فن آوری محلی سازی و نقشه برداری همزمان (SLAM) نقش مهمی در عملکرد روبات های موبایل خودمختار (AMRS) ایفا می کند. ما به عنوان یک تامین کننده پیشرو SLAM AMR ، ما دائماً درگیر تحقیق ، توسعه و بهبود نحوه عملکرد AMR های ما در محیط های خود هستیم. در این وبلاگ ، ما به چالش ها ، تکنیک ها و راه حل های مرتبط با این جنبه مهم عملکرد AMR می پردازیم.
چالش های حرکت اشیاء در محیط AMR
AMR ها برای حرکت به طور مستقل از طریق محیط های مختلف مانند انبارها ، کارخانه ها و مراکز تدارکات طراحی شده اند. در این تنظیمات ، اشیاء متحرک یک اتفاق مشترک هستند. این موارد می تواند شامل کارگران انسانی ، لیفتراک ها ، سایر AMR ها و حتی نقاله های متحرک باشد. وجود اشیاء در حال حرکت چالش های مختلفی را برای AMR های مبتنی بر SLAM ایجاد می کند.
اولا ، اشیاء متحرک می توانند روند نقشه برداری را مختل کنند. الگوریتم های SLAM به طور معمول با تجزیه و تحلیل داده های سنسور به مرور زمان ، نقشه ای از محیط را می سازند. هنگامی که یک شیء در حال حرکت وجود دارد ، می تواند عناصر پویا را در خوانش سنسور معرفی کند ، و این باعث می شود که الگوریتم تفاوت بین ویژگی های استاتیک و پویا را دشوار کند. این می تواند به نقشه های نادرست و خطاهای محلی سازی منجر شود.
ثانیا ، اشیاء متحرک می توانند خطر ایمنی را ایجاد کنند. AMR ها باید بتوانند با جابجایی اشیاء در زمان واقعی ، از برخورد و جلوگیری از برخورد استفاده کنند. عدم انجام این کار می تواند منجر به آسیب به روبات ، شیء متحرک یا زیرساخت های اطراف شود. علاوه بر این ، برخورد می تواند باعث ایجاد اختلال در گردش کار و به طور بالقوه کارگران انسانی شود.
سرانجام ، اشیاء متحرک می توانند بر کارآیی عملیات AMR تأثیر بگذارند. اگر AMR برای جلوگیری از جابجایی اشیاء ، باید به طور مداوم متوقف شود یا مسیر خود را تغییر دهد ، می تواند منجر به تاخیر و کاهش بهره وری شود. بنابراین ، برای AMR ها ضروری است که بتوانند اشیاء متحرک را به گونه ای اداره کنند که اختلال در وظایف آنها را به حداقل برساند.
تکنیک های دست زدن به اشیاء متحرک در SLAM
برای پرداختن به چالش های ناشی از جابجایی اشیاء ، ما از تکنیک های متنوعی در AMR های SLAM خود استفاده می کنیم. این تکنیک ها را می توان به طور گسترده ای به سه رویکرد اصلی طبقه بندی کرد: تشخیص ، ردیابی و پیش بینی.
تشخیص
اولین قدم برای رسیدگی به اشیاء متحرک ، شناسایی حضور آنها در محیط است. AMR های ما مجهز به طیف وسیعی از سنسورها از جمله لیزر ، دوربین و سنسورهای اولتراسونیک هستند که برای تشخیص اشیاء در حال حرکت استفاده می شوند. این سنسورها داده های زمان واقعی را در مورد موقعیت ، سرعت و اندازه اشیاء ارائه می دهند.
یکی از متداول ترین سنسورهای مورد استفاده برای تشخیص شیء ، اسکنر لیزر است. اسکنرهای لیزر پرتوهای لیزر را ساطع می کنند و مدت زمان لازم برای پرتوهای را برای بازتاب اشیاء موجود در محیط اندازه گیری می کنند. با تجزیه و تحلیل پرتوهای لیزر منعکس شده ، اسکنر می تواند یک نقشه 2D یا سه بعدی از محیط ایجاد کرده و حضور اشیاء متحرک را تشخیص دهد.
