Sensoren () Definition Unter Sensoren versteht man Komponenten, in denen eine physikalische oder chemische Veränderung in ein geeignetes Nutzsignal erfasst oder gemessen wird.
Sensoren () Sensorinformationen Sensoren liefern die Informationen, die für die Steuerungsalgorithmen notwendig sind, z.b. üer die Umgeung des Rooters Sensoren liefern Informationen (Signale) üer physikalische Größen, diese einhalten keine astrakten Informationen, z.b. üer die Umgeung Sensorsignale müssen in eine digitale Repräsentation üerführt werden Sensorinformationen werden zur Verareitung agetastet, daei muss der Signalandreite eachtet werden durch Interpretation der Sensorinformationen lassen sich astrakte Informationen gewinnen (z.b. Analyse des zeitlichen Verlaufs, Zusammenfassung verschiedener Sensorinformationen) ageleitete Sensorinformationen können als Sensoren aufgefasst werden (virtuelle Sensoren)
Sensoren (3) Hierarchie von Sensorrückführungsschleifen in einer Rootersteuerung
Sensoren (4) Klassifikation von Sensoren nach physikalischen Wirkprinzipien
Sensoren (5) Klassifikation für moile Rooter nach dem Entfernungsmodell Klassifikation Messgrößen Sensoren Entfernung Erfassungszeitpunkt Externe Sensoren Interne Sensoren fern nah taktil Rooter Merkmale, Fare, Konturen Entfernung, Existenz von Ojekten Externe Kräfte, Kollision Interne Kräfte + Momente Gelenkwinkel, Gelenkgeschwindigkeit, Neigung Kamera, Laser Radar Stereo-Kamera, Infrarot, Ultraschall, Kapazität Dehnmessstreifen, Bumper Dehnmessstreifen Potentiometer, Inkrementalsensoren, Neigungssensoren
Sensoren (6) Beispiele für Sensoren am Rooter Kamerasystem Ultraschallsensor Infrarotsensor Kraftsensoren Taktiler Bereich Nahereich Fernereich
Sensoren (7) Sensoren zur Positionsestimmung Relative Positionsestimmung Odometrie Inertialnavigation Asolute Positionsestimmung Leuchtfeuer (Active eacons) Künstliche Landmarken (Artificial landmark recognition) natürliche Landmarken (Natural landmark recognition) Modellvergleich (Model matching, SLAM)
Sensoren (8) Positionsestimmung mittels Laserscanner Lokalisation durch Vergleich mit Referenzkarten Referenzkarten: Modell der Umwelt (Merkmale oder Gitternetz) Erstellung: Exploration (Scan), Referenzdaten (CAD) Modell und Realität Realität: Begrenzungsojekte, feste Ojekte, ewegliche Ojekte CAD-Modelle: nur Begrenzungsojekte Explorations-Scan: zusätzlich feste Ojekte (realitätsnah) Modellrepräsentation Interpretation von Entfernungsinformation: Linien Kanten Sich anschließende Linien Ecken
Sensoren (9) Typisches Szenarium integriertes festes Hindernis verdecktes Kantestück sichtare Kante verdeckte Ecke Bewegliches Hindernis Nicht sichtarer Bereich
Sensoren (0) Forderungen an einen Algorithmus Positionsestimmung in nicht idealer Umgeung (ewegliche Ojekte) Referenzkarten Automatisierte Generierung für realitätsnahe Karten (Integration fester Ojekte) Gleiche Algorithmen und Datenformate für Referenz- und Vergleichsscan Zur Laufzeit erweiterare Karten Nutzung ekannter Kantenextraktionsverfahren
Sensoren () Funktionsprinzip Scan Bezug auf Rooter- Koordinatensystem Kantenextraktion Kantenalgorithmus Vorereitung Matching Eckenalgorithmus Vorereitung Matching Bewertung der Resultate Fusion mit anderen Sensor- Informationen
Sensoren () Algorithmus zur Kantenextraktion
Sensoren (3) Kantenasierter Algorithmus, Vorereitung yref yscan y max P max Gerade Kante x Scan Char. NV Umgeungsrechteck zur Positionsschätzung x max x Ref Charakteristischer Normalenvektor Längensumme = Summe der Kantenlängen einer Klasse
