🧪 Инженерное тестирование роботов

Шаг 1: Определяем параметры для измерения

Для транспортного робота:

• 📏 Точность остановки (отклонение от цели в см)
• ⏱️ Время выполнения маршрута (в секундах)
• 🎯 Успешность выполнения задачи (% успешных попыток)
• 🔋 Энергопотребление (условные единицы)

Для манипулятора:

• 🎯 Точность захвата (попадание в цель)
• ⚡ Скорость манипуляций (движений в минуту)
• 💪 Надежность удержания груза
• 🔄 Повторяемость движений

Шаг 2: Готовим испытательный полигон

Стандартные условия:

• Ровная поверхность без препятствий
• Хорошее освещение
• Стабильная температура
• Отсутствие вибраций

Контрольные точки:

• Четко обозначенные маркеры
• Измерительные линейки
• Секундомеры
• Камеры для записи

Количество измерений: Для достоверных результатов нужно минимум 10 повторений каждого теста

Контроль условий:

• Одинаковое начальное положение
• Одинаковый заряд батареи
• Одинаковые внешние условия

Документирование:

• Время и дата испытания
• Условия проведения
• Версия программы
• Особенности поведения робота

Дизайн эксперимента (DOE - Design of Experiments):

Если мы хотим проверить влияние нескольких факторов:

• Скорость движения (медленно/быстро)
• Алгоритм навигации (простой/сложный)
• Освещение (яркое/тусклое)

Факторный план 2³:

Матрица планирования:

Анализ главных эффектов:

Тест 1: Точность позиционирования

Задача: Робот должен доехать до точки (50, 50) от старта (0, 0)

Методика:

1. Устанавливаем робота в точку старта
2. Запускаем программу движения к цели
3. Измеряем координаты финальной позиции
4. Записываем время выполнения
5. Повторяем 10 раз

Таблица результатов:

Расчет отклонения:

Задача: Робот должен объехать препятствие и достичь цели

Критерии успеха:

• ✅ Робот достиг цели
• ✅ Не столкнулся с препятствием
• ✅ Время выполнения < 30 секунд

Результаты из 20 попыток:

• Успешных: 17
• Столкновений: 2
• Превышение времени: 1

Надежность:

Задача: Измерить скорость выполнения типовых операций

Операции для манипулятора:

1. Захват объекта - среднее время
2. Перемещение объекта - скорость движения
3. Размещение объекта - точность позиционирования

Операции для мобильного робота:

1. Поворот на 90° - время и точность
2. Движение на 1 метр - скорость и стабильность
3. Торможение - тормозной путь

Метрики производительности:

• Операций в минуту
• Средняя скорость движения
• Время реакции на команды

Статистические показатели:

Среднее арифметическое:

Среднеквадратичное отклонение:

Доверительный интервал:

где $t_{\alpha/2}$ - критическое значение t-распределения

Для n=10 и уровня доверия 95%: $t_{0.025} = 2.26$

Пример расчета: Если среднее отклонение $\bar{x} = 2.1$ см, $\sigma = 0.8$ см, n = 10:

Результат: отклонение составляет 2.1 ± 0.57 см с вероятностью 95%

Проверка гипотез:

H₀: Точность робота соответствует техническим требованиям (≤ 2 см)
H₁: Точность не соответствует требованиям (> 2 см)

t-статистика:

Поскольку t < 2.26, гипотеза H₀ не отвергается.

Шаг 1: Ввод данных

A1: Попытка    B1: Отклонение_X    C1: Отклонение_Y    D1: Время
A2: 1          B2: 2.3             C2: -1.3            D2: 12.4
A3: 2          B3: -0.9            C3: 1.2             D3: 12.1
...

Шаг 2: Расчет основных статистик

Среднее отклонение X:  =СРЗНАЧ(B2:B11)
Станд. отклонение X:   =СТАНДОТКЛОН(B2:B11)
Минимум:               =МИН(B2:B11)
Максимум:              =МАКС(B2:B11)

Шаг 3: Построение графиков

• Гистограмма распределения отклонений
• График зависимости точности от времени
• Диаграмма “ящик с усами” (box plot)

График точности по попыткам:

Отклонение (см)
      ↑
    4 |    •
      |      
    3 |  •       •
      |    •   •
    2 |      •     •
      |  •     • •   •
    1 |__•_____________→ Попытка
      1  2  3  4  5  6  7  8  9  10

Анализ тренда:

• Есть ли улучшение со временем?
• Стабильна ли работа?
• Есть ли выбросы?