دوربین ها نیز به طور گسترده ای برای حرکت در تشخیص شی استفاده می شوند. دوربین ها می توانند اطلاعات بصری در مورد محیط را ارائه دهند ، که می تواند برای شناسایی و ردیابی اشیاء در حال حرکت استفاده شود. از الگوریتم های دید رایانه برای تجزیه و تحلیل تصاویر دوربین و تشخیص حضور اشیاء بر اساس شکل ، رنگ و حرکت آنها استفاده می شود.
پیگیری
پس از شناسایی یک شی متحرک ، مرحله بعدی پیگیری حرکت آن به مرور زمان است. ردیابی به AMR اجازه می دهد تا موقعیت آینده شی را پیش بینی کرده و مسیر خود را بر این اساس برنامه ریزی کند. AMR های SLAM ما از ترکیبی از داده های سنسور و الگوریتم های فیلتر برای ردیابی اشیاء در حال حرکت استفاده می کنند.
یکی از رایج ترین الگوریتم های ردیابی ، فیلتر کالمن است. فیلتر کالمن یک الگوریتم ریاضی است که از یک سری اندازه گیری ها در طول زمان برای تخمین وضعیت یک سیستم استفاده می کند. در زمینه ردیابی شیء در حال حرکت ، از فیلتر کالمن می توان برای برآورد موقعیت ، سرعت و شتاب یک شیء متحرک بر اساس داده های سنسور استفاده کرد.
یکی دیگر از الگوریتم های ردیابی که معمولاً در AMRS ما استفاده می شود ، فیلتر ذرات است. فیلتر ذرات یک الگوریتم احتمالی است که از مجموعه ای از ذرات برای نشان دادن حالت های احتمالی یک سیستم استفاده می کند. هر ذره یک موقعیت و سرعت ممکن از شیء متحرک را نشان می دهد و فیلتر ذرات را بر اساس داده های سنسور به روز می کند تا محتمل ترین حالت شی را تخمین بزند.
پیش بینی
علاوه بر تشخیص و ردیابی اشیاء متحرک ، AMR های SLAM ما نیز قادر به پیش بینی حرکت آینده این اشیاء هستند. پیش بینی به AMR اجازه می دهد تا مسیر خود را از قبل برنامه ریزی کند و از برخورد با اشیاء در حال حرکت جلوگیری کند. AMR های ما از ترکیبی از داده های تاریخی و الگوریتم های یادگیری ماشین برای پیش بینی حرکت آینده اشیاء متحرک استفاده می کنند.
یکی از متداول ترین الگوریتم های پیش بینی شده مدل مارکوف است. مدل مارکوف یک مدل احتمالی است که از وضعیت فعلی یک سیستم برای پیش بینی وضعیت آینده خود استفاده می کند. در زمینه پیش بینی شیء حرکت ، از مدل مارکوف می توان برای پیش بینی موقعیت و سرعت آینده یک شیء متحرک بر اساس موقعیت و سرعت فعلی آن استفاده کرد.
الگوریتم های یادگیری ماشین ، مانند شبکه های عصبی ، نیز به طور فزاینده ای برای پیش بینی شیء مورد استفاده قرار می گیرند. شبکه های عصبی می توانند از داده های تاریخی بیاموزند و الگوهای موجود در حرکت اشیاء در حال حرکت را شناسایی کنند. با تجزیه و تحلیل این الگوهای ، شبکه عصبی می تواند حرکت آینده اشیاء را با درجه بالایی از دقت پیش بینی کند.
راه حل هایی برای رسیدگی به اشیاء متحرک در عملیات AMR
علاوه بر تکنیک های توضیح داده شده در بالا ، ما همچنین طیف وسیعی از راه حل ها را برای رسیدگی به اشیاء متحرک در عملیات AMR ارائه می دهیم. این راه حل ها برای بهبود ایمنی ، کارآیی و قابلیت اطمینان AMR های SLAM ما طراحی شده اند.
سیستم های جلوگیری از برخورد
AMR های SLAM ما مجهز به سیستم های جلوگیری از برخورد پیشرفته هستند که از تکنیک های تشخیص ، ردیابی و پیش بینی که در بالا توضیح داده شده است برای جلوگیری از برخورد با اشیاء در حال حرکت استفاده می کنند. این سیستم ها دائماً محیط را برای حضور اشیاء در حال حرکت رصد می کنند و مسیر AMR را در زمان واقعی تنظیم می کنند تا از برخورد جلوگیری کنند.
