AO_468

MARZO 2026 AUTOMAZIONE OGGI 468 | 85 Robotica e di utilizzare l’IMU in layout meccanici con vincoli di spazio, senza compromettere la manovrabilità del robot. Grazie a una gamma dinamica del giroscopio di ±2.000 °/s, Adi- s16500amlz è in grado di registrare svolte ra- pide senza saturazione, un aspetto essenziale per gli AMR che navigano in spazi ristretti o evitano rapidamente gli ostacoli. La gamma dinamica dell’accelerometro di ±392 m/s² registra sia i movimenti fluidi, sia gli urti ad alto impatto; la stabilità di bias del giroscopio di 8,1 °/hr e la stabilità di bias dell’accelero- metro di 125 μm/s² riducono la deriva per migliorare la precisione della determinazione del punto stimato tra le correzioni. La calibrazione di fabbrica fornisce una corre- zione integrata per la sensibilità, il bias e l’al- lineamento degli assi, mentre la correzione dinamica dell’offset tiene conto delle varia- zioni di temperatura e tensione di alimenta- zione, delle interferenze magnetiche e della riduzione del rumore (2) . La tolleranza agli urti meccanici di 19.600 m/s² e l’intervallo di funzionamento compreso tra -25 e 85 °C con- sentono l’impiego del prodotto in ambienti difficili, mentre gli ADC a basso rumore e l’alta larghezza di banda assicurano un’acqui- sizione continua e precisa dei dati alle elevate frequenze di aggiornamento necessarie nei sistemi di controllo reattivi. In linea di mas- sima, le IMU sono relativamente resistenti alle interferenze elettromagnetiche (EMI) e possono funzionare in diverse condizioni di illuminazione e ambientali; pertanto, sono adatte a un’ampia gamma di applicazioni. Attenuare i limiti prestazionali delle IMU Nonostante i vantaggi in termini di presta- zioni, le IMU presentano alcune limitazioni intrinseche (3) . Il rumore non filtrato può influenzare le misurazioni delle IMU, ridu- cendo la precisione della navigazione; il bias dei sensori accelerometrici e giroscopici si accumula nel tempo, portando a una deriva nelle stime di orientamento e movimento; il comportamento non lineare dei sensori di- storce le misurazioni e gli eventi termoelet- trici possono portare a errori nell’ARW (Angle Random Walk) dei giroscopi e nel VRW (Ve- locity Random Walk) degli accelerometri, che inficiano ulteriormente le prestazioni a lungo termine. Se rimangono irrisolti, questi problemi riducono l’affidabilità della loca- lizzazione nel tempo. La fusione sensoriale può superare le limitazioni delle IMU, inte- grando i dati dell’IMU stessa con gli input di altri sensori, per aumentare la qualità e l’af- fidabilità dei dati, migliorare la stima degli stati non misurati, e aumentare la copertura per una maggiore sicurezza. Le tecniche di stima dello stato, come il filtraggio di Kalman esteso (EKF), possono correggere il rumore, il random walk e l’instabilità di bias durante il normale funzionamento dell’AMR. Misurando l’accelerazione dovuta alla gravità terrestre è possibile eliminare gli errori di beccheggio e rollio del giroscopio. Infine, è possibile moni- torare e correggere l’instabilità di bias: in pra- tica, l’EKF consente di stimare gli stati passati, presenti e futuri, nonostante la mancanza di una conoscenza completa della natura del si- stema modellato. L’EKF si è diffuso perché è in grado di model- lare la dinamica del sistema e le incertezze di misurazione, aggiornando poi la stima dello stato, quando si ricevono nuovi dati. Le mi- surazioni, che possono contenere rumore bianco gaussiano o altre imprecisioni, ven- gono osservate nel tempo e utilizzate per la correzione. Il filtro stima il valore reale delle misurazioni sincronizzandole tra i sensori, prevedendo la posizione e le stime di errore, e stimando e aggiornando l’incertezza del valore previsto. Gli algoritmi di fusione sen- soriale sono incorporati nel pacchetto open source robot_localization del Robot Opera- ting System (ROS)4, che implementa la fu- sione basata su EKF e utilizza l’algoritmo EKF. Questo pacchetto ROS consente la fusione di un numero illimitato di sensori e può accet- tare diversi tipi di input, tra cui dati IMU, ve- locità delle ruote e odometria. L’output fuso comprende la posizione e l’orientamento 3D completi, le velocità lineare e angolare e l’ac- celerazione, che alimentano direttamente gli algoritmi di navigazione e Slam. Utilizzando questi input, robot_localization genera una stima dello stato di posa espressa come un vettore di misurazioni reali e derivate: localizzazione degli AMR. Per aiutare gli svi- luppatori ad accelerare lo sviluppo delle ap- plicazioni, Analog Devices fornisce la scheda di breakout Adis16500/pcbz e il kit di valuta- zione Eval-Adis-FX3Z. La scheda di breakout comprende l’IMU e una basetta a 16 pin, che si accoppia a cavi a nastro di 2 mm per il collegamento al kit di valutazione. Quest’ultimo consente il campio- namento in tempo reale dell’IMU alla massima frequenza di campionamento ed è alimentato tramite la porta USB. Tutto il software neces- sario è scaricabile dalla pagina delle risorse di Analog Devices ( www.analog.com/en/re- sources/evaluation-hardware-and-software/ evaluation-boards-kits/eval-adis-fx3.htm- l#eb-systemrequirements ) . In conclusione, le IMU sono essenziali per mantenere una localizzazione precisa negli AMR, fornendo stime di orientamento e trac- ciamento del movimento a una frequenza di aggiornamento elevata, anche quando altre modalità sensoriali vengono meno a causa delle condizioni ambientali. Utilizzando la fusione sensoriale per compensare le limi- tazioni dei diversi tipi di sensori, gli AMR possono navigare con precisione anche in ambienti dinamici, che normalmente con- fondono la localizzazione degli AMR. Grazie alla disponibilità di IMU altamente integrate e di schede di breakout e kit di valutazione associati, gli sviluppatori possono progettare rapidamente AMR capaci di calcolare la loro posizione in modo accurato e affidabile per una navigazione precisa. Analog Devices - www.analog.com DigiKey - www.digikey.it Stato di posa = (X, Y, Z, rollio, beccheggio, imbardata, X, Y, Z, rollio, beccheggio, imbardata, X”, Y”, Z”) Fonti: (1) Shoudong Huang and Gamini Dissanayake, Robot Localization: An Introduction, John Wiley & Sons, August 2016 ( https://onlinelibrary.wiley. com/doi/full/10.1002/047134608X.W8318 ) (2) Randy Carver and Mark Looney, ‘MEMS Accelerometer Calibration Optimizes Accuracy for Industrial Applications’, EE Times, October 2007 ( www.eetimes.com/ mems-accelerometer-calibration-optimizes- accuracy-for-industrial-applications ) (3) Oliver J. Woodman, ‘An Introduction to Inertial Navigation’, University of Cambridge, August 2007 ( www.cl.cam.ac.uk/techreports/UCAM- CL-TR-696.pdf ) (4) Robot_localization Documentation, v2.6.12, Tom Moore, 2016 ( https://docs.ros.org/en/melodic/ api/robot_localization/html/index.html ) Accelerare lo sviluppo della localizzazione degli AMR L’IMU Adis16500amlz dimostra come il rile- vamento di precisione e l’elaborazione in- tegrata possano migliorare le prestazioni di