Sensores en movimiento
Artículo escrito por Simon Duggleby, Senior Product Marketing Manager de RS Components.
El Internet de las Cosas (IoT) actual es solo el comienzo de una revolución en la creación de un entorno más inteligente para nosotros. Puesto que se basa en sensores que envían datos a software inteligente que se ejecuta en servidores, tiene las características de un sistema principalmente pasivo. El IoT respalda las decisiones en lugar de implementarlas. La mecatrónica cierra el círculo, ya que facilita una interacción activa que ofrecerá mayor comodidad y eficiencia tanto en la industria, como en los hogares y el transporte.
Los robots nos ayudarán a realizar las tareas rutinarias diarias, además de ayudar en la fabricación y en la prestación de servicios. Algunas de sus funciones se están utilizando en vehículos a motor autónomos que nos transportan de un sitio a otro. Para hacerlo de forma segura y eficiente, estos robots deben saber dónde están. Las generaciones anteriores de robots para automatización de fábricas y maquinaria de producción no podían hacerlo porque funcionaban en jaulas de seguridad y seguían trayectorias predecibles programadas con antelación. Para ofrecer mayor flexibilidad y fiabilidad, la siguiente generación de equipos de producción debe ser capaz de monitorizar su propio movimiento y el de los demás en el lugar de trabajo.
Como resultado, existen dos elementos en el problema de detección en mecatrónica. Uno es garantizar que la posición de cada pieza móvil es coherente con el modelo interno del algoritmo de control del movimiento. Hace poco más de una década, los sensores necesarios para este tipo de análisis de un sistema basado en mecatrónica habrían sido técnicamente imposibles. Incluso los más simples y básicos habrían resultado caros de producir. Pero el lanzamiento de la Nintendo Wii cambió la forma en la que los diseñadores empezaron a pensar en la incorporación de detección del movimiento en sus sistemas. Los mandos de Wii incluían acelerómetros para detectar la forma en la que se movía un jugador. El iPhone de Apple llevó la detección del movimiento al siguiente nivel. El producto y los numerosos smartphones que inspiró no solo incorporaban acelerómetros.
Los dispositivos móviles actuales contienen acelerómetros, giroscopios y sensores de presión, además de receptores para detectar servicios del sistema global de navegación por satélite (GNSS). El resultado es una recopilación de entradas en tiempo real que permite detectar con precisión la ubicación del dispositivo prácticamente en cualquier lugar del mundo.
Hay un motivo por el que los dispositivos móviles, como los smartphones, incorporan distintos sensores para detectar el movimiento. Aunque no se ha diseñado expresamente para esa tarea, un grupo de acelerómetros distribuidos ortogonalmente a lo largo de los ejes "x", "y" y "z" permite detectar la rotación, además del movimiento a lo largo de una ruta lineal. Pero los acelerómetros tienen imprecisiones que pueden generar rápidamente errores de posición. Además, los acelerómetros pueden confundirse en cuanto a si el sistema está realmente en movimiento. Una fuente continua de errores es la aceleración provocada por la gravedad. Puede resultar difícil que un acelerómetro pueda distinguir por su cuenta entre dos componentes de aceleración.
Un filtro de paso alto ofrece un mecanismo para filtrar el componente gravitacional de la aceleración, a la vez que mantiene la entrada de los componentes de aceleración que se prevé que cambien más rápido a causa del movimiento físico. Con frecuencia, un filtro de paso alto debe combinarse con un filtro de paso bajo para eliminar las fuentes de ruido y vibración de bajo nivel y alta frecuencia. Incluso así, el acelerómetro puede acumular errores debido a las numerosas fuentes de ruido a las que está sometido.
El giroscopio, en contraste con el acelerómetro, se ha diseñado para detectar el movimiento rotativo, aunque también ofrece señales complementarias a las del acelerómetro. Estas entradas permiten eliminar las problemáticas fuentes de ruido que se producen después del procesamiento digital.
El giroscopio se ve afectado por un conjunto diferente de fuentes de ruido. La deriva es la fuente más habitual de error y se acumula con el tiempo. Las medidas de calibración de los propios sensores giroscópicos ayudan a reducir los errores provocados por la deriva y ofrecen un valor de compensación que se puede incorporar al ciclo de integración. Pero en sistemas que ofrecen más de un tipo de sensor de movimiento, hay otra opción: la fusión de sensores.
La fusión de sensores, como sugiere su nombre, cubre un grupo de algoritmos que combinan las entradas de diferentes tipos de sensores y las utilizan para crear un sensor virtual que es más preciso y fiable que cualquiera de los elementos independientes.
