Et Mobilt Genopladningssystem til Strømsultne Autonome Robotter

Russiske forskere har udviklet en prototype-robot, der kan udføre ad hoc-genopladningsmissioner for landbrugs- og industrirobotter, hvis autonomi ellers er begrænset af manglen på strømudtag, og som også omfatter en foreslået standard for en opladningsstik-/stikdåse-konfiguration, der kan anvendes i mobile robot-systemer.

Prototypen for ‘MobileCharger’, afsløret i en ny artikel fra Skolkovo Institute of Science and Technology i Moskva, er udstyret med en engagement-mekanisme, der ikke er så forskellig fra de brede interlocking-egenskaber, der findes i militære lufttransport-systemer, der er designet til brændstof påfyldning under flyvning.

MobileCharger-prototypen. Kilde: https://arxiv.org/pdf/2107.10585.pdf

MobileCharger forsøger at forbedre lignende initiativer fra de seneste år, såsom Volkswagens ‘Laderoboter’ mobilt opladnings-robot og Samsungs EVAR Genopladnings-robot, på flere måder: ved at opnå en bedre balance mellem vægt og kapacitet; ved at reducere pladskravene til genopladningsoperationer (en svaghed hos EVAR); ved at bruge Convolutional Neural Networks (CNN) til at optimere engagement-operationen; og ved at bruge en række sensorer, herunder LiDAR og taktilsensorer til at estimere den relative position af roboten, der skal genoplades.

Koblings-systemet har en relativ frihed af bevægelse i tre retninger, for at kunne tilpasse sig forskellige designs af felt-robotter, og for at tage højde for miljøer, der kan have mere ujævn terræn end de flade overflader på en fabriksgulv.

Genopladningsoperationer er beregnet til at vare omkring fire timer, med en konstant overførsel af 22 volt. Under processen er det essentiel, at den fysiske forbindelse forbliver konstant, da vandret eller lodret misalignment meget sandsynligt vil føre til skade på enten eller begge robotter, med mulighed for jordløs elektrisk udladning.

Den inverterede delta-aktuator, der er en del af MobileCharger, tilbyder en bedre operationshastighed end nyere løsninger til genopladningsscenarioer på feltet, og forskerne hævder, at dens kompakte og distinkte design vil være lettere at producere.

Delta-aktuatoren har også magnet-baseret låsning, selvom dette ikke ville være nok i sig selv til at opretholde sikker kontakt under genopladningsoperationer, og støttes op af flere komplementære tilgange, herunder en opsætningsring og en slut-effektor med elektroder og servomotorer.

Design-Agnostisk Opladning

MobileCharger er ikke designet til at have fuld domæne-kendskab til hver enkelt robot, den kan være nødt til at genoplade, men vil i stedet bruge en række metoder til at identificere en kompatibel opladningsstik på robotens chassis og manøvrere sig selv ind i en nærhed, der tillader den at forbinde sig til mål-robotten.

Taktile tryksensor-arrays i doknings-mekanismen af MobileCharger.

Effektivt kaster MobileCharger en række løsninger mod udfordringen med vurdering af alignment og konsekvent engagement, herunder RGB-D (dybde-aktiverede) computer-vision-systemer fra frugt-pluk-robotter og trykfølsomme taktile og haptiske feedback-systemer fra indkapslede industrirobotter.

Billede Genkendelse

MobileChargers LiDAR-scanner støttes op af en Intel RealSense D435 RGB dybde-kamera til nærheds-estimation, der også fungerer som en feed-mekanisme for robotterne CNN-baserede kontakt-estimerings-funktioner.

Objekt-genkendelsessystemet, der bruges af MobileCharger, er baseret på YOLOv3, et effektivt real-time billed-genkendelsessystem med 106 lag, drevet af en brugerdefineret dataset, der fokuserer på den foreslåede genopladnings-dok-design.

Datasettet indeholder 170 eksempler, fordelt mellem 120 til træning og 50 i test-sæt, lavet under en række lysforhold, og en række yaw-variationer fra 75 til 105 grader. Billeder i trænings-datasettet er i 840×480 opløsning og indeholder RGB- og dybde-data.

Convolutional Neural Network

CNN, der bruges i MobileCharger, løser problemet med konsekvent kontakt under genopladnings-operationen, og er drevet af to brugerdefinerede dataset: det første dataset indeholder data om vinkel-misalignment mellem elektroder, med 600 data-par, der stammer fra taktile sensor-mekanismer; det andet dataset omhandler horisontal og lodret misalignment af slut-effektoren (genopladnings-foranstaltningen), og indeholder 500 data-par.

CNN-arkitekturen for greb-konsistens.

DATA blev delt i 67% træning og 33% evaluering-sæt, med nøjagtighed som målet.

Før at slutte sig til CNN/YOLO-metoden, overvejede forskerne at bruge Histogram of oriented gradients (HoG) med Support Vector Machine (SVM), og også kontur-detektion med Canny-kant-detektor. Ingen af disse metoder blev betragtet som tilstrækkeligt robuste til udfordringerne i felt-genopladnings-operationer.

SwarmCharge

MobileCharger-systemet er beregnet til brug i både indendørs- og udendørs-miljøer, og fremtidige arbejder af forskerne vil omhandle udviklingen af lokaliserings- og kortlægnings-algoritmer. 1-Dof vil også blive undersøgt som en ekstra facilitet for elektrode-rotation i rulle-aksen af forbindelses-mekanismen.

Som man kunne forvente, er det proprietære koblings-system beregnet til at blive en del af en bredere økostruktur af robotter og autonome enheder, som artiklen siger vil blive kaldt SwarmCharge. MobileCharger er beregnet til at være et understøttelsessystem for en bred vifte af robot-typer, herunder humanoid, quadruped og UAV-mekanismer.