Avanços no Controle de Robôs com Direção por Derrapagem

Robôs móveis de rodas com skid-steering (SSWMRs) são robôs que se movem usando rodas que escorregam no chão. Esses robôs podem funcionar em vários lugares ao ar livre, como fazendas, minas e canteiros de obra. Mas eles enfrentam desafios porque o jeito que as rodas interagem com diferentes tipos de superfícies afeta o movimento deles. Entender como essas interações funcionam é importante para fazer robôs que se movimentem de forma suave e confiável. Além disso, isso ajuda na manutenção desses robôs ao longo do tempo.

Quando os SSWMRs operam em terrenos irregulares ou macios, prever os movimentos deles pode ser complicado. Isso torna difícil controlá-los de forma eficaz. Para resolver isso, propomos um método que ajuda a identificar padrões específicos de movimento com base no terreno e em como as rodas estão agarrando o chão. Montando um sistema para reconhecer esses padrões de movimento, conseguimos simplificar a forma como entendemos e controlamos os movimentos do robô.

#Características dos SSWMRs

Os SSWMRs são feitos para lidar com situações difíceis. Eles são projetados para carregar cargas pesadas e conseguem se mover de forma ágil por espaços apertados. Diferente dos veículos tradicionais, eles não têm sistemas de direção; em vez disso, eles fazem curvas escorregando as rodas. Isso permite que eles façam curvas fechadas, mas cria incerteza no movimento, especialmente em superfícies irregulares.

Com o tempo, os SSWMRs muitas vezes contaram com operadores humanos para guiá-los, principalmente pela natureza imprevisível do skid. Com a melhoria da tecnologia, houve um impulso para que esses robôs operassem de forma mais autônoma, especialmente em ambientes difíceis onde um operador humano pode não estar disponível.

#O Desafio do Skid

Quando um robô escorrega, isso pode causar problemas porque a fricção entre as rodas e o chão pode mudar bastante. Quando as rodas perdem aderência, o movimento do robô se torna menos previsível. Essa imprevisibilidade torna difícil controlar o robô e tomar decisões sobre seus movimentos. Para criar robôs totalmente autônomos, precisamos encontrar maneiras de gerenciar e entender eficazmente esse comportamento de skid.

#Estrutura Proposta

Para abordar a questão do skid, propomos um sistema que usa uma técnica chamada estimativa de múltiplos modelos interativos (IMM). Esse método utiliza uma série de modelos, cada um representando uma forma diferente de o robô se mover sob várias condições. Ao combinar esses modelos, o robô pode identificar qual padrão de movimento está experimentando no momento e ajustar seu comportamento de acordo.

Na nossa estrutura, usamos múltiplos filtros de Kalman estendidos (EKFs) para identificar os modos de movimento do robô. Esses filtros analisam dados em tempo real dos sensores e ajudam a determinar as melhores ações de controle com base no modo de operação atual. Cada EKF corresponde a um cenário de movimento específico, o que ajuda a tomar decisões apropriadas sobre como controlar o robô.

#Importância da Modelagem Acurada

Um grande desafio no controle dos SSWMRs é que pode ser difícil criar modelos precisos sobre como eles se movem em diferentes terrenos. Os efeitos da fricção e a forma como as rodas interagem com o chão podem complicar as coisas. Estudos anteriores tentaram isso usando várias técnicas de ajuste de dados, mas enfrentam problemas como ambientes que mudam rapidamente e a dificuldade de aplicar modelos desenvolvidos em uma situação em outra.

Quando os SSWMRs sofrem desgaste significativo, as características físicas do robô também podem mudar. Fatores como mudanças de peso e propriedades de fricção podem impactar negativamente o desempenho. Portanto, identificar essas mudanças em tempo real é crucial para melhorar como o robô pode se mover e operar.

#Investigando a Perda de Tração nas Rodas

Esse trabalho foca em como estimar quando as rodas de um SSWMR estão perdendo tração. Nossa estrutura de estimativa de múltiplos modelos interativos ajuda a capturar e identificar quando isso acontece. Métodos anteriores, usados principalmente na área de aeroespacial, podem ser adaptados para SSWMRs, permitindo uma melhor estimativa dos modos de tração.

Empregamos um conjunto de EKFs que processam dados de sensores em tempo real para identificar o modo de tração dominante do robô. Dependendo do modo de tração, o robô pode então usar essas informações para prever melhor seu movimento ou selecionar a política de controle apropriada para as condições atuais.

