Def
esa
PF
C –
And
ré B
itten
cour
t04
/200
9
1
Detecção de Falhas em Detecção de Falhas em Robôs Móveis através de Robôs Móveis através de Sensores IntegradosSensores Integrados
Defesa de PFC
André C. Bittencourt
Bo Wahlberg
Alexandre Trofino
Def
esa
PF
C –
And
ré B
itten
cour
t04
/200
9
2/20
DefiniçõesDefinições
KTH – Instituto Real de Tecnologia (1827) MEUR 312 (74) 1/3 pesquisa técnica SUE
CAS – Centro de Sistemas Autônomos (1996) Detecção de falhas em Robótica
móvel (Sundvall 2006) A Tarefa
Propôr/estudar métodos de detecção de falhas usando sensores integrados
Validar métodos em um robô móvel Desafios:
Definir métodos desde a proposta, incluindo
Análise teórica Implementação realizada no robô
A Tarefa
Def
esa
PF
C –
And
ré B
itten
cour
t04
/200
9
3/20
SumárioSumário Background/Resultados Teóricos
Conceitos Básicos Descrição do Problema Solução Sugerida
Detectabilidade de falhas Estrutura desconhecida de sensor Performance de métodos
Exemplo Motivador Robótica Móvel Odometria Sobreposição de scans Detecção, Isolamento & Atenuação
de falhas
Conclusões
A Tarefa
Def
esa
PF
C –
And
ré B
itten
cour
t04
/200
9
4/20
Detectar (está sob falha?) Isolar (onde, quando?) Atenuar (corrigir)
Falhas Modo Comportamento temporal
Detecção On/Off Uso de Modelo
Diagnóstico de SistemasDiagnóstico de SistemasBackground
Teórico
Baseado em Modelo
Geração de resíduo Paridade de Espaço (on) Observador de Estado (on) Identificação de Parâmetros (off)
>50% falhas add OE >50% falhas mult Iden
SensorProcessoAtuador
Sistema
Sistema
SensorProcessoAtuador
Sistema
SensorProcessoAtuador SensorProcessoAtuador
Def
esa
PF
C –
And
ré B
itten
cour
t04
/200
9
5/20
SensorProcessoAtuador
Detecção baseada em resíduoDetecção baseada em resíduoBackground
Teórico
Condições p/ Resíduo Independente da entrada Sensível a falhas
Insensível a ruídos
SensorProcessoAtuador
Def
esa
PF
C –
And
ré B
itten
cour
t04
/200
9
6/20
Detecção baseada em resíduo,Diferença da saída de um sensor e uma predição baseada em
modelo
Caso ClássicoGrandeza diretamentemedida disponível
Sensores IntegradosSem acesso à grandeza diretamente medida
i.e. sistemas de navegação: sobreposição de scans GPS, odometria, SLAM
Descrição do ProblemaDescrição do ProblemaBackground
Teórico
SensorObservador
-
Sensor 1Observador 1
-
Sensor 2Observador 2
-
Sensor nObservador n
-
. . .
. . .
. . .
Sensor
Integrado
???-
Def
esa
PF
C –
And
ré B
itten
cour
t04
/200
9
7/20
Pressuposto: sensores são integrados com observadores/filtros de Kalman
Falhas aparecem misturadas no observador
A estrutura do sensor, i.e. o ganho do observador, afetará o sinal
Modelagem de Sensores IntegradosModelagem de Sensores IntegradosResultados
Teóricos
Def
esa
PF
C –
And
ré B
itten
cour
t04
/200
9
8/20
1. Idéia: Estender estados internos e do sensor
e usar o modelo resultante
para gerar o resíduo
Questões:
