Mobilní systém dobíjení pro energeticky náročné autonomní roboty

Ruští výzkumníci vyvinuli prototyp robota, který je schopen provádět ad hoc dobíjecí mise pro zemědělské a průmyslové roboty, jejichž autonomie je jinak omezena nedostatkem zásuvek, a který také navrhuje standard pro konfiguraci dobíjecího konektoru aplikovatelný na mobilní robotické systémy.

Prototyp “MobileCharger”, odhalený v nedávné práci ze Skolkova institutu vědy a technologie v Moskvě, je vybaven mechanismem zapojení, který není příliš odlišný od širokých interlocking možností vojenských leteckých transportních systémů navržených pro tankování za letu.

Prototyp robota MobileCharger. Source: https://arxiv.org/pdf/2107.10585.pdf

MobileCharger se snaží zlepšit podobné iniciativy z posledních let, jako je Volkswagenův “Laderoboter” mobilní dobíjecí robot a Samsungův EVAR Recharging Robot, několika způsoby: tím, že nabízí lepší kompromis mezi hmotností a kapacitou; tím, že snižuje prostorové požadavky pro dobíjecí operace (slabina EVAR); tím, že využívá Convolutional Neural Networks (CNNs) k optimalizaci operace zapojení; a tím, že využívá řadu senzorů, včetně LiDAR a taktilních senzorů k odhadu relativní pozice robota, který má být dobíjen.

Systém zapojení nabízí relativní svobodu pohybu ve třech směrech, aby mohl akomodovat různé designy polních robotů a aby mohl zohlednit prostředí, která mohou mít více nerovný terén než ploché povrchy továrny.

Dobíjecí operace jsou určeny tak, aby trvaly asi čtyři hodiny, s konzistentním přenosem 22 voltů. Během procesu je důležité, aby fyzické spojení zůstalo konzistentní, protože horizontální nebo vertikální nesoulad je velmi pravděpodobně vede k poškození jednoho nebo obou robotů, s možností neuzemněného elektrického výboje.

Invertovaný delta aktuator použitý v MobileCharger nabízí lepší operační rychlost než nedávná řešení pro dobíjení v terénu, s tím, že výzkumníci tvrdí, že jeho kompaktní a odlišný design bude snazší na výrobu.

Delta aktuator také nabízí magnetické zamykání, i když by to samo o sobě nebylo dostatečné k udržení bezpečného kontaktu během dobíjecích operací, a je podporován několika doplňkovými přístupy, včetně nastavení kruhu a koncového efektoru s elektrodami a servomotory.

Návrh-agnosticické dobíjení

MobileCharger není navržen tak, aby měl úplné znalosti domény o každém robotu, který má být dobíjen, ale místo toho bude využívat řadu metod k identifikaci kompatibilního dobíjecího zásuvky někde na karoserii robota a manévrovat se do blízkosti, která umožňuje spojení s cílovým robotem.

Taktilní tlakový senzorový array v dockingovém mechanismu MobileCharger.

Efektivně MobileCharger nabízí řadu řešení problému vyhodnocení zarovnání a konzistentního spojení, včetně RGB-D (hloubkově umožňujících) počítačových vizuálních systémů robotů pro sběr ovoce a tlak-citlivých taktilních a haptických zpětných vazebných systémů uzavřených průmyslových robotů.

Rozpoznávání obrazu

LiDAR skener MobileCharger je podporován Intel RealSense D435 RGB hloubkovou kamerou pro odhad blízkosti, který také slouží jako mechanismus pro krmení robotických CNN-založených schopností odhadu kontaktu.

Systém detekce objektů použitý v MobileCharger je založen na YOLOv3, efektivní reálné časy rozpoznávání obrazu se 106 vrstvami, poháněný vlastním tréninkovým datasetem zaměřeným na návrh dobíjecího doku.

Dataset obsahuje 170 vzorků, rozdělených mezi 120 pro trénink a 50 v testovacích sadách, vytvořených v různých světelných podmínkách a rozsahu yaw variací od 75 do 105 stupňů. Obrázky v tréninkovém datasetu jsou v rozlišení 840×480, a obsahují RGB a hloubkové údaje.

Convolutional Neural Network

CNN použitý v MobileCharger řeší problém konzistentního kontaktu během dobíjecí operace, a je poháněn dvěma vlastními datasety: prvním datasetem jsou údaje o úhlovém nesouladu mezi elektrodami, se 600 datovými páry odvozenými z taktilních senzorových mechanismů; druhým datasetem se zabývá horizontálním a vertikálním nesouladem koncového efektoru (dobíjecí sestavy), a obsahuje 500 datových párů.

CNN architektura pro konzistenci uchopení.

Data byla rozdělena do 67% tréninkových a 33% evaluačních sad, s přesností jako cílovou metrikou.

Předtím, než se rozhodli pro metodu CNN/YOLO, výzkumníci zvažovali použití Histogram of oriented gradients (HoG) se Support Vector Machine (SVM), a také detekci kontur s Canny edge detektorem. Žádná z těchto metod nebyla považována za dostatečně odolnou vůči výzvám dobíjení v terénu.

SwarmCharge

Systém MobileCharger je určen pro vnitřní a vnější prostředí, a budoucí práce výzkumníků se bude zabývat vývojem lokalizace a mapovacích algoritmů. 1-Dof bude také prozkoumán jako další zařízení pro rotaci elektrod v rolovém osu spojení.

Jako byste mohli očekávat, proprietární systém zapojení je nakonec určen pro širší ekosystém robotů a autonomních zařízení, který podle článku bude nazván SwarmCharge. MobileCharger je určen jako podpůrný systém pro širokou škálu typů robotů, včetně humanoidních, čtyřnohých a UAV mechanismů.