#Pesquisa Relacionada

Ao longo dos anos, muitos pesquisadores trabalharam para melhorar o desempenho de movimento dos SSWMRs. Eles se concentraram em desenvolver modelos que descrevem melhor como os robôs se movem e estimar seus estados para melhorar o controle. Houve tentativas de aplicar várias abordagens, incluindo modelos cinemáticos de ordem reduzida e modelos dinâmicos que consideram as interações com o terreno.

Apesar dos avanços, muitos modelos ainda têm dificuldade em prever com precisão o comportamento em ambientes não controlados. Pesquisadores têm explorado o uso de controles de feedback que podem se adaptar a medições em tempo real, o que pode ajudar a gerenciar as incertezas no movimento devido à tração variável.

#Modelos de Movimento

Na nossa estrutura, os modelos de movimento são essenciais, pois permitem a previsão do estado do robô e as correções feitas com base nas informações dos sensores. A escolha do modelo depende de vários fatores, incluindo a precisão necessária, complexidade computacional e sensores disponíveis.

Nós categorizamos os modelos em duas estruturas: uma para grandes mudanças de tração, que utiliza dados de unidades de medição inercial (IMU), e outra para pequenas mudanças de tração, que usa dados de sistema de posicionamento global (GPS). Assim, conseguimos entender melhor como o robô se comporta sob diferentes condições e escolher as ações adequadas com base na situação.

#Grandes Mudanças de Tração

Quando os SSWMRs se movem entre superfícies muito diferentes, os modelos de movimento precisam considerar variações significativas no comportamento. Desenvolvemos modelos que usam dados de várias manobras para criar representações lineares de como o robô responde a entradas. Esses modelos lineares são benéficos para identificação rápida e adaptação quando o robô encontra novas superfícies.

#Pequenas Mudanças de Tração

Por outro lado, pequenas mudanças de tração são mais difíceis de detectar, pois podem não afetar significativamente o movimento geral do robô. Essas pequenas mudanças podem se acumular ao longo do tempo, levando a desgaste excessivo e consumo desnecessário de energia. Para essas mudanças menores, modificamos o vetor de estado para rastrear a posição e a direção do robô mais de perto.

Usando um modelo padrão de estimativa de pose, pequenas modificações ajudam a relacionar a velocidade do corpo com a velocidade inercial, permitindo assim uma melhor detecção dessas variações pequenas de tração.

#Estimativa Interativa de Múltiplos Modelos Explicada

Na abordagem IMM, começamos com um conjunto de modelos que descrevem várias dinâmicas de movimento do SSWMR. Ao contrário dos modelos estáticos, os modelos dinâmicos IMM permitem alternar entre diferentes estimativas com base no estado atual e nas medições. Essa adaptabilidade é especialmente útil quando o robô enfrenta terrenos variados ou sofre falhas nas rodas.

O processo de filtragem IMM é dividido em várias etapas, incluindo mistura das estimativas do modelo, filtragem com base no modelo atual e atualização das probabilidades dos modelos com base nas medições. Os resultados desses processos fornecem uma estimativa do modo operacional dominante, permitindo respostas eficazes a condições em mudança.

#Avaliações Experimentais

Para testar a estrutura proposta, foram realizados experimentos para avaliar o desempenho do robô em várias condições de terrenos e cenários de tração das rodas. Através desses experimentos, observamos como o robô se adaptou a mudanças nas condições de terreno e escorregamento.

Em condições com terrenos variados como asfalto, grama e concreto britado, a estrutura demonstrou sua capacidade de identificar rapidamente o modo operacional correto. O robô também conseguiu manter um desempenho estável em algumas condições, enquanto teve dificuldades em outras. Isso destaca a capacidade do sistema de diagnosticar seu ambiente e ajustar suas ações de acordo.

Os testes envolvendo condições de escorregamento das rodas revelaram a eficácia da estrutura em reconhecer diferentes modos de skid. Embora o sistema tenha mostrado dificuldade em diferenciar certas configurações inicialmente, geralmente teve um bom desempenho ao identificar rapidamente os modos relacionados à perda de tração.

#Conclusão

Resumindo, nosso trabalho discute uma nova abordagem para identificar e gerenciar o comportamento de skid dos SSWMRs usando uma estrutura de estimativa de múltiplos modelos interativos. Aproveitando dados de sensores em tempo real e empregando técnicas de estimativa eficientes, pretendemos aumentar a autonomia e a confiabilidade desses robôs em ambientes desafiadores. Essa pesquisa contribui para os esforços em tornar os SSWMRs mais eficazes e capazes de navegar por terrenos complexos, minimizando a necessidade de intervenção humana. O trabalho futuro se concentrará em testar essa estrutura em robôs maiores que operam em uma faixa mais ampla de velocidades para validar ainda mais sua aplicabilidade.