Ένας Κινητός Σταθμός Επαναφόρτισης για Ρομπότ Αυτόνομων Συστημάτων με Ελαττωματική Παροχή Ενέργειας

Ερευνητές από τη Ρωσία έχουν αναπτύξει ένα πρωτότυπο ρομπότ που μπορεί να αναλάβει αποστολές επαναφόρτισης για αγροτικά και βιομηχανικά ρομπότ, τα οποία έχουν περιορισμένη αυτονομία λόγω έλλειψης πηγών ενέργειας, και επίσης προτείνουν ένα πρότυπο για μια διασύνδεση φόρτισης που μπορεί να εφαρμοστεί σε κινητά ρομποτικά συστήματα.

Το πρωτότυπο του ‘MobileCharger’, αποκαλύφθηκε σε một πρόσφατο έγγραφο από το Ινστιτούτο Επιστημών και Τεχνολογίας Skolkovo στη Μόσχα, είναι εξοπλισμένο με einen μηχανισμό που δεν διαφέρει πολύ από τις ευρείες ικανότητες αερομεταφοράς που σχεδιάστηκαν για τη σε απευθείας σύνδεση επαναφόρτιση.

Το πρωτότυπο ρομπότ MobileCharger. Source: https://arxiv.org/pdf/2107.10585.pdf

Ο MobileCharger προσπαθεί να βελτιώσει τις παρόμοιες πρωτοβουλίες των τελευταίων ετών, όπως το ‘Laderoboter’ mobile charging ρομπότ της Volkswagen και το EVAR Recharging Robot της Samsung, μεหลาย τρόπους: βελτιώνοντας την ισορροπία μεταξύ βάρους και χωρητικότητας, μειώνοντας τις απαιτήσεις χώρου για τις επιχειρήσεις επαναφόρτισης (μια αδυναμία του EVAR), χρησιμοποιώντας Convolutional Neural Networks (CNNs) για την βελτίωση της λειτουργίας σύνδεσης και χρησιμοποιώντας eine σειρά αισθητήρων, συμπεριλαμβανομένων LiDAR και αισθητήρων αφής για την εκτίμηση της σχετικής θέσης του ρομπότ που επαναφορτίζεται.

Το σύστημα σύνδεσης έχει σχεδιαστεί για να παρέχει μια σχετική ελευθερία κίνησης σε τρεις κατευθύνσεις, για να καταστεί δυνατή η φόρτιση διαφορετικών σχεδίων ρομπότ και για να ληφθούν υπόψη περιβάλλοντα που μπορεί να έχουν πιο ανώμαλο έδαφος από τις επίπεδες επιφάνειες ενός εργοστασιακού δαπέδου.

Οι επιχειρήσεις επαναφόρτισης προορίζονται να διαρκέσουν περίπου τέσσερις ώρες, με μια σταθερή μεταφορά 22 βολτ. Κατά τη διάρκεια της διαδικασίας, είναι απαραίτητο να παραμείνει η φυσική σύνδεση σταθερή, поскольку η οριζόντιος ή κατακόρυφος αποσύνδεση είναι πολύ πιθανό να οδηγήσει σε ζημιά του ρομπότ ή και των δύο, με την πιθανότητα ασφαλής ηλεκτρικής εκκένωσης.

Ο ανεστραμμένος δέλτα ενεργοποιητής που εμφανίζεται στον MobileCharger προσφέρει μια καλύτερη ταχύτητα λειτουργίας από τις πρόσφατες λύσεις για σε απευθείας σύνδεση επαναφόρτιση σε σενάρια, με τους ερευνητές να ισχυρίζονται ότι ο συμπαγής και διακριτός σχεδιασμός του θα είναι ευκολότερος στη κατασκευή.

Ο δέλτα ενεργοποιητής επίσης διαθέτει μαγνητική κλειδώματος, αν και αυτό δεν θα ήταν αρκετό από μόνο του για να διατηρήσει την ασφαλή επαφή κατά τη διάρκεια της επαναφόρτισης, και υποστηρίζεται από plusieurs συμπληρωματικές προσεγγίσεις, συμπεριλαμβανομένης μιας ρύθμισης δαχτυλιδιού και ενός τελικού εκτελεστή με ηλεκτρόδια και σερβοκινητήρες.

Σχεδιασμός Φόρτισης Αγνωστικός

Ο MobileCharger δεν έχει σχεδιαστεί για να έχει πλήρη γνώση του κάθε ρομπότ που μπορεί να χρειαστεί να επαναφορτίσει, αλλά αντίθετα θα χρησιμοποιήσει μια σειρά μεθόδων για να αναγνωρίσει μια συμβατή θύρα φόρτισης σε κάποιο σημείο του σώματος του ρομπότ και να τοποθετήσει τον εαυτό του σε μια απόσταση που του επιτρέπει να συνδεθεί με το ρομπότ-στόχο.

