Mobilní systém dobíjení pro autonomní roboty s nedostatkem energie

Ruský výzkumníci vyvinuli prototyp robota, který je schopen provádět ad hoc mise pro dobíjení zemědělských a průmyslových robotů, jejichž autonomie je jinak omezena nedostatkem zásuvek, a který také navrhuje standard pro konfiguraci nabíjecího konektoru aplikovatelnou 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 možnostech 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 používá Convolutional Neural Networks (CNNs) pro optimalizaci operace zapojení; a tím, že používá řadu senzorů, včetně LiDAR a taktilních senzorů pro odhad relativní pozice robota, který má být dobíjen.

Systém spojování nabízí relativní volnost pohybu ve třech směrech, aby mohl akomodovat různé návrhy polních robotů a aby mohl zohlednit prostředí, která mohou mít více nerovnoměrného terénu 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 způsobí 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 vyrobit.

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

Návrh-agnostické dobíjení

MobileCharger není navržen tak, aby měl úplné znalosti všech robotů, které by mohl dobíjet, ale místo toho bude používat řadu metod k identifikaci kompatibilního nabíjecího zásuvky někde na pouzdru robota a manévrovat se do blízkosti, která mu umožňuje spojit se s cílovým robotem.

Taktilní tlakový senzorový array v dockovacím mechanismu MobileCharger.

Efektivně MobileCharger nabízí řadu řešení pro výzvu hodnocení zarovnání a konzistentního zapojení, včetně RGB-D (hloubka-povolených) počítačových vizuálních systémů pro roboty pro sběr ovoce a tlak-citlivých taktilních a haptických zpětných vazebných systémů pro uzavřené průmyslové roboty.

Rozpoznávání obrazu

LiDAR skener MobileCharger je doplněn Intel RealSense D435 RGB hloubkovou kamerou pro odhad blízkosti, který také slouží jako mechanismus pro krmení robotova CNN-založeného odhadu kontaktu.

Systém detekce objektů použitý v MobileCharger je založen na YOLOv3, efektivní reálném čase detekčním systému s 106 vrstvami, poháněný custom-natrenovaným datasetem zaměřeným na navrhovaný dobíjecí dock design.

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 custom-datasety: první dataset obsahuje údaje o úhlovém nesouladu mezi elektrodami, s 600 datovými páry odvozenými z taktilních senzorových mechanismů; druhý dataset se zabývá horizontálním a vertikálním nesouladem koncového efektoru (nabíjecí 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 výzkumníci rozhodli pro použití CNN/YOLO metody, zvažovali použití Histogram of oriented gradients (HoG) se Support Vector Machine (SVM), a také konturové detekce 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 prozkoumáno jako další zařízení pro rotaci elektrod v rolovacím osu spojení.

Jak lze očekávat, proprietární spojovací systém 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.