Одометрия

Подсчитывается число ${\displaystyle n}$ оборотов колеса между двумя моментами измерения (например, с использованием инкрементальных энкодеров) и, учитывая известный окружность колеса ${\displaystyle \pi \cdot d}$, где ${\displaystyle d}$ — диаметр колеса, вычисляется пройденное расстояние ${\displaystyle \Delta s}$:

${\displaystyle \Delta s=\pi \cdot d\cdot n}$.

По углу поворота отдельных колёс определяется направление движения, причём способ вычисления зависит от типа шасси (рулевое устройство на передней оси, на задней оси и др.).

Одометрические методы обеспечивают относительное определение положения, так как работают только с приращениями пути. Для получения абсолютного положения должна быть известна исходная точка отсчёта, относительно которой вычисляются приращения.

Визуальная одометрия (англ. Visual Odometry, VO) — метод оценки перемещения, основанный на анализе последовательности изображений, получаемых с одной (монокулярная одометрия) или нескольких (стереоодометрия) камер. Стереокамеры позволяют напрямую оценивать глубину сцены и масштаб перемещений, что является сложной задачей для монокулярных систем.

Существует два основных подхода к реализации VO:

• Методы на основе признаков (англ. feature-based) — находят и отслеживают на последовательных кадрах уникальные точки (углы, края), используя такие алгоритмы, как SIFT, SURF или ORB, после чего вычисляют смещение камеры.
• Прямые методы (англ. direct) — используют информацию о яркости всех пикселей изображения, минимизируя фотометрическую ошибку между кадрами для определения движения.

В последние годы всё большее распространение получают методы, использующие глубокое обучение. Сверточные нейронные сети (CNN) применяются для оценки глубины сцены по одному изображению^[6], выделения более устойчивых признаков или для прямого вычисления вектора перемещения в «сквозных» (англ. end-to-end) системах^[7]. Для обучения таких сетей часто используются синтетические данные, сгенерированные в виртуальных средах^[8].

Лидарная одометрия использует данные с лидаров (лазерных сканеров) для построения трёхмерных облаков точек. Путём сопоставления последовательных сканов система вычисляет собственное перемещение. Ключевым преимуществом этого метода является высокая точность и независимость от условий освещения.

Инерциальная одометрия основана на данных инерциальных измерительных блоков (IMU), которые включают акселерометры и гироскопы. IMU измеряют линейные ускорения и угловые скорости, интегрируя которые можно вычислить перемещение и ориентацию. Основным недостатком является быстрое накопление ошибки (дрейф) со временем.

Из-за недостатков отдельных методов современная тенденция заключается в их комплексировании (англ. sensor fusion). Наиболее распространённым подходом является визуально-инерциальная одометрия (англ. Visual-Inertial Odometry, VIO), объединяющая данные с камер и IMU^[9]. В таких системах данные с IMU компенсируют недостатки визуальной одометрии при быстрых движениях или на однородных поверхностях, а данные с камер, в свою очередь, корректируют дрейф инерциальной системы^[10].

Одометрия также является ключевым компонентом технологии SLAM (одновременной локализации и построения карты). В отличие от чистой одометрии, которая лишь инкрементально оценивает смещение, SLAM-алгоритмы строят карту окружающего пространства и используют её для коррекции накопленной ошибки, например, при обнаружении ранее посещённых мест (замыкание цикла).

На точность измерения положения могут влиять следующие факторы:

• Геометрия колёс (эллипсовидность, износ, некорректное измерение диаметра, различие диаметров при смене летних/зимних шин, профиль колеса);
• Материал и давление в шинах (рисунок протектора, мягкость материала, степень накачки, температура, скорость);
• Состояние поверхности (неровности, проскальзывание);
• Геометрия шасси (люфты, ошибки в измерении расстояний между колёсами и элементов рулевого управления);
• Масса транспортного средства (неравномерное распределение, что вызывает неравномерную нагрузку и деформацию отдельных колёс);
• Ветер.