Πίνακας αισθητήρων πίεσης αφής στο μηχανισμό σύνδεσης του MobileCharger.

Επιδράσει ο MobileCharger ρίχνει μια σειρά λύσεων στο πρόβλημα της αξιολόγησης της ευθυγράμμισης και της σταθερής σύνδεσης, συμπεριλαμβανομένων των συστημάτων υπολογιστικής όρασης RGB-D (με ενεργοποίηση βάθους) των ρομπότ συλλογής φρούτων και των συστημάτων πίεσης-αφής και απτικής ανάδρασης των κλειστών βιομηχανικών ρομπότ.

Αναγνώριση Εικόνας

Ο σαρωτής LiDAR του MobileCharger υποστηρίζεται από μια κάμερα Intel RealSense D435 RGB βάθους για την εκτίμηση της απόστασης, που χρησιμεύει επίσης ως μηχανισμός τροφοδοσίας για τις ικανότητες εκτίμησης επαφής του ρομπότ με βάση το CNN.

Το σύστημα ανίχνευσης αντικειμένων που χρησιμοποιεί ο MobileCharger βασίζεται στο YOLOv3, ένα αποτελεσματικό σύστημα αναγνώρισης εικόνας σε πραγματικό χρόνο με 106 στρώματα, που τροφοδοτείται από ένα dataset που έχει εκπαιδευτεί ειδικά με βάση το προτεινόμενο σχέδιο σύνδεσης φόρτισης.

Το dataset περιέχει 170 δείγματα, χωρισμένα σε 120 για εκπαίδευση και 50 σε σύνολα δοκιμών, που έχουν δημιουργηθεί σε διάφορες συνθήκες φωτισμού και σε μια σειρά μεταβολών yaw από 75 έως 105 μοίρες. Οι εικόνες στο dataset εκπαίδευσης είναι σε ανάλυση 840×480, και περιέχουν δεδομένα RGB και βάθους.

Συνελικτική Νευρωνική Δίκτυο

Το CNN που χρησιμοποιείται στον MobileCharger αντιμετωπίζει το πρόβλημα της σταθερής επαφής κατά τη διάρκεια της επαναφόρτισης, και τροφοδοτείται από δύο dataset: το πρώτο dataset περιέχει δεδομένα για την γωνιακή αποσύνδεση μεταξύ ηλεκτροδίων, με 600 ζευγάρια δεδομένων που προέρχονται από μηχανισμούς αισθητήρων αφής, το δεύτερο dataset ασχολείται με την οριζόντιη και κατακόρυφη αποσύνδεση του τελικού εκτελεστή (του συνόλου φόρτισης), και περιέχει 500 ζευγάρια δεδομένων.

Η αρχιτεκτονική του CNN για τη σταθερότητα της σύλληψης.

Τα δεδομένα χωρίστηκαν σε 67% για εκπαίδευση και 33% για αξιολόγηση, με την ακρίβεια ως το στόχο.

Πριν από τη χρήση του CNN/YOLO, οι ερευνητές εξέτασαν τη χρήση του Histogram of oriented gradients (HoG) με Support Vector Machine (SVM), και επίσης την ανίχνευση περιγράμματος με Canny edge detector. Κανένα από αυτά τα μέθοδα δεν θεωρήθηκε αρκετά ανθεκτικό στις προκλήσεις της επαναφόρτισης σε απευθείας σύνδεση.

SwarmCharge

Το σύστημα MobileCharger προορίζεται για εσωτερικούς και εξωτερικούς χώρους, και μελλοντική εργασία από τους ερευνητές θα ασχοληθεί με την ανάπτυξη τοπικής και αλγορίθμων χαρτογράφησης. 1-Dof θα εξεταστεί επίσης ως μια πρόσθετη εγκατάσταση για την περιστροφή ηλεκτροδίων στο άξονα ρόλου της διασύνδεσης.

Όπως θα περιμενόταν, το ιδιόκτητο σύστημα σύνδεσης προορίζεται τελικά για ένα ευρύτερο οικοσύστημα ρομπότ και αυτόνομων συσκευών, το οποίο το έγγραφο αναφέρει ότι θα ονομάζεται SwarmCharge. Ο MobileCharger προορίζεται να είναι ένα σύστημα υποστήριξης για eine μεγάλη ποικιλία τύπων ρομπότ, συμπεριλαμβανομένων ανθρωποειδών, τετράποδων και UAV μηχανισμών.