Hé! Vous semblez être en United States, souhaitez-vous utiliser notre site English ?
Switch to English site
Skip to main content

Les capteurs au centre de la mécatronique

L'Internet des objets d'aujourd'hui (IoT) n'est que le début d'une révolution pour rendre notre environnement plus intelligent. Comme il est centré sur des capteurs qui alimentent des logiciels intelligents fonctionnant sur des serveurs, il est considéré comme un système essentiellement passif. L'IoT soutient les décisions plutôt que de les mettre en œuvre. La mécatronique quant à elle, ferme la boucle en fournissant l'interaction active qui offrira plus de fonctionnalité et d'efficacité dans l'industrie, la maison et le transport.

Comment les robots évoluent dans leur environnement ?

Les robots nous aideront à accomplir les tâches quotidiennes et supporteront la fabrication et la prestation de services. Une partie de leur fonctionnalité est utilisée dans les véhicules autonomes. Pour le faire de manière sûre et efficace, ces types de robots doivent se situer dans leur environnement. Les générations plus anciennes de robots d'automatisation d'usine et de machines de production ne l'ont pas fait parce qu'ils fonctionnaient dans des cages de sécurité et suivaient des trajectoires prévisibles et préprogrammées. Afin d'être plus flexible et réactive, la prochaine génération d'équipements de production doit surveiller ses propres mouvements et ceux des autres sur le lieu de travail

Robot_mecatronique_4ce7fa641f9f5a54d427ca051f21f0d221e5ba6f.jpg

Par conséquent, la problématique de la détection mécatronique comporte deux éléments. La première consiste à s'assurer que la position de chaque élément mobile est cohérente avec le modèle interne de l'algorithme de motion-control. Il y a un peu plus d'une décennie, les capteurs nécessaires à ce type d'analyse par un système mécatronique n'auraient pas été techniquement réalisables. Même les plus simples et les moins basiques qui étaient alors disponibles auraient coûté cher à produire. Mais le lancement de la Nintendo Wii a changé la façon radicale la perception du mouvement des concepteurs. Les manettes de la Wii intègrent des accéléromètres pour mesurer les mouvements d'un joueur. L'iPhone d'Apple a propulsé la détection de mouvement au niveau supérieur. Le produit et les nombreux smartphones qu'il a inspirés ont intégré pas seulement des accéléromètres.

Quels sont les détecteurs de mouvement utilisés pour la mécatronique

Les appareils mobiles d'aujourd'hui contiennent désormais des accéléromètres, des gyroscopes et des capteurs de pression ainsi que des récepteurs pour capter les services du système mondial de navigation par satellite (GNSS). Le résultat est un ensemble de données d'entrées en temps réel qui permet de localiser l'emplacement du dispositif pratiquement n'importe où dans le monde.

Il y a une raison pour laquelle les équipements mobiles tels que les smartphones intègrent une variété de capteurs pour détecter les mouvements. Bien qu'il ne soit pas conçu expressément pour cette tâche, un ensemble d'accéléromètres disposés en orthogonale le long des axes x, y et z peut détecter aussi bien la rotation que le mouvement sur une trajectoire linéaire. Mais l'accéléromètre souffre d'imprécisions qui peuvent rapidement conduire à des erreurs de position. De plus, les accéléromètres peuvent être confondus lorsque le système ne bouge pas réellement. Une source continue d'erreur est celle de l'accélération causée par la gravité. Il peut être difficile pour un accéléromètre seul de distinguer ces deux composantes d'accélération.

Un filtre passe-haut fournit un mécanisme pour filtrer la composante gravitationnelle de l'accélération tout en maintenant l'entrée des composantes d'accélération à changement plus rapide attendues résultant du mouvement physique. Un filtre passe-haut doit souvent être couplé à un filtre passe-bas pour éliminer les sources de vibrations basses fréquences et bruyantes. Même ainsi, l'accéléromètre peut accumuler des erreurs provenant des nombreuses sources de bruit qui l'affligent.

Contrairement à l'accéléromètre, le gyroscope est conçu pour détecter les mouvements de rotation, mais il fournit également des signaux complémentaires à ceux des accéléromètres. Ce sont des données d'entrée qui peuvent annuler les sources de bruit gênantes après le traitement numérique.

Un ensemble différent de sources de bruit affecte le gyroscope. La dérive est la source d'erreur la plus courante, qui s'accumule avec le temps. Les mesures d'étalonnage effectuées sur les capteurs gyroscope permettent de réduire les erreurs qui provoquent la dérive: il s'agit d'une valeur de compensation qui peut être ajoutée à la boucle d'intégration. Mais dans les systèmes qui fournissent plus d'un type de capteur de mouvement, il existe une autre option: la fusion de capteurs.
La fusion de capteurs, comme son nom l'indique, couvre un ensemble d'algorithmes qui combinent les entrées de différents types de capteurs et les utilise pour construire un capteur virtuel qui est plus précis et fiable que n'importe lequel des éléments séparés.

Comment le filtre Kalman intervient dans la mécatronique ?