В дополнение к ошибкам классической колёсной одометрии, современные методы также имеют свои специфические источники погрешностей. Визуальная одометрия может давать сбои при плохой видимости, на поверхностях с однородной текстурой (например, снег) или при слишком быстром движении. Основным недостатком инерциальной одометрии является быстрый дрейф — накопление ошибки с течением времени из-за интегрирования показаний датчиков.

Все эти ошибки учитываются при определении прироста положения, добавляемого к предыдущему значению. Следовательно, с каждым измерением ошибки суммируются, и по мере увеличения продолжительности измерений возникает всё большая погрешность. Этот дрейф ошибки при одометрическом определении положения практически неизбежен, несмотря на возможные пути минимизации отдельных составляющих.

В этом контексте одометрия означает функциональность системы, которая определяет положение, ориентацию и состояние движения автомобиля в определённые моменты времени. Исходными величинами обычно служат данные шасси (поворот колёс, направление), гироскопический датчик поворота (ESP/ABS) и рулевого управления (угол поворота колёс, рулевого колеса). В автомобильной навигации одометрия используется в дополнение к слежению по системе ГНСС, чтобы обеспечить определение положения в случаях отсутствия сигнала (например, в тоннелях) и повысить точность позиционирования.

В современных системах помощи водителю (ADAS) и беспилотных автомобилях роль одометрии значительно расширилась. Ключевой технологией стала визуально-инерциальная одометрия (англ. Visual-Inertial Odometry, VIO), которая объединяет данные с камер и инерциальных измерительных блоков (IMU). Такой подход позволяет компенсировать недостатки отдельных сенсоров: инерциальные датчики помогают при быстрых движениях или на однородных поверхностях (например, снег), где визуальная система может давать сбои, а камеры, в свою очередь, исправляют накопленную ошибку (дрейф) IMU.

Технологии VIO и SLAM (одновременная локализация и построение карты) активно используют алгоритмы глубокого обучения для анализа окружения, распознавания объектов и построения высокодетализированных 3D-карт в реальном времени^[11]. Для достижения максимальной надёжности применяется комплексное слияние данных (англ. sensor fusion) с VIO, SLAM, ГНСС, лидаров и 4D-радаров^[12][13]. Это создаёт избыточную и самопроверяемую навигационную систему, которая является основой для автомобилей с высоким уровнем автономии (L3 и выше)^[14].

В железнодорожной отрасли одометрия является критически важным компонентом бортового оборудования ETCS (Европейской системы управления движением поездов), отвечая за точное определение местоположения и скорости поезда^[15]. Поскольку точность традиционных датчиков на колёсных парах (энкодеров) ограничена из-за проскальзывания, в современных системах применяется гибридная одометрия, объединяющая данные от нескольких источников для достижения высокого уровня безопасности (вплоть до SIL4)^[16].

Современная гибридная система, как правило, включает^[16]:

• Энкодеры на оси — основной датчик, измеряющий вращение колёс.
• Доплеровские радары — измеряют скорость относительно рельсового полотна, корректируя ошибки энкодеров. Сочетание энкодеров и радаров является стандартной конфигурацией для систем высокого уровня безопасности^[16].
• Инерциальные измерительные блоки (IMU) — измеряют ускорения и угловые скорости, что позволяет поддерживать точность позиционирования при проскальзывании и в зонах отсутствия других сигналов (например, в тоннелях).
• ГНСС — используется для получения абсолютных координат и коррекции накопленной ошибки на больших расстояниях^[17].

Роль одометрии возрастает с повышением уровня ETCS. Если в Level 2 она важна для контроля движения между путевыми датчиками (евробализами), то в ETCS Level 3 она становится жизненно необходимой^[18]. Этот уровень предполагает переход к концепции «подвижного блок-участка» (англ. moving block), при которой поезд самостоятельно сообщает центру управления своё точное местоположение и целостность состава^[19]. Это позволяет значительно сократить интервалы между поездами и увеличить пропускную способность линий^[18].

