Система обработки ограниченного набора данных для цифрового двойника мобильного робота

   Цель исследования. Разработать и описать подход к интеграции физических и виртуальных моделей в реальном времени, учитывающий существующие ограничения классического фильтра Калмана, работающего с нелинейными системами.

   Методы. В работе использованы классический и расширенный фильтр Калмана, а также их модификации с раздельной обработкой различных компонентов состояния модели и адаптивной настройкой шума, получаемые при измерении состояния модели. Проводился анализ передаваемых данных, для оценки устойчивости модели, при возникновении временных задержек, а также оптимизация алгоритмов работы модели, учитывающим задержки в канале связи.

   Особое внимание уделялось сценариям рассинхронизации частот дискретизации между физическим стендом и виртуальной моделью с введением компенсаторов, учитывающих пропуски при измерениях.

   Результаты. Показано, что при применении классического фильтра Калмана, в системах, где происходит интеграция физических данных в цифровой модуль, наблюдается существенное ухудшение результатов и соответственно качество оценки. Возникают неточности данных, задержки, временные потери. В работе предложена модифицированная архитектура фильтрации. Продемонстрировано, что такое дополнение значительно повышает устойчивость системы и снижает чувствительность к кратковременным разрывам связи. Проведенные симуляции подтверждают уменьшение среднеквадратичной ошибки по сравнению с классической схемой. При этом уровень вычислительной мощности является сопоставимым. Таким образом предложенный подход является применимым в реальном времени в системах управления и мониторинга сложных объектов.

   Заключение. Проводимое исследование выявило существующие ограничения классического фильтра Калмана. Особенно ощущается это при интеграции физических и виртуальных моделей в реальном времени. Предложенная модификация расширенного фильтра, включает в себя адаптивную настройку и повышает устойчивость оценки состояния, особенно при шуме и возникающих задержках. Результаты применимы для построения цифровых двойников в системах управления робототехникой и промышленными стендами.

1. Rahman S., Li A. Q., Rekleitis I. SVIn2: An Underwater SLAM System using Sonar, Visual, Inertial, and Depth Sensor // 2019 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS), Macau, China, 2019. P. 1861-1868, doi: 10.1109/IROS40897.2019.8967703.

2. Jeong D. B., Ko N. Y. Sensor Fusion for Underwater Vehicle Navigation Compensating Misalignment Using Lie Theory // Sensors. 2024. Vol. 24, no. 5. P. 1653.

3. A digital twin framework for robust control of robotic-biological systems / ARJ Quinn, DJ Saxby, F Yang, ACC de Sousa, C. Pizzolato // J Biomech. 2023 May;152:111557. doi: 10.1016/j.jbiomech.2023.111557. Epub 2023 Mar 27. PMID: 37019066.

4. Multi-Sensor Fusion for Underwater Vehicle Localization by Augmentation of RBF Neural Network and Error-State Kalman Filter / N Shaukat, A Ali, Iqbal M Javed, M Moinuddin, P. Otero // Sensors (Basel). 2021 Feb 6;21(4):1149. doi: 10.3390/s21041149. PMID: 33562145; PMCID: PMC7916077.

5. Comparative Study of Digital Twin Developed in Unity and Gazebo / M. Singh, J. Kapukotuwa, E. L. S. Gouveia, E. Fuenmayor, Y. Qiao, N. Murray, D. M Devine // Electronics (Switzerland). 2025. Vol. 14, no. 2. P. 276.

6. Рынок промышленной робототехники 2025: Россия и мир. URL: https://assets.kept.ru/upload/pdf/2025/11/ru-industrial-robotics-market-2025.pdf

7. Gatesichapakorn S., Takamatsu J., Ruchanurucks M. ROS based Autonomous Mobile Robot Navigation using 2D LiDAR and RGB-D Camera // 2019 First International Symposium on Instrumentation, Control, Artificial Intelligence, and Robotics (ICA-SYMP). Bangkok, Thailand, 2019. P. 151-154. doi: 10.1109/ICASYMP.2019.8645984.

8. Petillot Y., Tena Ruiz I., Lane D. M. Underwater vehicle obstacle avoidance and path planning using a multi-beam forward looking sonar // Journal of Oceanic Engineering. April 2001. Vol. 26, № 2. P. 240-251. doi: 10.1109/48.922790.