Il existe maintenant un certain nombre de techniques de fusion des capteurs qui fonctionnent bien pour surveiller le mouvement. Le filtre Kalman en est un exemple courant. Dans son noyau, le Kalman fournit une moyenne pondérée des lectures des capteurs. Ce n'est pas seulement une simple moyenne, mais aussi une moyenne qui tient compte de l'incertitude. Les mises à jour que l'algorithme considère comme étant probablement plus exactes reçoivent une pondération plus élevée que celles dont on pense qu'elles comportent une plus grande incertitude. Cette capacité à s'adapter aux changements de performance des capteurs qui semblent inhabituels par rapport à l'état prévu par le modèle interne du filtre fournit des réponses plus robustes, contribuant à améliorer la fiabilité globale.

Les circuits intégrés concentrateurs de capteurs sont apparus sur le marché qui simplifient l'intégration des données de plusieurs types de capteurs et supportent les algorithmes de fusion de capteurs. Avec les filtres matériels, ils peuvent décharger une grande partie de la charge de travail du microcontrôleur hôte. Cela peut réduire le coût du système et la consommation d'énergie par rapport aux algorithmes entièrement basés sur des logiciels. Une intégration plus poussée a donné naissance à des dispositifs qui combinent les fonctions de moyeu avec les capteurs eux-mêmes et le traitement nécessaire pour mettre en œuvre des technologies de fusion telles que le filtrage Kalman. Un exemple est le Bosch Sensortec BNO055, qui est supporté par le logiciel FusionLib de la société.

Grâce à sa combinaison d'accéléromètre, gyroscope, capteur géomagnétique, le circuit intégré BNO055 permet de détecter le mouvement sur neuf axes associé au logiciel FusionLib qui lie les mesures en un tout cohérent. Le circuit intégré libère les clients de la nécessité de développer leurs propres pilotes et algorithmes de fusion.

Les capteurs de mouvement à eux seuls fournissent au robot une image cohérente de ses propres mouvements. Mais pour se déplacer en toute sécurité, la machine doit être capable de sentir le mouvement autour d'elle-même. C'est là que la deuxième grande catégorie de capteurs nécessaires pour un mouvement mécatronique sûr et efficace devient importante. Cette catégorie permet de s'assurer que l'ensemble du système mobile ne heurte pas accidentellement d'autres objets et que le système sait où il se trouve. Diverses technologies de capteurs occupent ce domaine.

Quel est le rôle des capteurs de pression ?

Les plus simples sont les capteurs conçus pour détecter les obstructions. Il existe un certain nombre de technologies qui supportent cette application. Certains robots utilisent maintenant des capteurs de pression sur leur surface pour s'arrêter lorsqu'ils entrent en contact avec un obstacle ou un objet qu'ils sont censés manipuler. Typiquement, cette approche fonctionne avec des membres et des moteurs lents et où le robot délivre relativement peu de force. Des barrières immatérielles ainsi que des capteurs de proximité infrarouges permettent de détecter les obstacles sans entrer en contact avec un autre objet. Les deux utilisent la réflexion des ondes qui rebondissent sur la cible pour déterminer la distance relative de l'obstruction.

Le duo caméra et Deep learning pour plus précision

Les caméras assurent un contrôle plus sophistiqué des systèmes mécatroniques. Il ne s'agit pas seulement de caméras conventionnelles, mais aussi de caméras time-of-flight, comme le capteur REAL3 d'Infineon Technologies, qui permet de cartographier des espaces 3D complexes dans le champ visuel. La montée en puissance des technologies de réalité virtuelle contribuera à faire baisser le coût de ces dispositifs, en les mettant à la portée de nombreux systèmes mécatroniques autonomes, de la même manière que le marché d'ADAS contribue au développement de capteurs lidar et radar à moindre coût. La famille de circuits intégrés à ondes millimétriques BGT24M/L (146-2591) d'Infineon est un exemple de technologie radar intégrée dans l'environnement industriel.

La clé de l'utilisation de capteurs plus avancés tels que les radars et les caméras 2D et time-of-flight réside dans des algorithmes avancés basés sur les technologies IA comme l'apprentissage profond (Deep learning). La mécatronique mobile se caractérise par sa consommation d'énergie. A l'origine, le deep learning était implémenté sur des microprocesseurs haut de gamme et des unités de traitement graphique (GPU) avec des budgets de puissance élevés. Aujourd'hui, les constructeurs de machines disposent de dispositifs spécialisés tels que le Movidius Myriad-2 SoC. Déjà utilisé dans les systèmes d'aide à la conduite automobile, le Myriad-2 est un processeur de vision machine optimisé pour le deep learning et la déduction en temps réel. Les intégrateurs mécatroniques, soutenus par des frameworks logiciels gratuits tels que Caffe et Tensorflow, peuvent explorer facilement ses capacités à l'aide de la Neural Network Compute Stick - (139-3655) clé de calcul Neural Network Compute Stick, qui se branche sur un port USB.

Grâce à des concentrateurs de capteurs perfectionnés et à des outils axés sur le développement tels que le Neural Network Compute Stick, il devient de plus en plus facile pour les développeurs travaillant sur des systèmes mécatroniques et robotiques d'améliorer les fonctionnalités de leurs conceptions et de les aider à devenir plus mobiles. Au fur et à mesure que le marché se développera, il contribuera à faire baisser les coûts et fournira des solutions supplémentaires, faisant du mouvement intelligent un élément central de l'IoT naissant.

TechTeam71 n'a pas encore rempli le champs " à propos de moi" ...
DesignSpark Electrical Logolinkedin