通过先进的 IMU 和传感器融合提高自主机器人的定位精度

惯性测量单元 (IMU) 是各种各样移动系统的基础，涵盖工业机器人、人形机器人、无人驾驶飞行器 (UAV) 和沉浸式混合现实系统等。虽然每个应用对这些系统的具体要求各不相同，但设计人员始终面临着一个挑战——为自主移动机器人 (AMR) 这类应用提供越来越准确的实时方向和运动数据。

本文简要讨论 AMR 定位所面临的各种独特挑战。然后，介绍 Analog Devices 先进的 IMU，并展示如何在室内、全球定位系统 (GPS) 覆盖的环境中使用这些 IMU 来应对这些挑战，同时从更广泛的跨领域使用中吸取经验教训。

为什么定位是 AMR 开发人员面临的挑战？

AMR 对智能工厂和仓库的生产率至关重要，它有助于简化物料流、减少浪费并提高利用率。确保 AMR 在设施内准确定位是成功的关键。在专门建造的设施中，可以通过精心放置靶标（参考标记）或优化布局来缓解 AMR 定位难题，但大多数 AMR 都见于传统设施中。在这些设施中，不断变化的光照、反射表面和复杂的几何形状等因素结合在一起，使定位变得更加困难。

而且，由于缺乏统一的基础设施，如标准化的通道宽度或可预测的地面标记，意味着机器人需要面对更复杂的导航和绘图任务。

导航环境的性质导致了两个主要的运行挑战。¹

• 首先，机器人必须执行高效的路径规划，以根据当前条件来确定通过环境的最佳路线。
• 其次，机器人必须能精确定位，在移动过程中不断实时更新自己的位置和方向。

在没有 GPS 覆盖的室内中，这两个目标必须完全依靠机载感测功能和计算资源来实现。

为了应对这些挑战，AMR 混合使用了多种形式的传感器。包括摄像头、光探测与测距 (LiDAR) 和雷达在内的视觉感知系统，可提供丰富的环境数据。比如轮式编码器和惯性测量单元 (IMU) 等里程计系统，直接根据机器人的移动情况中跟踪其运动。每种传感器虽然都具有独特的优势：有的擅长远距离探测，有的擅长精确探测，但每种类型也都有各自的局限性。通过智能组合，AMR 可以实现所需的冗余和覆盖范围，从而在不可预测的动态条件下保持准确性。

IMU 的测量范围及其重要性

IMU 集成了微机电系统 (MEMS) 传感器，用于测量三维加速度和角速度。三轴加速度计测量相对于地球引力沿 x、y 和 z 轴方向的运动，同时捕捉静态力（如倾斜）和动态力（如运动过程中的加速度）（图 1）。

图 1：三轴加速度计沿 x、y 和 z 轴测量加速度，提供动态运动数据和静态重力参考值。(图片来源：Analog Devices）

三轴陀螺仪测量每个轴的角速度 (ωx, ωy, ωz)（图 2），使机器人能够跟踪方向变化。

图 2：三轴陀螺仪可测量每个轴的角速度，从而准确跟踪方向变化。(图片来源：Analog Devices）

作为现代 IMU 中加速度计和陀螺仪的核心，MEMS 结构在出现加速度或旋转时会发生偏转或振动，由此产生的电容或振动频率变化会被转换成电信号。基于 MEMS 的 IMU 的优势在于体积小、功耗低、测量速度快，因此易于集成到移动平台中。

有些 IMU 还包括额外的传感器，用于功能扩展。虽然磁力计在传统的 IMU 中更为常见，但高性能磁力计可用于磁场测量，有助于在恶劣环境中估计方向。采用集成温度传感器，对加速度计和陀螺仪数据进行热补偿。也可采用气压计，用于测量大气压力和估算海拔高度。

除传感器阵列外，先进的 IMU 还集成了完整的数据采集信号链，用于模数转换、预处理有限脉冲响应滤波，以及工厂校准，以纠正传感器偏差和轴偏差（图 3）。这些器件通常允许在输出前旋转 (dƟ) IMU 的内部坐标系，使其与机器人的坐标系相匹配，从而减少主处理器的计算负载。

图 3：先进 IMU 的功能框图显示，在单个紧凑型器件中集成了完整的传感器信号链，用于进行检测、校准、补偿和滤波。(图片来源：Analog Devices）

其他传感器出现故障时，IMU 如何加强定位功能

不同物理环境下的某些特征会影响特定传感器模式的有效性。为了缓解不同传感系统的局限性，典型的 AMR 依赖于多样化的传感器堆栈，其中可能包括视觉传感器、飞行时间 (ToF) 系统、LiDAR、雷达、轮式编码器和 IMU（图 4）。