1. As falhas são detectáveis?
2. E se é desconhecido?
3. Como comparar a performance?
Solução SugeridaSolução SugeridaResultados
Teóricos
Def
esa
PF
C –
And
ré B
itten
cour
t04
/200
9
9/20
Detectabilidade de FalhasDetectabilidade de Falhas
Suponha , incluir falhas nos estados
analise a observabilidade do par resultante
Se observável e 1. rank coluna completo
2. todas estimativas disponíveis
Temos a mesma informação e condições caso
fosse disponível
Resultados
Teóricos
Def
esa
PF
C –
And
ré B
itten
cour
t04
/200
9
10/20
A estrutura interna do sensor
é abstraída a
Usa-se o modelo simplificado para gerar os resíduos , o ruído artificial pode ser usado para ajustar jitter,
amostras perdidas, etc (i.e. filtro de Kalman)
Estrutura do sensor desconhecidaEstrutura do sensor desconhecidaResultados
Teóricos
Def
esa
PF
C –
And
ré B
itten
cour
t04
/200
9
11/20
Comparação de PerformanceComparação de Performance
Análise das funções de sensitividade
Compromisso Maior sensibilidade a falhas Menor sensibilidade a ruído
Uso do modelo de sensor integrado Indicativo de melhoria
Resultados
Teóricos
Def
esa
PF
C –
And
ré B
itten
cour
t04
/200
9
12/20
Exemplo motivador – Onde estou?Exemplo motivador – Onde estou?
Navegação continua um dos maiores desafios
Detectar e Atenuar falhas pode aumentar a confiabilidade e performance do sistema
Detecção de colisão pode aumentar a segurança
Sensores de Localização Odometria Sobreposição de scans
Exemplo
Motivador
Def
esa
PF
C –
And
ré B
itten
cour
t04
/200
9
13/20
Odometria - Odometria -
Características Integração de medidas de
velocidade Baseado no deslocamento
linear causado por rotação das rodas (simplificações no modelo)
Confiabilidade < 15m (erros) Variância ~ deslocamento
Fontes de erros Pneus mal calibrados Derrapagem Forças externas
Sensores de Localização
Def
esa
PF
C –
And
ré B
itten
cour
t04
/200
9
14/20
Sobreposição de Scans - Sobreposição de Scans -
Características Integração do deslocamento
relativo de dois scans correlacao de fase domínio de
Hough + Iterative Closest Point
Variância limitada
Desafios Carga computacional Informatividade do ambiente
(corredor)
Sensores de Localização
Def
esa
PF
C –
And
ré B
itten
cour
t04
/200
9
15/20
EKF modelo estendido
sensor integrado filtro de Kalman
Média Móvel Simples Atenuação de ruídos
CUSUM Soma cumulativa Atenua variância Velocidade de detecção X Alarmes falsos
DetecçãoDetecçãoDetecção
Gerador de
resíduo
Medida de
distância
Regra de
ParadaEKF
Medida de
distância
Regra de
ParadaEKF
Média
Móvel
Regra de
ParadaEKF
Média
MóvelCUSUM
EKF
Def
esa
PF
C –
And
ré B
itten
cour
t04
/200
9
16/20
Detecção - ExemploDetecção - Exemplo
Detecção bem sucedida em diversos casos Mudanças em são mais significativas
Detecção
t+1
t+1
t+2
t+2
t+3
t+3
t+4
t+4
t
t
Def
esa
PF
C –
And
ré B
itten
cour
t04
/200
9
17/20
Robo é segurado
IsolamentoIsolamento
Onde ( )? Resposta direta
Quando (momento)?
Quanto (tamanho)?
Isolamento
Def
esa
PF
C –
And
ré B
itten
cour
t04
/200
9
18/20
AtenuaçãoAtenuação
Reduzir erros na odometria EKF com valores
atualizados
Atenuação
EKF
Def
esa
PF
C –
And
ré B
itten
cour
t04
/200
9
19/20
ConclusõesConclusões
Idéia Básica: Extender os estados (sistema + observador) Projetar um observador com modelo extendido Proceder com a detecção
Resultados: Condições de observabilidade derivadas Análise de performance Validação com exemplo num robô (dados reais) Artigo publicado, SafeProcess 2009
Desafios futuros: Análise de performance mais criteriosa Modelos mais completos de sensores Métodos de auxílio ao projeto de observadores
Conclusões
Def
esa
PF
C –
And
ré B
itten
cour
t04
/200
9
20
Obrigado!Obrigado!
Espaço para
perguntas
Def
esa
PF
C –
And
ré B
itten
cour
t04
/200
9
21/20
Questão: dado o sistema,
monitorado através de j sensores, sujeitos a ruído e falhas
como gerar resíduos sensíveis a falhas ?
