Fortschritte in der Steuerung von Kettenfahrzeugen

Skid-gesteuerte Radmobile Roboter (SSWMRs) sind Roboter, die sich mit Rädern bewegen, die auf dem Boden gleiten können. Diese Roboter können in verschiedenen Aussenbereichen wie Bauernhöfen, Minen und Baustellen arbeiten. Allerdings stehen sie vor Herausforderungen, weil ihre Bewegungen davon abhängen, wie ihre Räder mit verschiedenen Bodenoberflächen interagieren. Zu verstehen, wie diese Interaktionen funktionieren, ist wichtig, um Roboter zu bauen, die reibungslos und zuverlässig fahren können. Ausserdem hilft es, diese Roboter über die Zeit zu warten.

Wenn SSWMRs auf unebenem oder weichem Boden arbeiten, kann es schwierig sein, ihre Bewegungen vorherzusagen. Das kann es schwer machen, sie effektiv zu steuern. Um das anzugehen, schlagen wir eine Methode vor, die dabei hilft, spezifische Bewegungsmuster basierend auf dem Gelände und der Bodenhaftung der Räder zu identifizieren. Indem wir ein System zur Erkennung dieser Bewegungsmuster einrichten, können wir es einfacher machen, die Bewegungen des Roboters zu verstehen und zu steuern.

#Eigenschaften von SSWMRs

SSWMRs sind so gebaut, dass sie mit schwierigen Situationen umgehen können. Sie sind darauf ausgelegt, schwere Lasten zu tragen und können flink durch enge Räume manövrieren. Im Gegensatz zu traditionellen Fahrzeugen haben sie keine Lenksysteme; sie drehen sich stattdessen, indem sie ihre Räder schlittern lassen. Das ermöglicht scharfe Kurven, bringt aber auch Unsicherheit in ihre Bewegungen, besonders auf unebenem Gelände.

Im Laufe der Jahre waren SSWMRs oft auf menschliche Bediener angewiesen, weil das Schlittern unvorhersehbar ist. Mit den Fortschritten in der Technologie hat es jedoch Bestrebungen gegeben, dass diese Roboter autonomer arbeiten, besonders in schwierigen Umgebungen, wo kein menschlicher Bediener zur Verfügung stehen könnte.

#Die Herausforderung des Schlitterns

Wenn ein Roboter schlittern lässt, kann das Probleme verursachen, weil die Reibung zwischen den Rädern und dem Boden stark schwanken kann. Wenn die Räder den Halt verlieren, wird die Bewegung des Roboters weniger vorhersehbar. Diese Unvorhersehbarkeit macht es schwer, den Roboter zu steuern und Entscheidungen über seine Bewegungen zu treffen. Um vollständig autonome Roboter zu schaffen, müssen wir Wege finden, das Schlittern effektiv zu managen und zu verstehen.

#Vorgeschlagenes Framework

Um das Problem des Schlitterns anzugehen, schlagen wir ein System vor, das eine Technik namens interaktive Mehrfachmodell (IMM) Schätzung verwendet. Diese Methode nutzt eine Reihe von Modellen, die jeweils eine andere Art der Bewegung des Roboters unter verschiedenen Bedingungen darstellen. Indem wir diese Modelle kombinieren, kann der Roboter erkennen, welches Bewegungsmuster gerade vorliegt, und sein Verhalten entsprechend anpassen.

In unserem Framework verwenden wir mehrere erweiterte Kalman-Filter (EKFs), um die Bewegungsmodi des Roboters zu identifizieren. Diese Filter analysieren Echtzeitdaten von Sensoren und helfen, die besten Steuerungsaktionen basierend auf dem aktuellen Betriebsmodus zu bestimmen. Jeder EKF entspricht einem spezifischen Bewegungsszenario, was bei der Entscheidung hilft, wie man den Roboter steuern sollte.