图 4：AMR 的传感器堆栈通常整合了视觉传感器、IMU 和轮式编码器，为定位提供补充信息。(图片来源：Analog Devices）

例如，在特征稀少的走廊中（图 5），长长的墙壁缺乏执行视觉同步定位和映射 (SLAM) 算法所需的独特元素，无法将帧与存储的地图相匹配。如果没有独特的视觉特征，机器人的姿势估计会迅速偏移，导致 AMR 失去定位。在这种情况下，尽管失去了视觉里程计，IMU 提供的航向和朝向信息仍能维持机器人的导航功能。

图 5：在一条长而无特征的走廊中，如果缺少来自 IMU 的航向和朝向信息，机器人视觉测距可能会很快失效，导致 AMR 无法定位。(图片来源：Analog Devices）

在大型开放空间内，如 50 m × 50 m 的仓库，许多视觉特征都超出了 LiDR 的有效探测范围（图 6），这种雷达的最大探测距离通常为 10 m 至 15 m。均匀分布的货架或储物架等统一布局会混淆视觉测量，因为多个不同位置的外观相似。在这种情况下，IMU 测量数据和轮式编码器数据的融合，使机器人可以维持其局部位姿估计。

图 6：在大面积开阔区域，由于传感器检测范围的限制和缺乏可辨别的视觉特征，会导致视觉检测能力下降，但 IMU 测量和轮式里程计可维持定位。(图片来源：Analog Devices）

斜面是又一项挑战（图 7）。标准的二维 LiDAR 捕捉的是平面上的点，因此斜坡看起来可能是一个垂直障碍物。这种误解会干扰导航，或导致机器人避开可以穿越的路径。在这里，IMU 的俯仰和滚动数据可以提供梯度信息，以减少对 LiDAR 的误读， 从而能使用 SLAM 算法解决梯度问题并区分可穿越的斜坡和真正的障碍物。

图 7：IMU 的俯仰和滚动读数可以显示斜坡的坡度，从而纠正 2D SLAM 的误读，实现 AMR 安全导航。(图片来源：Analog Devices）

环境因素也会降低不同传感器模式的定位性能（表 1）。光线不足、动态环境、反光表面以及需要丰富的场景几何图形等因素会对大多数传感器模式产生影响。

表 1：所示为各种环境因素对传感器有效性的影响。(表格来源：Analog Devices）

IMU 独特的性能如何使 AMR 受益

与感知传感器相比，IMU 的更新率更高，能够对环境的动态变化做出快速反应。不同于感知系统的工作频率通常在 10 Hz 到 30 Hz 之间，IMU 能以 200 Hz 的频率提供经过处理的数据，以高达 4 kHz 的频率提供原始数据。由于 IMU 的更新速率快 10 倍，因此可以在较长的感知测量间隔内更新位姿估计值。这种更高的更新率最终可加快对运动突变的反应速度，并增强动态环境中的系统可靠性。

IMU 为 AMR 的航迹推算提供了基础。通过此方法，AMR 能够根据已知的起始位置并基于对 IMU 加速度和角速度测量值的积分运算，估算出其当前位置。通过提供持续更新位置、方向和速度所需的数据，IMU 可以进行精确的位姿估计，以实现可靠的 AMR 导航。

紧凑小巧的外形和重量轻也有利于将 IMU 集成到 AMR 中。例如，Analog Devices 的 ADIS16500AMLZ IMU（图 8）采用 BGA 封装，体积仅为 15 × 15 × 5 mm，但却集成了陀螺仪、加速度计、温度传感器以及用于数据采集和信号调节的完整信号链。这种集成度使其既能向主机处理器提供全面的运动数据，又能在空间有限的机械布局中使用，而不会影响机器人的可操作性。

图 8：ADIS16500AMLZ IMU 集成了陀螺仪、加速度计、温度传感器以及用于数据采集和信号调节的完整信号链。(图片来源：Analog Devices）

ADIS16500AMLZ 的陀螺仪动态范围为每秒 ±2000˚ (°/s)，可捕捉快速转弯而不会出现饱和现象，这对 AMR 在狭小空间内导航或快速避障尤其重要。加速度计的动态范围为 ±392 米/平方秒 (m/s²)，使其可捕捉平滑运动和高强冲击。其每小时 8.1˚ (°/hr) 的陀螺仪偏置稳定性和每秒 125 平方微米 (μm/s²) 的加速度计偏置稳定性，可有效减少漂移，从而在修正间隔期间提升航迹推算的精度。

出厂校准对灵敏度、偏置和轴对正进行内置校正，而动态偏移校正则可对温度变化、电源电压变化和磁场干扰以及降噪进行校正。² IMU 的机械冲击容差为 19,600 m/s²，工作温度范围为 -25 至 85°C，使其可部署在苛刻的环境中，而其低噪声、高带宽 ADC 又可确保在响应控制系统所需的高更新速度下持续捕获准确数据。