En la actualidad existen distintas técnicas para llevar a cabo la fusión de sensores que funcionan bien para monitorizar el movimiento. Un ejemplo de uso común actual es el filtro Kalman. En esencia, el filtro Kalman proporciona una media ponderada de las lecturas de los sensores. No es una simple media, sino que tiene en cuenta la incertidumbre. Las actualizaciones en el algoritmo que es más probable que sean más precisas reciben una mayor ponderación que las que se considera que tienen un mayor incertidumbre. El modelo interno del filtro ofrece la capacidad de adaptarse a los cambios en el rendimiento de los sensores que parecen inusuales en relación con el estado previsto, lo que ofrece respuestas más sólidas y ayuda a mejorar la fiabilidad general.
En el mercado se han presentado circuitos integrados de hub de sensores que simplifican la integración de los datos de varios tipos de sensores y respaldan los algoritmos de fusión de sensores. Gracias al uso de filtros basados en hardware, permiten eliminar gran parte de la carga de trabajo del microcontrolador host. Esto permite reducir el coste del sistema y el consumo de energía en comparación con los algoritmos basados únicamente en software. La mayor integración ha generado dispositivos que combinan funciones de hub con los sensores en sí y el procesamiento necesario para implementar las tecnologías de fusión como el filtrado Kalman. Un ejemplo es el Bosch Sensortec BNO055, en el que se utiliza el software FusionLib de la empresa.
Gracias a su combinación de acelerómetro, giroscopio y sensor geomagnético, el BNO055 permite detectar el movimiento en nueve ejes, mientras que el software FusionLib combina las mediciones para formar un todo coherente. El dispositivo integrado libera a los clientes de la necesidad de desarrollar sus propios controladores y algoritmos de fusión.
Los detectores de movimiento proporcionan a un robot una imagen coherente de sus propios movimientos. Pero para moverse de forma segura, la maquinaria debe poder detectar el movimiento a su alrededor. Es en este punto en el que gana importancia la segunda clase general de sensores necesarios para un movimiento mecatrónico seguro y eficiente. Esta clase garantiza que todo el sistema de movimiento no choque accidentalmente con otros objetos y que el sistema sepa dónde se encuentra. En esta área se incluyen numerosas tecnologías de sensor.
Los más sencillos son los sensores diseñados para rastrear obstrucciones. Existen distintas tecnologías que respaldan esta aplicación. Hoy día, algunos robots emplean sensores de presión en su superficie para que se detengan cuando entran en contacto con una obstrucción o un objeto que deben manipular. Normalmente, este enfoque funciona con extremidades y motores que se mueven lentamente, y en los que el robot ejerce una fuerza relativamente baja. Las cortinas ópticas, además de los sensores de proximidad por infrarrojos, son medios para detectar obstrucciones sin entrar en contacto con otro objeto. En ambos casos se utiliza el reflejo de las ondas que rebotan en el objetivo para determinar la distancia relativa hasta la obstrucción.
Las cámaras permiten un control más sofisticado de los sistemas de mecatrónica. No solo se incluyen las cámaras convencionales, sino también las cámaras time-of-flight, como el sensor REAL3 de Infineon Technologies, que permite trazar espacios 3D complejos en el campo de visión. La proliferación de las tecnologías de realidad virtual ayudará a reducir el coste de estos dispositivos, para que estén al alcance de muchos sistemas de mecatrónica autónomos de forma muy similar a la forma en la que el mercado de ADAS está ayudando a desarrollar sensores de radar y LIDAR de menor coste. Un ejemplo de tecnología de radar que se está incorporando al entorno industrial es la gama BGT24M/L de circuitos integrados de ondas milimétricas de Infineon.
La clave para utilizar sensores más avanzados como los de radar y 2D, y las cámaras de propagación, reside en los algoritmos avanzados basados en tecnologías de inteligencia artificial, como el aprendizaje profundo. Un problema clave de la mecatrónica móvil es el consumo de energía. Originalmente, el aprendizaje profundo se implementaba en microprocesadores y unidades de procesamiento de gráficos (GPU) de gama alta con enormes presupuestos de energía. Actualmente, los fabricantes de máquinas tienen a su disposición dispositivos especializados como el SoC Movidius Myriad-2. El Myriad-2, que ya se emplea en sistemas de asistencia al conductor, es un procesador de visión optimizado para aprendizaje profundo e inferencia en tiempo real. Con la ayuda de marcos de software disponibles de forma gratuita, como Caffe y Tensorflow, los integradores de mecatrónica pueden explorar sus capacidades fácilmente gracias al uso de la unidad de computación de red neuronal, que se conecta a un puerto USB.
A través de avanzados hubs de sensores y herramientas centradas en el desarrollo, como el Neural Network Compute Stick, cada vez resulta más fácil para los desarrolladores trabajar en sistemas robóticos y de mecatrónica para actualizar la funcionalidad de sus diseños y ayudar a que sean más móviles. Con el crecimiento del mercado, los costes se irán reduciendo más y habrá disponibles soluciones adicionales, por lo que el movimiento inteligente se convertirá en una parte esencial del floreciente IoT.