سیستم های اجتناب از برخورد از ترکیبی از سنسورها و الگوریتم ها برای تشخیص و ردیابی اشیاء در حال حرکت استفاده می کنند. هنگامی که یک جسم متحرک تشخیص داده می شود ، سیستم فاصله و سرعت نسبی بین AMR و جسم را محاسبه می کند. اگر سیستم تعیین کند که برخورد قریب الوقوع است ، هشدار به اپراتور صادر می کند و برای جلوگیری از برخورد اقدامات مناسب انجام می دهد.
سیستم های مدیریت ترافیک
علاوه بر سیستم های اجتناب از برخورد ، ما همچنین سیستم های مدیریت ترافیک را برای AMR های SLAM خود ارائه می دهیم. این سیستم ها برای بهینه سازی جریان ترافیک در محیط و کاهش احتمال برخورد بین AMRS و سایر اشیاء متحرک طراحی شده اند.
سیستم های مدیریت ترافیک از ترکیبی از سنسورها ، الگوریتم ها و فن آوری های ارتباطی برای نظارت بر حرکت AMR ها و سایر اشیاء متحرک در محیط استفاده می کنند. این سیستم می تواند بر اساس وظایف خود ، اولویت را به AMR های مختلف اختصاص دهد و مسیرهای خود را برای جلوگیری از درگیری تنظیم کند. علاوه بر این ، این سیستم می تواند اطلاعات در زمان واقعی در مورد مکان و وضعیت کلیه AMR های موجود در محیط را ارائه دهد ، که می تواند برای بهبود کارآیی عملکرد کلی استفاده شود.
همکاری
سرانجام ، ما اهمیت همکاری انسان-رابوت را در بسیاری از برنامه های AMR تشخیص می دهیم. AMR های SLAM ما به گونه ای طراحی شده اند که با خیال راحت و مؤثر در کنار کارگران انسانی کار کنند. ما طیف وسیعی از راه حل ها را برای همکاری انسان-روبات ، از جمله ویژگی های ایمنی پیشرفته و رابط های کاربر بصری ارائه می دهیم.
AMR های ما مجهز به سنسورها و الگوریتم هایی هستند که می توانند حضور کارگران انسانی در محیط را تشخیص داده و رفتار آنها را بر این اساس تنظیم کنند. به عنوان مثال ، AMR می تواند در حالی که یک کارگر انسانی در این نزدیکی هست ، کند یا متوقف شود تا از برخورد جلوگیری کند. علاوه بر این ، AMR های ما می توانند برای پیروی از پروتکل های ایمنی خاص و تعامل با کارگران انسانی به روشی ایمن و قابل پیش بینی برنامه ریزی شوند.
پایان
رسیدگی به اشیاء متحرک در محیط AMR یک کار پیچیده و چالش برانگیز است. با این حال ، ما به عنوان یک تأمین کننده پیشرو SLAM AMR ، ما متعهد به تهیه راه حل های نوآورانه برای رسیدگی به این چالش ها هستیم. با استفاده از تکنیک های پیشرفته تشخیص ، ردیابی و پیش بینی و همچنین سیستم های جلوگیری از برخورد و مدیریت ترافیک ، AMR های SLAM ما قادر به کار با ایمن و کارآمد در محیط هایی با اشیاء متحرک هستند.
اگر شما علاقه مند به کسب اطلاعات بیشتر در مورد AMR های SLAM ما و اینکه چگونه می توانند اشیاء متحرک را در محیط شما کنترل کنند ، لطفاً به وب سایت ما مراجعه کنیدعظمتبشر شما همچنین می توانید سایر محصولات ما را کشف کنید ، مانندربات موبایل AMRوتانبار ربات امربشر ما از شما استقبال می کنیم تا برای بحث و گفتگو با ما تماس بگیریم و ببینیم که راه حل های ما چگونه می تواند به نفع تجارت شما باشد.
منابع
- Thrun ، S. ، Burgard ، W. ، & Fox ، D. (2005). رباتیک احتمالی. مطبوعات MIT.
- Siegwart ، R. ، Nourbakhsh ، IR ، & Scaramuzza ، D. (2011). آشنایی با روبات های موبایل خودمختار. مطبوعات MIT.
- Leonard ، JJ ، & Durrant-Whyte ، HF (1991). ساخت نقشه همزمان و بومی سازی برای یک ربات موبایل خودمختار. در مجموعه مقالات کنفرانس بین المللی IEEE در مورد روباتیک و اتوماسیون.