और सेंसर फ़्यूज़न प्राइमर में वर्णित ROS 2 परिवहन और निर्देशांक रूपांतरण फ़िल्टर समीकरणों के बाहर की पूर्वशर्तें हैं।

टाइमआउट, सहप्रसरण सीमा, बार-बार होने वाली इनोवेशन-गेट विफलताओं, विचलन पूर्वाग्रह, अनुपलब्ध रूपांतरणों और समय सीमा में देरी की निगरानी करें। यदि सभी माप गायब हो जाते हैं, तो केवल पूर्वानुमान के आधार पर अनिश्चित काल तक न चलाएँ। अनुप्रयोग के आधार पर गति सीमा, स्टॉप, अतिरेक या ऑपरेटर हैंडऑफ़ का चयन करें। एस्टीमेटर रीसेट स्थिति बदल सकता है, इसलिए नियंत्रक संदर्भों, अभिन्न स्थितियों और आउटपुट को बम्पलेस होना चाहिए। हैंडलिंग।

कार्यान्वयन चेकलिस्ट

1. स्थिति, माप, इनपुट, फ्रेम, माप समय और प्राप्ति समय को परिभाषित करें।

2. प्रत्येक स्थिति के लिए अवलोकनशीलता, आवश्यक सटीकता और अधिकतम विलंबता का परिमाण निर्धारित करें।

3. विनिर्देशों, डेटा और परीक्षणों से Q,R,P_0 के लिए साक्ष्य रिकॉर्ड करें।

4. P की समरूपता/निश्चितता, नवाचार, गेट्स और टाइमआउट की निगरानी करें।

5. ड्रॉपआउट, आउटलायर, रिलोकेलाइजेशन और बायस-परिवर्तन मामलों को शामिल करें।

6. यह परिभाषित करें कि अनुमान की गुणवत्ता कम होने पर PID/LQR/MPC क्या प्राप्त करता है और स्वतंत्र सुरक्षा कार्रवाई को सत्यापित करें।

संदर्भ

• कलमन, 1960: रैखिक फ़िल्टरिंग और भविष्यवाणी समस्याओं के लिए एक नया दृष्टिकोण
• एमआईटी अंडरएक्टुएटेड रोबोटिक्स: LQR
• [ROS 2 प्राइमर, सेंसर फ़्यूज़न प्राइमर