Resposta: depende de quanta informação se tem disponível!
Background
Teórico Descrição do ProblemaDescrição do Problema
Def
esa
PF
C –
And
ré B
itten
cour
t04
/200
9
22/20
1. Reconstrução da saída
Requer modelo preciso do sistema e observador. Muito sensível a erros Soluções redundantes
2. Assumir ao menos 2 sensores
Bom para detectar Modelo não é usado Requer Hardware extra
Resultados
Teóricos Soluções SugeridasSoluções Sugeridas
Def
esa
PF
C –
And
ré B
itten
cour
t04
/200
9
23/20
Detectabilidade de FalhasDetectabilidade de Falhas
Suponha , extender
analise a observabilidade do par
Se observável e 1. full column rank
2. todas estimativas disponíveis
Temos a mesma informação e condições caso
fosse disponível
Resultados
Teóricos
Def
esa
PF
C –
And
ré B
itten
cour
t04
/200
9
24/20
Fault observabilityFault observability
If All estimates are available, is full column rank,
should not be affecting integrating modes of the system, if any Orthogonal to the integrating modes
should affect the measured part of the system Orthogonal to the non-measured modes of the system
The conditions for are similar to when the raw estimates are available
Resultados
Teóricos
Def
esa
PF
C –
And
ré B
itten
cour
t04
/200
9
25/20
Estrutura do sensor desconhecidaEstrutura do sensor desconhecida
Estrutura interna do sensor
é abstraída a
Usa-se o modelo simplificado para gerar os resíduos Filtro de Kalman por ex , o ruído artificial pode ser usado para ajusat jitter,
amostras perdidas, etc
Resultados
Teóricos
Def
esa
PF
C –
And
ré B
itten
cour
t04
/200
9
26/20
Estrutura do sensor desconhecidaEstrutura do sensor desconhecida
Estrutura interna do sensor
é abstraída a
Simplificações usadas
Resultados
Teóricos
Def
esa
PF
C –
And
ré B
itten
cour
t04
/200
9
27/20
Comparação de PerformanceComparação de Performance
Análise das funções de sensitividade
redução de ruídos X sensibilidade a falhas
Uso do modelo integrado Indicativo de melhoria Norma proporcional a velocidade
Resultados
Teóricos
Def
esa
PF
C –
And
ré B
itten
cour
t04
/200
9
28/20
Robot ModelsRobot Models
Odometry model based on the relation between wheel rotation to linear displacement Model valid for differential drive robot
Simple kinematics modelRobot as a rigid-bodyMoving in a plane
Def
esa
PF
C –
And
ré B
itten
cour
t04
/200
9
29/20
Scan matchingScan matching
Estimate the transform relating two scans
is the hardest to estimate
is estimated through spectrum correlation in the Hough domain [Censi05]
Rotations are phase shifts in the HD
ICP solves the translation estimation
Def
esa
PF
C –
And
ré B
itten
cour
t04
/200
9
30/20
EKF modelo extendido filtro de Kalman Mais robusto a erros
Média Móvel Simples Atenuação de ruídos
CUSUM Soma cumulativa Atenua variância Velocidade X Confiabilidade
DetecçãoDetecçãoDetecção
EKF
Gerador de
resíduo
Medida de
distância
Regra de
ParadaEKF
Medida de
distância
Regra de
ParadaEKF
Média
Móvel
Regra de
ParadaEKF
Média
MóvelCUSUM
Def
esa
PF
C –
And
ré B
itten
cour
t04
/200
9
31/20
Robo é segurado
IsolamentoIsolamento
Onde (direção)? Resposta direta
Quando (momento)?
Quanto (tamanho)?
Isolamento
Def
esa
PF
C –
And
ré B
itten
cour
t04
/200
9
32/20
AtenuaçãoAtenuação
EKF com valores
atualizados
Atenuação
EKF
Def
esa
PF
C –
And
ré B
itten
cour
t04
/200
9
33/20
Isolamento e AtenuaçãoIsolamento e AtenuaçãoAtenuação