9. Song Y., Choi S.-J. Underwater 3D Reconstruction for Underwater Construction Robot Based on 2D Multibeam Imaging Sonar // Journal of Ocean Engineering and Technology. 2016. 30(3). P. 227–233.

10. A LiDAR Mapping System for Robot Navigation in Dynamic Environments / Z. Zhou, X. Feng, S. Di, X. Zhou // IEEE Transactions on Intelligent Vehicles. doi: 10.1109/TIV.2023.3328013.

11. Букреев В. Г., Шандарова Е. Б., Перевощиков Ф. В. Анализ точности оценивания состояний асинхронного электропривода алгоритмами Люенбергера и Калмана // Научно-технический вестник информационных технологий, механики и оптики. 2023. № 1. C. 35-43. EDN: HSGJRQ

12. Система позиционирования и идентификации мобильной робототехнической платформы в ограниченном и открытом пространстве / Т.С. Евдокимова, А.А. Синодкин, Л.О. Федосова, М.И. Тюриков // Труды НГТУ им. Р. Е. Алексеева. 2018. № 2. C. 16-25. EDN: RUDIPV

13. Козлов Ю.Е., Евсеев В.Л. Экспериментальное определение уровня речевого сигнала в показаниях акселерометра мобильных устройств // Вопросы кибербезопасности. 2016. №5. С. 36-42. EDN: XEFZGB

14. MPU-6000 and MPU-6050, Product Specification. Revision 3.4. URL: https://static.chipdip.ru/lib/994/DOC012994400.pdf

15. 3-Axis Digital Compass IC, HMC5883L. URL: https://www.alldatasheet.com/datasheet-pdf/pdf/428790/HONEYWELL/HMC5883L.html

16. Типы ошибок в инерциальных навигационных системах и методы их аппроксимации / М.А. Литвин, А.А. Малюгина, А.Б. Миллер, Д.Е. Степанов // Информационные процессы. 2014. Т. 14, № 4. С. 326-339. EDN: TEYLKL.

17. Перспективы создания цифрового двойника изделия при разработке робототехнических комплексов / Н.В. Малютин, М.Д. Чижиков, Ю.Е. Еретин, А.С Шалумов // Робототехника и техническая кибернетика. 2022. №1. С. 32-42. EDN: KCGFHC.

18. Ким Т.Ю., Прокопович Г.А. Технология создания цифровых двойников для оптимизации конструктивных параметров роботов и их систем управления // Цифровая трансформация. 2025. № 31(3). С. 43-53. doi: 10.35596/1729-7648-2025-31-3-43-53

19. Копытин А. В., Копытина Е. А., Матвеев М. Г. Применение расширенного фильтра Калмана для идентификации параметров распределенной // Вестник Воронежского государственного университета. Серия: Системный анализ и информационные технологии. 2018. № 3. С. 44-50. EDN: YOIIWL

20. Кудрявцева И.А. Анализ эффективности расширенного фильтра Калмана, сигма-точечного фильтра Калмана и сигма-точечного фильтра частиц // Научный вестник МГТУ ГА. 2016. № 224. С. 43-51.

21. Крылов А. А. Уменьшение смещения нуля МЭМС-датчиков при температурном гистерезисе // Вестник Концерна ВКО "Алмаз – Антей". 2021. № 2 (37). С. 48-56. EDN: AWOYQY

22. Оценка влияния характеристик электронного модуля на погрешности инерциальной навигационной системы / А.Э. Соловьев, А.В. Прохорцов, В.А Смирнов, Н.В. Ивахно // Известия ТулГУ. Технические науки. 2023. № 3. С. 440-444.

23. An IMU/magnetometer-based Indoor positioning system using Kalman filtering / H. Hellmers, A. Norrdine, J. Blankenbach, A. Eichhorn // International Conference on Indoor Positioning and Indoor Navigation, Montbeliard, France, 2013. P. 1-9. doi: 10.1109/IPIN.2013.6817887.

24. Шахтарин Б. И., Шэнь К., Неусыпи К. А. Модификация нелинейного фильтра Калмана в схеме коррекции навигационных систем летательных аппаратов // Радиотехника и электроника. 2016. Т. 61, № 11. С. 1065-1072. doi: 10.7868/S0033849416110115. EDN: WWCFAX.