Гистограмма распределения:

Частота
   ↑
 4 |  ██
   |  ██
 3 |  ██  ██
   |  ██  ██
 2 |  ██  ██  ██
   |  ██  ██  ██
 1 |  ██  ██  ██  ██
   |________________→ Отклонение (см)
   0-1  1-2  2-3  3-4

Корреляционный анализ:

Есть ли связь между временем выполнения и точностью?

Интерпретация:

• r > 0.7 - сильная положительная связь
• r < -0.7 - сильная отрицательная связь
• |r| < 0.3 - слабая связь

Регрессионный анализ:

Модель зависимости точности от времени:

где:

Оценка качества модели:

R² = 0.8 означает, что 80% вариации объясняется моделью

Прогнозирование: На основе модели можем предсказать точность для новых условий

Проблема 1: Накопление ошибок

Наблюдение: Точность ухудшается с каждым движением
Причина: Ошибки одометрии накапливаются
Решение: Периодическая калибровка по внешним ориентирам

Проблема 2: Нестабильность на поворотах

Наблюдение: Большой разброс при выполнении поворотов
Причина: Проскальзывание колес, инерция
Решение: Снижение скорости поворотов, ПИД-регулятор

Проблема 3: Медленная реакция на препятствия

Наблюдение: Робот поздно обнаруживает препятствия
Причина: Низкая частота опроса датчиков
Решение: Увеличить частоту, улучшить алгоритм

Матрица проблем:

Приоритизация по матрице:

Критичность
      ↑
Высокая |  Сбои    Столкновения
        |     
Средняя |  Точность
        |
Низкая  |  Скорость
        |___________________→ Частота
        Низкая  Средняя  Высокая

Порядок исправления:

1. Сбои программы (высокая критичность)
2. Столкновения (высокая критичность)
3. Точность (высокая частота)
4. Скорость (низкая критичность)

Метод “5 почему” (5 Whys):

Проблема: Робот часто промахивается мимо цели

1. Почему? Потому что неточно определяет расстояние
2. Почему? Потому что энкодеры дают погрешность
3. Почему? Потому что колеса проскальзывают
4. Почему? Потому что поверхность неровная
5. Почему? Потому что не учитывается тип поверхности

Корневая причина: Алгоритм не адаптируется к условиям поверхности

Диаграмма Исикавы (рыбья кость):

                    Промах мимо цели
                          ↑
Оборудование ←──────────────┼──────────────→ Программа
• Износ колес              │           • Ошибки в коде
• Люфт в редукторе         │           • Неточная калибровка
                           │
Среда ←────────────────────┼──────────────→ Метод
• Освещение                │           • Алгоритм навигации  
• Поверхность              │           • Частота обновления

FMEA-анализ (Failure Mode and Effects Analysis):

RPN = Вероятность × Тяжесть × Обнаружение (чем больше, тем критичнее)

Рекомендация 1: Улучшение точности позиционирования

Проблема: Среднее отклонение 2.1 см при требовании ≤ 2.0 см

Решение: Внедрить фильтр Калмана для одометрии

// Простой фильтр для сглаживания данных одометрии
float filteredPosition = 0.8 * rawPosition + 0.2 * previousFiltered;

Ожидаемый результат: Снижение отклонения до 1.5 см

Рекомендация 2: ПИД-регулятор для поворотов

Проблема: Разброс углов поворота ±5°

Решение: Внедрить ПИД-регулятор

float pid_control(float target_angle, float current_angle) {
    float error = target_angle - current_angle;
    float correction = Kp*error + Ki*integral + Kd*derivative;
    return correction;
}

Параметры: Kp=2.0, Ki=0.1, Kd=0.5

Рекомендация 3: Адаптивная скорость

Проблема: Постоянная скорость неэффективна

Решение: Переменная скорость в зависимости от ситуации

float adaptive_speed(float distance_to_obstacle, float distance_to_goal) {
    if (distance_to_obstacle < 30) return 0.3;      // медленно
    if (distance_to_goal < 20) return 0.5;          // умеренно
    return 1.0;                                     // быстро
}

Ожидаемый результат: Ускорение на 25% при сохранении безопасности

Рекомендация 4: Оптимизация циклов

Проблема: Медленное выполнение основного цикла

Текущий код:

void loop() {
    delay(100);  // слишком много ожидания
    readSensors();
    calculatePath();
    moveMotors();
}