Развитие технологий одометрии также связано с новыми стандартами и подходами. Стандарт ETCS Baseline 4, опубликованный в июле 2024 года, ввёл новые требования к управлению точностью одометрии, обязывая бортовые системы раздельно анализировать ошибки занижения и завышения пройденного расстояния для повышения безопасности^[20]. Кроме того, интеграция с ГНСС открывает путь к использованию «виртуальных бализ», где прохождение определённых точек на пути определяется по спутниковым координатам, что снижает затраты на путевую инфраструктуру^[21][22]. Примером такого подхода является система компании Alstom, внедряемая в Норвегии, которая использует слияние данных ГНСС и IMU^[15][23].

В автономной робототехнике одометрия является одним из основных методов локализации^[24]. Если традиционно для этого использовались данные с колёсных датчиков, дополненные сонарами или ГНСС, то современные подходы сместили акцент на визуальную (VO), лидарную и визуально-инерциальную (VIO) одометрию. Это позволяет применять технологию на различных типах роботов, включая шагающих и беспилотные летательные аппараты.

Одометрия является неотъемлемой частью технологии SLAM (одновременной локализации и построения карты). В то время как чистая одометрия инкрементально оценивает смещение, что неизбежно ведёт к накоплению ошибки (дрейфу), SLAM-алгоритмы строят карту окружающего пространства и используют её для коррекции траектории, например, при обнаружении ранее посещённых мест (замыкание цикла). Современные SLAM-системы, такие как ORB-SLAM3, включают в себя модуль одометрии как один из ключевых компонентов^[25].

Ключевой тенденцией в развитии методов стало применение глубокого обучения. Свёрточные нейронные сети (CNN) используются для оценки глубины сцены по одному изображению, выделения более устойчивых к изменениям освещения признаков или для прямого вычисления вектора перемещения робота в «сквозных» (англ. end-to-end) системах. Это привело к появлению семантического SLAM, где робот не просто строит геометрическую карту, а распознаёт на ней объекты («дверь», «человек», «дорожный знак»), что позволяет игнорировать движущиеся элементы и повышать надёжность навигации в динамических средах^[25]. Для достижения максимальной отказоустойчивости применяется мультисенсорное комплексирование (англ. sensor fusion), в частности, визуально-инерциальная одометрия (VIO), объединяющая данные с камер и IMU.

Данные технологии находят применение в промышленных и складских роботах (AMR), беспилотных летательных аппаратах (особенно в GPS-недоступных средах), системах дополненной реальности и планетоходах^[25][26].

Установлено, что муравьи после поиска пищи могут ориентироваться домой с помощью интеграции пути^[27], подсчитывая количество сделанных шагов («внутренний шагомер»). На пройденное муравьями расстояние влияет длина их ног. Последующие исследования показали, что это лишь одна из составляющих сложной навигационной системы. Муравьи также используют визуальную одометрию, оценивая дистанцию по скорости, с которой объекты проносятся в поле зрения (так называемый оптический поток)^[28]. Эта система работает независимо от подсчёта шагов. Кроме того, для калибровки своего внутреннего компаса, работающего в связке с одометром, муравьи используют геомагнитное поле Земли^[29]. Эксперименты с передвижением под разными углами наклона показали, что муравьи способны точно определять пройденное расстояние, что указывает на наличие тригонометрических вычислений^[30].

Навигационная система шмелей также основана на мультисенсорном подходе. Они используют векторную навигацию, постоянно отслеживая направление и пройденное расстояние для создания в мозгу пространственных векторов, которые сохраняются в долговременной памяти. Это позволяет им возвращаться к гнезду по прямой линии даже после запутанных маршрутов^[31]. Помимо визуальной одометрии для навигации на дальние расстояния, шмели используют обоняние для точного наведения на цель. Они оставляют у входа в гнездо собственные запаховые метки, которые служат надёжным ориентиром, когда визуальные подсказки ненадёжны^[32].