Un système de recharge mobile pour les robots autonomes à court de puissance

Des chercheurs russes ont développé un prototype de robot capable d’effectuer des missions de recharge ad hoc pour les robots agricoles et industriels dont l’autonomie est limitée par le manque de prises de courant, et qui propose également une norme pour une configuration de prise de charge applicable aux systèmes de robotique mobile.

Le prototype de « MobileCharger », révélé dans un article récent de l’Institut de science et de technologie Skolkovo à Moscou, est équipé d’un mécanisme d’engagement qui n’est pas sans rappeler les larges capacités d’interverrouillage des systèmes de transport aérien militaire conçus pour le ravitaillement en vol.

Le prototype de robot MobileCharger. Source: https://arxiv.org/pdf/2107.10585.pdf

MobileCharger tente d’améliorer les initiatives similaires des dernières années, telles que le robot de charge mobile « Laderoboter » de Volkswagen et le robot de recharge EVAR de Samsung, de plusieurs manières: en faisant un meilleur compromis entre le poids et la capacité; en réduisant les exigences d’espace pour les opérations de recharge (une faiblesse d’EVAR); en utilisant des réseaux de neurones convolutionnels (CNN) pour optimiser l’opération d’engagement; et en utilisant une gamme de capteurs, notamment des capteurs LiDAR et des capteurs de pression, pour estimer la position relative du robot à recharger.

Le système de couplage présente une liberté de mouvement relative dans trois directions, afin d’accueillir différents designs de robots de champ, et de tenir compte des environnements qui peuvent présenter un terrain plus inégal que les surfaces planes d’un sol de fabrique.

Les opérations de recharge sont destinées à durer environ quatre heures, avec un transfert constant de 22 volts. Au cours du processus, il est essentiel que la connexion physique reste constante, car un décalage horizontal ou vertical est susceptible de provoquer des dommages à l’un ou aux deux robots, avec la possibilité d’une décharge électrique non mise à la terre.

L’actionneur delta inversé présent dans MobileCharger offre une meilleure vitesse opérationnelle que les solutions récentes pour les scénarios de recharge sur le terrain, les chercheurs affirmant que sa conception compacte et distincte sera plus facile à fabriquer.

L’actionneur delta comporte également un verrouillage à base de aimant, bien que cela ne soit pas suffisant en soi pour maintenir un contact sûr pendant les opérations de recharge, et est complété par plusieurs approches complémentaires, notamment un anneau de configuration et un effecteur final avec des électrodes et des servomoteurs.

Chargement agnostique de conception

MobileCharger n’est pas conçu pour avoir une connaissance de domaine complète de chaque robot qu’il pourrait être amené à recharger, mais utilisera plutôt une gamme de méthodes pour identifier une prise de charge compatible quelque part sur le châssis du robot, et se manœuvrer dans une proximité qui lui permet de se connecter au robot cible.

Matrice de capteurs de pression tactile dans le mécanisme d’amarrage de MobileCharger.

En effet, MobileCharger lance un éventail de solutions pour relever le défi de l’évaluation de l’alignement et de l’engagement constant, notamment les systèmes de vision par ordinateur RGB-D (à profondeur) des robots de cueillette de fruits et les systèmes de rétroaction haptique et tactile des robots industriels fermés.

Reconnaissance d’images

Le scanner LiDAR de MobileCharger est complété par une caméra de profondeur Intel RealSense D435 RGB à profondeur pour l’estimation de la proximité, servant également de mécanisme d’alimentation pour les capacités d’estimation de contact basées sur CNN du robot.

Le système de détection d’objets utilisé par MobileCharger est basé sur YOLOv3, un système de reconnaissance d’images en temps réel efficace avec 106 couches, alimenté par un ensemble de données personnalisé axé sur la conception de la borne de recharge proposée.

L’ensemble de données contient 170 échantillons, répartis entre 120 pour la formation et 50 pour les ensembles de test, réalisés dans diverses conditions d’éclairage, et une gamme de variations de lacet allant de 75 à 105 degrés. Les images de l’ensemble de données de formation sont en résolution 840×480, et comportent des données RGB et de profondeur.

Réseau de neurones convolutionnel

Le CNN utilisé dans MobileCharger traite le problème du contact constant pendant l’opération de charge, et est alimenté par deux ensembles de données personnalisés: le premier ensemble de données comporte des données sur le décalage angulaire entre les électrodes, avec 600 paires de données dérivées de mécanismes de capteurs de pression; le deuxième ensemble de données traite du décalage horizontal et vertical de l’effecteur final (l’ensemble de charge), et contient 500 paires de données.

L’architecture du CNN pour la cohérence de la prise.

Les données ont été divisées en 67 % pour la formation et 33 % pour les ensembles d’évaluation, avec la précision comme métrique cible.

Avant de se fixer sur la méthode CNN/YOLO, les chercheurs ont envisagé d’utiliser l’histogramme des gradients orientés (HoG) avec la machine à vecteurs de support (SVM), ainsi que la détection de contours avec le détecteur de bords de Canny. Aucune de ces méthodes n’a été considérée comme suffisamment robuste pour relever les défis des opérations de recharge sur le terrain.

SwarmCharge

Le système MobileCharger est destiné aux environnements intérieurs et extérieurs, et les travaux futurs des chercheurs porteront sur le développement de l’algorithme de localisation et de cartographie. 1-Dof sera également exploré comme une installation supplémentaire pour la rotation de l’électrode dans l’axe de roulis du mécanisme de connexion.

Comme on pourrait s’y attendre, le système de couplage propriétaire est destiné à être utilisé éventuellement dans un écosystème plus large de robots et de dispositifs autonomes, que l’article appelle SwarmCharge. MobileCharger est destiné à être un système de support pour une large gamme de types de robots, notamment les mécanismes humanoïdes, quadrupèdes et UAV.