#Bedeutung einer genauen Modellierung

Eine grosse Herausforderung bei der Steuerung von SSWMRs besteht darin, dass es schwierig sein kann, genaue Modelle für ihre Bewegungen auf verschiedenen Geländearten zu erstellen. Die Auswirkungen der Reibung und die Art und Weise, wie die Räder mit dem Boden interagieren, können die Dinge komplizieren. Frühere Studien haben versucht, dies mit verschiedenen Datenanpassungstechniken anzugehen, stehen aber vor Problemen wie schnell wechselnden Umgebungen und der Schwierigkeit, Modelle, die in einer Situation entwickelt wurden, auf eine andere anzuwenden.

Wenn SSWMRs erheblichen Verschleiss erleben, können auch die physikalischen Eigenschaften des Roboters verändert werden. Faktoren wie Änderungen im Gewicht und in den Reibungseigenschaften können die Leistung negativ beeinflussen. Daher ist es wichtig, diese Veränderungen in Echtzeit zu erkennen, um die Effektivität des Roboters bei der Bewegung und dem Betrieb zu verbessern.

#Untersuchung des Haftungsverlusts der Räder

Diese Arbeit konzentriert sich darauf, wie man schätzt, wann die Räder eines SSWMR den Halt verlieren. Unser interaktives Mehrfachmodell-Schätzframework hilft dabei, zu erfassen und zu identifizieren, wann das passiert. Frühere Methoden, die hauptsächlich in der Luft- und Raumfahrt verwendet wurden, können für SSWMRs angepasst werden, was eine bessere Schätzung der Haftungsmodi ermöglicht.

Wir verwenden eine Bank von EKFs, die Echtzeit-Sensordaten verarbeiten, um den dominierenden Haftungsmodus des Roboters zu identifizieren. Je nach Haftungsmodus kann der Roboter diese Informationen nutzen, um entweder seine Bewegung besser vorherzusagen oder die geeignete Steuerungsstrategie für die aktuellen Bedingungen auszuwählen.

#Verwandte Forschung

Im Laufe der Jahre haben viele Forscher daran gearbeitet, die Bewegungsleistung von SSWMRs zu verbessern. Sie haben sich darauf konzentriert, Modelle zu entwickeln, die besser beschreiben, wie Roboter sich bewegen, und ihre Zustände zu schätzen, um die Steuerung zu verbessern. Es gab Versuche, verschiedene Ansätze anzuwenden, darunter reduzierte kinetische Modelle und dynamische Modelle, die die Interaktionen mit dem Gelände berücksichtigen.

Trotz der Fortschritte haben viele Modelle immer noch Schwierigkeiten, das Verhalten in unkontrollierten Umgebungen genau vorherzusagen. Forscher haben untersucht, wie man Rückkopplungssteuern verwenden kann, die sich an Echtzeitmessungen anpassen, was helfen kann, die Unsicherheiten in der Bewegung aufgrund wechselnder Haftung zu bewältigen.

#Bewegungsmodelle

In unserem Framework sind Bewegungsmodelle entscheidend, da sie die Vorhersage des Zustands des Roboters und die Korrekturen basierend auf den Sensoreingaben ermöglichen. Die Wahl des Modells hängt von verschiedenen Faktoren ab, einschliesslich der erforderlichen Genauigkeit, der rechnerischen Komplexität und der verfügbaren Sensoren.

Wir kategorisieren die Modelle in zwei Frameworks: eines für grosse Haftungsänderungen, das Daten von Inertialmessgeräten (IMU) nutzt, und ein anderes für kleine Haftungsänderungen, das GPS-Daten verwendet. Auf diese Weise können wir besser verstehen, wie der Roboter sich unter verschiedenen Bedingungen verhält und die geeigneten Massnahmen basierend auf der Situation auswählen.

#Grosse Haftungsänderungen

Wenn SSWMRs zwischen deutlich verschiedenen Oberflächen bewegen, müssen die Bewegungsmodelle erhebliche Verhaltensvariationen berücksichtigen. Wir haben Modelle entwickelt, die Daten aus verschiedenen Manövern nutzen, um lineare Darstellungen davon zu erstellen, wie der Roboter auf Eingaben reagiert. Diese linearen Modelle sind hilfreich für eine schnelle Identifikation und Anpassung, wenn der Roboter auf neue Oberflächen trifft.

