Un sistema de recarga móvil para robots autónomos con escasez de energía

Investigadores rusos han desarrollado un prototipo de robot capaz de realizar misiones de recarga ad hoc para robots agrícolas e industriales cuya autonomía está limitada por la falta de tomas de corriente, y que también cuenta con un estándar propuesto para una configuración de enchufe/toma de corriente aplicable a sistemas de robótica móvil.

El prototipo de ‘MobileCharger’, presentado en un artículo reciente del Instituto de Ciencia y Tecnología Skolkovo de Moscú, está equipado con un mecanismo de enganche similar a las amplias capacidades de interbloqueo de los sistemas de transporte aéreo militar diseñados para el repostaje en vuelo.

El prototipo del robot MobileCharger. Fuente: https://arxiv.org/pdf/2107.10585.pdf

MobileCharger intenta mejorar las iniciativas similares de los últimos años, como el robot de carga móvil ‘Laderoboter’ de Volkswagen y el robot de recarga EVAR de Samsung, de varias maneras: haciendo un mejor equilibrio entre peso y capacidad; reduciendo los requisitos de espacio para las operaciones de recarga (una debilidad de EVAR); utilizando Redes Neuronales Convolucionales (CNN) para optimizar la operación de enganche; y utilizando una variedad de sensores, incluyendo LiDAR y sensores táctiles para estimar la posición relativa del robot que se va a recargar.

El sistema de acoplamiento cuenta con una libertad de movimiento relativa en tres direcciones, para adaptarse a diferentes diseños de robots de campo y para tener en cuenta entornos que pueden tener un terreno más irregular que las superficies planas de una planta de fabricación.

Las operaciones de recarga están diseñadas para durar alrededor de cuatro horas, con una transferencia constante de 22 voltios. Durante el proceso, es esencial que la conexión física se mantenga constante, ya que un desalineamiento horizontal o vertical puede provocar daños en uno o ambos robots, con la posibilidad de una descarga eléctrica no aterrada.

El actuador delta invertido que se encuentra en MobileCharger ofrece una mejor velocidad de operación que las soluciones recientes para escenarios de recarga en el campo, con los investigadores afirmando que su diseño compacto y distintivo será más fácil de fabricar.

El actuador delta también cuenta con un bloqueo magnético, aunque esto no sería suficiente por sí solo para mantener un contacto seguro durante las operaciones de recarga, y se complementa con varios enfoques adicionales, incluyendo un anillo de configuración y un efector final con electrodos y servomotores.

Carga Agnóstica de Diseño

MobileCharger no está diseñado para tener conocimiento completo de cada robot que podría necesitar recargar, sino que utilizará una variedad de métodos para identificar una toma de corriente compatible en algún lugar del chasis del robot y maniobrar para conectarse al robot objetivo.

Matriz de sensores de presión táctil en el mecanismo de acoplamiento de MobileCharger.

En efecto, MobileCharger utiliza una variedad de soluciones para el desafío de la evaluación de alineación y el contacto consistente, incluyendo los sistemas de visión por computadora RGB-D (con profundidad) de los robots de recolección de frutas y los sistemas de retroalimentación táctil y háptica de los robots industriales cerrados.

Reconocimiento de Imágenes

El escáner LiDAR de MobileCharger se complementa con una cámara de profundidad Intel RealSense D435 RGB para la estimación de proximidad, que también sirve como mecanismo de alimentación para las capacidades de estimación de contacto basadas en CNN del robot.

El sistema de detección de objetos utilizado por MobileCharger se basa en YOLOv3, un sistema de reconocimiento de imágenes en tiempo real efectivo con 106 capas, impulsado por un conjunto de datos personalizado centrado en el diseño de la toma de corriente propuesta.

El conjunto de datos contiene 170 muestras, divididas entre 120 para entrenamiento y 50 en conjuntos de prueba, realizadas en una variedad de condiciones de iluminación y una gama de variaciones de guiñada de 75 a 105 grados. Las imágenes en el conjunto de datos de entrenamiento están en una resolución de 840×480, y cuentan con datos RGB y de profundidad.

Red Neuronal Convolucional

La CNN utilizada en MobileCharger aborda el problema del contacto consistente durante la operación de recarga, y se alimenta de dos conjuntos de datos personalizados: el primer conjunto de datos cuenta con información sobre el desalineamiento angular entre electrodos, con 600 pares de datos derivados de mecanismos de sensores táctiles; el segundo conjunto de datos se ocupa del desalineamiento horizontal y vertical del efector final (el ensamblaje de recarga), y contiene 500 pares de datos.

La arquitectura de la CNN para la consistencia del agarre.

Los datos se dividieron en un 67% para entrenamiento y un 33% para evaluación, con la precisión como métrica objetivo.

Antes de decidirse por el método CNN/YOLO, los investigadores consideraron utilizar el histograma de gradientes orientados (HoG) con la máquina de vectores de soporte (SVM), y también la detección de contornos con el detector de bordes de Canny. Ninguno de estos métodos se consideró lo suficientemente resistente a los desafíos de las operaciones de recarga en el campo.

SwarmCharge

El sistema MobileCharger está diseñado para entornos interiores y exteriores, y el trabajo futuro de los investigadores abordará el desarrollo de algoritmos de localización y mapeo. 1-Dof también se explorará como una instalación adicional para la rotación del electrodo en el eje de rol del mecanismo de conexión.

Como cabría esperar, el sistema de acoplamiento propietario está destinado eventualmente a una estructura ecológica más amplia de robots y dispositivos autónomos, que el artículo dice que se llamará SwarmCharge. MobileCharger está diseñado para ser un sistema de soporte para una amplia variedad de tipos de robots, incluyendo mecanismos humanoides, cuadrúpedos y UAV.