Sensoren (4) Kantenasierter Algorithmus, Vorereitung Referenz-Karte 360 -Scan, Kantenextraktion 80 -Halkarten erzeugen (5 Vers.) Umgeungsrechtecke estimmen Kanten der Länge nach sortieren Gerade zu Kanten ermitteln Charakteristischen Normalenvektor Kanten mit ähnlichen charakteristischen Normalen zusammenfassen Längensummen ilden Scan-Karte 80 -Scan, Kantenextraktion Umgeungsrechteck estimmen Positionsschätzung anhand des Umgeungsrechtecks Verschieung des Scans (Transformation) Kanten der Länge nach sortieren Gerade zu Kanten ermitteln Charakteristischen Normalenvektor Kanten mit ähnlichen charakteristischen Normalen zusammenfassen Längensummen ilden
Sensoren (5) Kantenasierter Algorithmus, Matching Vergleich der Kantenklassen: Listen der Referenzkarte und des Scans Qualitätsmaß für die Üereinstimmung Des charakteristischen Normalenvektors in Länge und Winkel Längensummen der Kanten Mittelwert aller Qualitätsmaße, Ergenis in [0,]
Sensoren (6) Eckenasierter Algorithmus, Vorereitung Erstellung der Liste aller Ecken Charakteristisch: Schenkellänge, Winkel, Ausrichtung Repräsentiert durch 3 Punkte + Winkel in [0.. 80 ] Extraktion virtueller Ecken Verwendung längster, orthogonaler Kanten Schnittpunkt der Geraden: virtuelle Ecke Entfernung mehrfacher Eintragungen (Ecken) Sortierung eginnend mit kleinstem Öffnungswinkel (am markantesten)
Sensoren (7) Eckenasierter Algorithmus, Matching y Scan Markanteste Ecke im Scan suchen y Scan y Scan x Scan Transformation des Scans, so dass Üereinstimmung Referenzecke des Scans mit einer Ecke des Referenzscans, Wiederholung für alle Ecken Prüfung weiterer Ecken des Scans auf Üereinstimmung mit dem Referenzscan x Scan x Ref Bestimmen des Qualitätsmaßes, Zuordnung zu den Transformationsparametern
Sensoren (8) Verareitung der Scan-Ergenisse Beide Algorithmen liefern mehrere Positionshypothesen nach dem Qualitätsmaß geordnet Strategien: Verwendung des esten Qualitätsmaßes Verwendung von Vorwissen, z.b. zuletzt ermittelte Position Kopplung mit Odometrie, Kompaß oder anderen Sensoren
Sensoren (9) Beispiel-Scans Testsetup mit Laserscanner GUI mit Anzeige von Karte, estem Match und ermittelten Position
Sensoren (0) Beispiel-Scans Eckenalgorithmus mit virtueller Ecke
Sensoren () Algorithmus Vorteile Nachteile Kantenasierter Algorithmus Roust gegenüer großer Anzahl von Üerdeckungen Ungenau in Positionshypothese Eckenasierter Algorithmus Genau, wenn viele Ecken sichtar und Ecken markant (spitz und lange Schenkel) Versagen ei wenigen Ecken, esonders ei nicht orthogonalen Seiten (es werden keine virtuellen Ecken ermittelt) Beide Algorithmen Funktion mit Verdeckungen Proleme mit symmetrischen Karten
Sensoren () Positions- und Geschwindigkeitssensoren für Achsen und Gelenke Inkrementeller Sensor I A B 3 4 Prinzip Beispiel
Sensoren (3) Positions- und Geschwindigkeitssensoren für Achsen und Gelenke Analoger, asolut erfassender Sensor +U ADU Rechner -U Prinzip Gelenksensor am Laufrooter
Sensoren (4) Odometrie d Aus den geometrischen Beziehungen folgt; = α r = α r r = r =α Differential Drive d = r r = = α α α Drehwinkel α = d Mittlerer gefahrener Weg = + ( ) Geometrische Beziehungen
Sensoren (5) Odometrie Bestimmung der aktuellen Koordinaten α Vektor von alter zu neuer Position P(X R,Y R ) Betrag des Vektors: α p = r sin Für kleine Kreisögen wird p r P ( X, Y P P ) α durch angenähert X P Y P α = cos α = sin α α Geometrische Beziehungen r Y R X R
Sensoren (6) + α + + = d X X i i i cos + α + + = d Y Y i i i sin Position im Weltkoordinatensystem Odometrie Orientierung + = α α d i i Unsicherheit der Positionsestimmung Durch kumulierenden Fehler Y X Stückweise Rekonstruktion des Weges
Sensoren (7) Interne Sensoren - Kraftsensoren Erfassung der Verformung aufgrund wirkender Kräfte mittels Verformkörper Kraftsensor in einem Laufrooter-Bein