一般来说，IMU 还具有较强的抗电磁干扰 (EMI) 能力，可以在不同的照明和环境条件下工作。因此，这些器件的应用范围非常广泛。

缓解 IMU 的性能限制

尽管 IMU 具有性能优势，但也存在一些固有的局限性。³ 未经过滤的噪声会影响 IMU 测量，造成导航精度降低。加速度计和陀螺仪传感器的偏差会随着时间的推移形成累积，从而导致方向和运动估计值发生漂移。传感器的非线性特性会使测量结果失真，热电事件会导致陀螺仪出现角度随机游走 (ARW) 误差，加速度计出现速度随机游走 (VRW) 误差，从而造成长期性能进一步降低。如果不加以缓解这些误差，这些问题会随着时间的推移降低定位可靠性。

通过将 IMU 数据与其他传感器输入进行整合，传感器融合可以克服 IMU 的局限性，从而提高数据的质量和可靠性，改善对未测量状态的估计，并扩大覆盖范围以提高安全性。诸如扩展式 Kalman 滤波 (EKF)（图 9）等状态估计技术，可在 AMR 正常运行期间校正噪声、随机游走和偏差不稳定性。通过测量地球重力加速度，可以消除俯仰和滚动陀螺仪的误差。最后，可以跟踪和校正偏差漂移。在运行期间，尽管我们对已建模系统的特性缺乏全面了解，EKF 仍能有效地估计过去、现在和未来的状态。

图 9：EKF 简化算法会随时间的推移处理含噪声的传感器测量值，从而对机器人的位姿和运动进行校正和连续估计。(图片来源：Analog Devices）

EKF 能够对系统动态和测量不确定性进行建模，然后在新数据到来时更新状态估计值，因此得以广泛运用。对可能含有 Gaussian 白噪声或其他误差的测量值，进行长期观察并将其用于校正。滤波器通过以下操作估计测量值的真实性：同步传感器之间的测量值、预测姿态和误差估计值、估计和更新预测值的不确定性。

机器人操作系统 (ROS) 开源机器人定位软件包中 ⁴ 嵌入了传感器融合算法。该软件包实现了基于 EKF 的融合，且其核心是 EKF 算法（图 10）。

图 10：一个典型的基于 ROS 的传感器融合软件架构，通过机器人定位软件包将多个传感器输入组合在一起，产生稳健、连续的姿态估计值。(图片来源：Analog Devices）

该 ROS 软件包可以融合数量不限的传感器，并能接受包括 IMU 数据、车轮速度和里程计在内的各种输入类型。融合输出包括全 3D 位置和方向、线速度、角速度以及加速度，这些值均可直接用于导航和 SLAM 算法。基于这些输入，机器人定位系统生成一个估计的位姿状态，用实际测量值和推导测量值的向量表示：

位姿状态 = （X、Y、Z、滚动、俯仰、偏航，X˙、Y˙、Z˙、滚动˙、俯仰˙、偏航˙、X¨、Y¨、Z¨）

加速开发 AMR 精密定位系统

ADIS16500AMLZ IMU 展示了精密检测和集成处理如何提高 AMR 定位性能。为了帮助开发人员加快应用开发，Analog Devices 提供 ADIS16500/PCBZ 分线板（图 11 左）和配套的 EVAL-ADIS-FX3Z 评估系统（图 11 右）。

图 11：ADIS16500/PCBZ 分线板（左）和 EVAL-ADIS-FX3Z 评估套件（右）可加快基于 ADIS16500 IMU 的应用开发。(图片来源：Analog Devices）。

分线板包括 IMU 和一个 16 位排针，可与 2 mm 带状电缆连接，以连接评估系统。评估系统可以全采样率对 IMU 进行实时采样，并通过 USB 端口供电。所需的全部软件均可从资源页下载。

结语

IMU 对于在 AMR 中保持精确定位极其重要，即使在其他传感器系统因环境条件而失效的情况下，也能以较高的更新率进行方向估计和运动跟踪。通过传感器融合技术来克服不同传感器类型的局限性，AMR 甚至可以在动态环境中进行精确导航，而这种动态环境通常会使 AMR 产生定位混乱。有了高度集成的 IMU 以及相关的接口板、评估系统，开发人员就可以快速设计 AMR，实现精确导航所需的准确可靠的定位功能。

参考文献

1. Shoudong Huang 和 Gamini Dissanayake， 机器人定位：导论 ，John Wiley & Sons，2016 年 8 月。
2. Randy Carver 和 Mark Looney，MEMS 加速计校准优化了工业应用的精度，EE Times，2007 年 10 月。
3. Oliver J. Woodman，惯性导航介绍，University of Cambridge，2007 年 8 月。
4. 机器人定位 文档，v2.6.12、Tom Moore, 2016 年。