Оптимизированный код:

void loop() {
    if (millis() - lastUpdate > 20) {  // 50 Гц вместо 10 Гц
        readSensors();
        calculatePath();
        moveMotors();
        lastUpdate = millis();
    }
}

Генетический алгоритм для настройки параметров:

class GeneticOptimizer {
    struct Individual {
        float kp, ki, kd;  // параметры ПИД
        float fitness;     // качество (точность)
    };
    
    void evolve() {
        // 1. Оценка приспособленности
        for (auto& ind : population) {
            ind.fitness = evaluateRobot(ind.kp, ind.ki, ind.kd);
        }
        
        // 2. Селекция лучших
        sort(population.begin(), population.end(), 
             [](const Individual& a, const Individual& b) {
                 return a.fitness > b.fitness;
             });
        
        // 3. Скрещивание
        for (int i = 0; i < population.size()/2; i++) {
            Individual child = crossover(population[i], population[i+1]);
            population[i + population.size()/2] = child;
        }
        
        // 4. Мутация
        for (auto& ind : population) {
            if (random(100) < mutationRate) {
                mutate(ind);
            }
        }
    }
};

Машинное обучение для адаптации:

Нейронная сеть для выбора оптимальной скорости:

float neural_speed_control(float sensors[4]) {
    // Скрытый слой
    float hidden[3];
    for (int i = 0; i < 3; i++) {
        hidden[i] = 0;
        for (int j = 0; j < 4; j++) {
            hidden[i] += sensors[j] * weights_input[j][i];
        }
        hidden[i] = tanh(hidden[i]);  // активация
    }
    
    // Выходной слой
    float output = 0;
    for (int i = 0; i < 3; i++) {
        output += hidden[i] * weights_output[i];
    }
    
    return sigmoid(output);  // скорость от 0 до 1
}

Обучение с подкреплением (Q-Learning):

class QLearning {
    float Q[STATES][ACTIONS];  // Q-таблица
    
    int selectAction(int state) {
        if (random(100) < epsilon) {
            return random(ACTIONS);  // исследование
        } else {
            return argmax(Q[state]);  // использование знаний
        }
    }
    
    void updateQ(int state, int action, float reward, int nextState) {
        float maxQ = *max_element(Q[nextState], Q[nextState] + ACTIONS);
        Q[state][action] += alpha * (reward + gamma * maxQ - Q[state][action]);
    }
};

1. Титульный лист

ОТЧЕТ ОБ ИСПЫТАНИЯХ
Робототехнической системы [Название]

Выполнили: [Имена участников]
Класс: 6
Дата: [Дата]
Школа: ГБОУ № 1362

2. Аннотация (150-200 слов)

• Цель испытаний
• Краткое описание методики
• Основные результаты
• Ключевые выводы

3. Введение

• Описание тестируемой системы
• Цели и задачи испытаний
• Критерии оценки успеха

4. Методика испытаний

• Условия проведения
• Измерительное оборудование
• Протокол тестирования
• Количество повторений

5. Результаты экспериментов

Таблица основных метрик:

Графики:

• Гистограмма точности
• График времени по попыткам
• Диаграмма успешности

6. Статистический анализ

• Проверка нормальности распределения
• Доверительные интервалы
• Корреляционный анализ

7. Анализ результатов

Соответствие требованиям:

• ✅ Время выполнения: СООТВЕТСТВУЕТ (12.3 с < 15 с)
• ❌ Точность: НЕ СООТВЕТСТВУЕТ (2.1 см > 2.0 см)
• ❌ Надежность: НЕ СООТВЕТСТВУЕТ (85% < 90%)

Выявленные проблемы:

1. Накопление ошибок одометрии

   • Проявление: ухудшение точности на длинных маршрутах
   • Частота: в 60% длинных тестов
   • Критичность: средняя

2. Нестабильная работа на поворотах

   • Проявление: разброс углов ±5°
   • Частота: в 40% поворотов
   • Критичность: высокая

8. Рекомендации по улучшению

Приоритет 1 (критический):

• Внедрить ПИД-регулятор для поворотов
• Добавить проверку выполнения команд

Приоритет 2 (высокий):

• Реализовать фильтр Калмана для одометрии
• Оптимизировать частоту обновления

Приоритет 3 (средний):

• Добавить адаптивную скорость
• Улучшить алгоритм планирования пути

SWOT-анализ робототехнической системы:

Матрица решений:

Рекомендация: начать с ПИД-регулятора