#Kleine Haftungsänderungen

Im Gegensatz dazu sind kleine Haftungsänderungen schwerer zu erkennen, da sie die Gesamtbewegung des Roboters möglicherweise nicht signifikant beeinflussen. Diese kleinen Veränderungen können sich im Laufe der Zeit ansammeln und zu erhöhtem Verschleiss und unnötigem Energieverbrauch führen. Für diese geringfügigen Änderungen modifizieren wir den Zustandsvektor, um die Position und die Richtung des Roboters genauer zu verfolgen.

Mit einem standardmässigen Positionsschätzungsmodell ermöglichen kleine Modifikationen eine bessere Beziehung zwischen Körpergeschwindigkeit und Inertialgeschwindigkeit, um diese kleinen Haftungsvariationen besser zu erkennen.

#Interaktive Mehrfachmodell-Schätzung erklärt

Beim IMM-Ansatz beginnen wir mit einer Reihe von Modellen, die verschiedene Bewegungsdynamiken des SSWMR beschreiben. Anders als statische Modelle erlauben die dynamischen IMM-Modelle einen Wechsel zwischen verschiedenen Schätzungen basierend auf dem aktuellen Zustand und den Messungen. Diese Anpassungsfähigkeit ist besonders nützlich, wenn der Roboter auf unterschiedliches Gelände trifft oder Radversagen erlebt.

Der IMM-Filterungsprozess ist in mehrere Phasen unterteilt, darunter das Mischen der Modells schätzungen, das Filtern basierend auf dem aktuellen Modell und das Aktualisieren der Modellwahrscheinlichkeiten basierend auf den Messungen. Die Ausgaben dieser Prozesse liefern eine Schätzung des dominierenden Betriebsmodus, die effektive Reaktionen auf wechselnde Bedingungen ermöglicht.

#Experimentelle Bewertungen

Um das vorgeschlagene Framework zu testen, wurden Experimente durchgeführt, um die Leistung des Roboters unter verschiedenen Geländearten und Radhaftungsszenarien zu bewerten. Durch diese Experimente haben wir beobachtet, wie der Roboter auf Änderungen im Gelände und bei Rutschbedingungen reagierte.

In Bedingungen mit variierenden Oberflächen wie Asphalt, Gras und zerschlagenem Beton zeigte das Framework seine Fähigkeit, schnell den richtigen Betriebsmodus zu identifizieren. Der Roboter konnte in einigen Bedingungen eine stabile Leistung aufrechterhalten, während er in anderen Schwierigkeiten hatte. Dies hebt die Fähigkeit des Systems hervor, seine Umgebung zu diagnostizieren und sein Verhalten entsprechend anzupassen.

Die Tests mit variierenden Rad-Rutschbedingungen zeigten die Effektivität des Frameworks beim Erkennen unterschiedlicher Schlittermuster. Obwohl das System anfangs Schwierigkeiten hatte, bestimmte Konfigurationen zu unterscheiden, zeigte es im Allgemeinen gute Leistungen beim schnellen Identifizieren von Modi im Zusammenhang mit Haftungsverlust.

#Fazit

Zusammenfassend besprechen wir in unserer Arbeit einen neuen Ansatz zur Identifizierung und zum Management des Schlitterns von SSWMRs mithilfe eines interaktiven Mehrfachmodell-Schätzframeworks. Durch die Nutzung von Echtzeit-Sensordaten und effizienten Schätzungstechniken möchten wir die Autonomie und Zuverlässigkeit dieser Roboter in herausfordernden Umgebungen verbessern. Diese Forschung trägt zu den laufenden Bemühungen bei, SSWMRs effektiver zu machen und ihnen zu helfen, komplexe Gelände zu navigieren, während der Bedarf an menschlicher Intervention minimiert wird. Zukünftige Arbeiten werden sich darauf konzentrieren, dieses Framework an grösseren Robotern zu testen, die über ein breiteres Spektrum von Geschwindigkeiten arbeiten, um seine Anwendbarkeit weiter zu validieren.