ROS 2

ตัวอย่างที่ 1 กล้อง 30 Hz กับตัวตรวจจุดร้อนที่ใช้เวลา 50 ms

กล้องความร้อนส่งภาพ 30 Hz เป็นเวลา 3 s ตัวตรวจจุดร้อนประมวลผลภาพละ 50 ms (ทำได้ 20 ภาพต่อวินาที) เปรียบเทียบ keep last depth 1 กับ depth 10 (แบบจำลองคิวอย่างง่าย ไม่รวมเวลาส่งผ่านเครือข่าย)

from collections import deque

PUB_HZ = 30          # กล้องส่งภาพ 30 Hz
PROC = 0.050         # ผู้รับใช้เวลาประมวลผลภาพละ 50 ms
DURATION = 3.0

def run(depth):
    pubs = [k / PUB_HZ for k in range(int(DURATION * PUB_HZ))]
    q = deque()
    dropped, done, lat = 0, 0, []
    t_free = 0.0
    i = 0
    while i < len(pubs) or q:
        t_next = pubs[i] if i < len(pubs) else float("inf")
        if q and t_free <= t_next:
            stamp = q.popleft()
            start = max(t_free, stamp)
            lat.append(start + PROC - stamp)
            t_free = start + PROC
            done += 1
        else:
            if len(q) == depth:
                q.popleft()          # KEEP_LAST ทิ้งข้อความเก่าที่สุด
                dropped += 1
            q.append(t_next)
            i += 1
    lat.sort()
    return done, dropped, sum(lat) / len(lat), lat[len(lat) // 2]

for depth in [1, 10]:
    done, dropped, avg, med = run(depth)
    print(f"depth={depth:>2}  processed {done}  dropped {dropped}  "
          f"mean latency {avg*1000:.0f} ms  median {med*1000:.0f} ms")

depth= 1  processed 61  dropped 29  mean latency 66 ms  median 67 ms
depth=10  processed 70  dropped 20  mean latency 334 ms  median 367 ms

ผู้รับช้ากว่าผู้ส่งจึงต้องทิ้งภาพบางส่วนไม่ว่าจะตั้ง depth เท่าใด ความต่างคือ depth 10 ทำให้ภาพที่ถูกประมวลผลเป็นภาพเก่า ต้องรอในคิวราว $10/30$ s บวกเวลาประมวลผล เวลาหน่วงจึงเกือบ 0.4 s ส่วน depth 1 ได้ภาพล่าสุดเสมอ เวลาหน่วงราว 67 ms ถ้ารถวิ่ง 1 m/s ความต่างนี้เท่ากับตำแหน่งจุดร้อนคลาดราว 30 cm สำหรับงานควบคุมและตรวจจับแบบเวลาจริง คิวสั้นเหมาะกว่า ส่วนข้อมูลที่ต้องครบทุกชิ้น เช่นบันทึกเหตุการณ์ ควรใช้ reliable และคิวยาว

ตัวอย่างที่ 2 กล้อง 15 Hz กับ LiDAR 10 Hz

กล้องส่ง 15 Hz มีความแปรปรวนของเวลาเล็กน้อย LiDAR ส่ง 10 Hz เริ่มช้ากว่า 7 ms เป็นเวลา 2 s (ข้อมูลจำลอง)

import numpy as np

rng = np.random.default_rng(3)
cam = np.arange(0, 2.0, 1/15) + rng.normal(0, 0.004, 30)    # กล้อง 15 Hz
lidar = np.arange(0.007, 2.0, 1/10)                          # LiDAR 10 Hz

def pair(slop):
    pairs = []
    for t in lidar:
        j = np.argmin(np.abs(cam - t))
        if abs(cam[j] - t) <= slop:
            pairs.append((t, cam[j]))
    return pairs

for slop in [0.005, 0.020, 0.040]:
    p = pair(slop)
    gaps = [abs(a - b) * 1000 for a, b in p]
    print(f"slop {slop*1000:>2.0f} ms  paired {len(p)}/{len(lidar)}  "
          f"largest gap {max(gaps):.1f} ms")

slop  5 ms  paired 3/20  largest gap 3.2 ms
slop 20 ms  paired 10/20  largest gap 15.1 ms
slop 40 ms  paired 20/20  largest gap 34.1 ms

เพราะอัตรา 15 กับ 10 Hz ไม่ลงตัวกัน ครึ่งหนึ่งของรอบ LiDAR จึงมีภาพห่างเกิน 20 ms slop เล็กได้คู่ที่ตรงเวลาแต่น้อย slop ใหญ่ได้ครบแต่บางคู่ห่างกันถึง 34 ms ถ้ารถหมุนตัว 30 องศาต่อวินาที ความต่าง 34 ms เท่ากับทิศคลาดราว 1 องศา ทางแก้ที่ดีกว่าการขยาย slop คือทริกเกอร์เซนเซอร์ให้วัดพร้อมกัน หรือเลือกอัตราที่ลงตัวกัน