Ein mobiles Aufladesystem für energieverbrauchende autonome Roboter

Russische Forscher haben ein Prototyp-Roboter entwickelt, das in der Lage ist, ad-hoc-Auflademissionen für landwirtschaftliche und industrielle Roboter durchzuführen, deren Autonomie aufgrund des Mangels an Stromanschlüssen begrenzt ist, und das auch einen vorgeschlagenen Standard für eine Lade-Steckdosen-Konfiguration für mobile Robotik-Systeme aufweist.

Das Prototyp-Modell für ‘MobileCharger’, vorgestellt in einer kürzlichen Veröffentlichung des Skolkowo-Instituts für Wissenschaft und Technologie in Moskau, ist mit einem Einrastmechanismus ausgestattet, der den weiten Verbindungsmechanismen von militärischen Lufttransport-Systemen für die Auftankung in der Luft ähnelt.

Das MobileCharger-Prototyp-Modell. Quelle: https://arxiv.org/pdf/2107.10585.pdf

MobileCharger versucht, ähnliche Initiativen der letzten Jahre, wie den ‘Laderoboter’ von Volkswagen und den EVAR-Auflade-Roboter von Samsung, in mehreren Aspekten zu verbessern: durch eine bessere Abwägung zwischen Gewicht und Kapazität; durch die Verringerung der Platzanforderungen für Aufladevorgänge (eine Schwäche von EVAR); durch die Verwendung von Convolutional Neural Networks (CNNs) zur Optimierung des Einrastvorgangs; und durch die Verwendung einer Reihe von Sensoren, einschließlich LiDAR- und taktiler Sensoren, um die relative Position des zu aufladenden Roboters zu schätzen.

Das Kupplungssystem weist eine relative Freiheit der Bewegung in drei Richtungen auf, um unterschiedliche Designs von Feldrobotern zu berücksichtigen und um Umgebungen mit unebenem Gelände zu berücksichtigen, die über die flachen Oberflächen einer Fabrikhalle hinausgehen.

Aufladevorgänge sollen etwa vier Stunden dauern, mit einer konstanten Übertragung von 22 Volt. Während des Prozesses ist es wichtig, dass die physische Verbindung konsistent bleibt, da horizontale oder vertikale Fehlausrichtung sehr wahrscheinlich zu Schäden an einem oder beiden Robotern führen kann, mit der Möglichkeit einer ungesicherten elektrischen Entladung.

Der invertierte Delta-Aktuator, der in MobileCharger verwendet wird, bietet eine bessere Betriebsgeschwindigkeit als kürzliche Lösungen für Auflade-Szenarien im Feld, und die Forscher behaupten, dass sein kompaktes und eigenständiges Design einfacher zu fertigen sein wird.

Der Delta-Aktuator verfügt auch über magnetische Verriegelung, obwohl dies allein nicht ausreichen würde, um eine sichere Verbindung während des Aufladevorgangs aufrechtzuerhalten, und wird durch mehrere ergänzende Ansätze unterstützt, einschließlich eines Einrast-Rings und eines Endeffektors mit Elektroden und Servomotoren.

Design-Agnostic Charging

MobileCharger ist nicht dafür ausgelegt, umvollständige Domänenwissen über jeden Roboter zu haben, den es aufladen muss, sondern wird stattdessen eine Reihe von Methoden verwenden, um eine kompatible Lade-Steckdose irgendwo auf dem Chassis des Roboters zu identifizieren und sich selbst in eine Nähe zu bewegen, die es ermöglicht, eine Verbindung zum Ziel-Roboter herzustellen.

Taktile Drucksensor-Array im Dock-Mechanismus von MobileCharger.

Effektiv wirft MobileCharger eine Vielzahl von Lösungen in die Herausforderung der Ausrichtungsbewertung und der konsistenten Einrastung, einschließlich der RGB-D-(Tiefen-aktivierten) Computer-Vision-Systeme von Obst-Pflück-Robotern und drucksensiblen taktilen und haptischen Feedback-Systemen von umschlossenen industriellen Robotern.

Bilderkennung

Der LiDAR-Scanner von MobileCharger wird durch eine Intel RealSense D435-Tiefenkamera unterstützt, um die Nähe zu schätzen und dient auch als Zuführmechanismus für die kontaktbasierten Schätzungsfähigkeiten des Roboters.

Das Objekterkennungssystem, das von MobileCharger verwendet wird, basiert auf YOLOv3, einem effektiven Echtzeit-Bilderkennungssystem mit 106 Schichten, das von einem benutzerdefinierten Dataset angetrieben wird, das auf das vorgeschlagene Lade-Dock-Design ausgerichtet ist.

Das Dataset enthält 170 Proben, die zwischen 120 für die Ausbildung und 50 für die Testsets aufgeteilt sind, die unter verschiedenen Beleuchtungsbedingungen und einer Vielzahl von Nick-Winkeln von 75 bis 105 Grad erstellt wurden. Die Bilder im Trainings-Dataset haben eine Auflösung von 840×480 und enthalten RGB- und Tiefendaten.

Convolutional Neural Network

Das CNN, das in MobileCharger verwendet wird, behandelt das Problem der konsistenten Verbindung während des Ladevorgangs und wird von zwei benutzerdefinierten Datensätzen angetrieben: der erste Datensatz enthält Daten über die Winkel-Verfehlung zwischen den Elektroden, mit 600 Daten-Paaren, die von taktilen Sensor-Mechanismen abgeleitet werden; der zweite Datensatz befasst sich mit der horizontalen und vertikalen Fehlausrichtung des Endeffektors (der Lade-Vorrichtung) und enthält 500 Daten-Paare.

Die CNN-Architektur für die Konsistenz der Greifbewegung.

Die Daten wurden in 67% Trainings- und 33% Evaluierungs-Sets aufgeteilt, wobei die Genauigkeit als Ziel-Metrik verwendet wurde.

Vor der Entscheidung für die CNN/YOLO-Methode haben die Forscher die Verwendung von Histogramm der orientierten Gradienten (HoG) mit Support-Vektor-Maschine (SVM) und auch Kontur-Erkennung mit Canny-Kantendetektor in Betracht gezogen. Keine dieser Methoden wurde als ausreichend widerstandsfähig gegen die Herausforderungen des Aufladevorgangs im Feld angesehen.

SwarmCharge

Das MobileCharger-System ist für Innen- und Außen-Umgebungen konzipiert, und zukünftige Arbeiten der Forscher werden sich mit der Entwicklung von Lokalisierungs- und Kartierungs-Algorithmen befassen. 1-Dof werden auch als zusätzliche Einrichtung für die Elektroden-Rotation in der Roll-Achse des Verbindungs-Mechanismus erforscht.

Wie man erwarten kann, ist das proprietäre Kupplungssystem letztendlich für ein breiteres Ökosystem von Robotern und autonomen Geräten bestimmt, das in der Veröffentlichung als SwarmCharge bezeichnet wird. MobileCharger ist als Unterstützungs-System für eine Vielzahl von Robotertypen konzipiert, einschließlich humanoider, quadrupeder und UAV-Mechanismen.