Mobilní roboti se stále častěji pohybují mimo kontrolovaná laboratorní prostředí a čelí výzvám reálného světa. Kamery, lidary a SLAM sice dokážou vytvořit detailní mapu okolí, ale mají jedno zásadní omezení: neřeknou robotovi, jak se bude povrch chovat při kontaktu s koly. Právě tady přichází na scénu vibrační monitoring, který umožňuje robotům doslova „cítit“ zem pod sebou.
Terén dokáže klamat. Povrch může vypadat pevně, ale chovat se jako prach pod zatížením. Kameny se skrývají pod tenkou vrstvou zeminy a i drobné koleje mohou posunout váhu robota za hranici stability. Autor článku popisuje situaci z polního testu, kdy středně velké bezpilotní pozemní vozidlo (UGV) přejíždělo zdánlivě neškodný terén s volnými kameny a mírným stoupáním. Kamery ani lidar nehlásily problém, ale robot se přesto převrátil. Mezi tím, co robot „vidí“, a tím, co „cítí“, totiž zeje propast, kterou vizuální senzory neumí překlenout.
Vibrace jako zdroj informací o stabilitě
Pokaždé, když kolo interaguje s povrchem, vzniká síla, která se v podobě vibrací šíří konstrukcí robota. Tyto signály nejsou šum, ale cenná data. Při testech na třech různých površích se ukázalo, že vibrační profily byly naprosto odlišné: kompaktní hlína produkovala stabilní signál s nízkou amplitudou, štěrk generoval chaotické špičky ve vysokých frekvencích a písek způsoboval pomalé, těžké nízkofrekvenční oscilace. Vysokofrekvenční špičky obvykle značí nárazy o kameny nebo tvrdé hrany, které mohou náhle změnit rozložení zátěže. Nízkofrekvenční oscilace jsou zrádnější a často signalizují postupnou ztrátu opory, například když kolo začíná zapadat nebo prokluzovat. Klíčové je, že tyto efekty robot často „cítí“ dříve, než je vidět, a vibrační sensing funguje nezávisle na viditelnosti, osvětlení nebo prachu.
Senzory: akcelerometry, gyroskopy a IMU
Základem jsou tři komponenty. Akcelerometry měří lineární zrychlení ve třech osách a zachytí jak nárazy, tak kontinuální vibrace. Gyroskopy sledují úhlový pohyb (roll, pitch, yaw) a varují před nebezpečným naklápěním. Kombinací obojího vzniká inerciální měrná jednotka (IMU), která poskytuje kompletní obraz o pohybu. Autor zdůrazňuje, že umístění senzoru je stejně důležité jako jeho kvalita. IMU v těžišti robota je standardem, ale přidání sekundárních akcelerometrů blíže ke kolům zachytí lokalizované nárazy, které se nestihnou přenést do středu konstrukce. Chybou bývá měkké uchycení senzoru, které filtruje skutečné vibrace a vede k nesprávným závěrům. Pro většinu mobilních robotů postačuje vzorkovací frekvence 100 až 500 Hz.
Zpracování signálu v reálném čase
Surová data z IMU vypadají jako čistý šum. Prvním krokem je filtrování, při kterém pásmová propust izoluje frekvenční rozsah odpovídající interakci s terénem a notch filtr odstraní známé zdroje rušení, například motory točící se konstantní rychlostí. Časová analýza pak ukáže, jak se signál vyvíjí, ale skutečně zajímavá je frekvenční analýza pomocí FFT, která odhalí, kde je koncentrována energie. Různé povrchy zanechávají odlišné „otisky prstů“: štěrk rozprostírá energii do vysokých frekvencí, tráva je uprostřed, písek vše posouvá dolů a tlumí. Z těchto dat stačí extrahovat několik smysluplných charakteristik, jako je RMS amplituda, spektrální výkon a rozptyl. Autor uvádí, že s jednoduchým klasifikátorem terénu založeným na hrstce těchto parametrů dosáhl při nízkých rychlostech přesnosti blízké 90 procentům, a to bez použití deep learningu.
Od reakce k predikci stability
Tradiční metody vyhodnocují stabilitu až poté, co začne problém nastávat. Vibrační monitoring umožňuje posun k predikci. Místo toho, aby se síly odhadovaly pouze z modelů, vyvozují se ze skutečné interakce s povrchem. Moderní přístupy využívají strojové učení: do modelu vstupují data o zrychlení, úhlové rychlosti a rychlosti jízdy a výstupem je skóre stability. Tyto modely dokážou dobře zobecňovat i na terény, které nebyly součástí trénovacích dat. V praxi to umožňuje implementovat chování typu gating, například automatické pozastavení pohybu manipulátoru při překročení prahové hodnoty vibrací, což úspěšně zabránilo několika převrácením.
Řídicí strategie a výzvy implementace
Nejjednodušší, ale velmi účinnou strategií je adaptace rychlosti: když vibrace rostou, robot zpomalí. Nižší rychlost znamená menší dynamické síly a více času na reakci. Vibrační data lze také přivést do PID regulátorů jako další vstup reflektující úroveň rušení, což snižuje oscilace. Senzorová fúze kombinující vibrace s odometrií a vizuální zpětnou vazbou pak zvyšuje spolehlivost celého systému. Implementace má samozřejmě svá úskalí. Největším je šum: ne všechny vibrace jsou užitečné, některé pocházejí z motorů, jiné ze struktury robota. Gyroskopy navíc trpí driftem, takže jsou nezbytné fúzní techniky jako Kalmanův filtr. Významnou roli hraje i variabilita, protože změna rychlosti nebo zatížení mění vibrační profil. Jediným skutečným řešením je rozsáhlé testování v reálných podmínkách.
Zdroj: therobotreport.com
Zdroj: eTEC.NEWS
