Een mobiel oplaadsysteem voor stroomarme autonome robots

Russische onderzoekers hebben een prototype-robot ontwikkeld die in staat is om ad hoc oplaadmissies uit te voeren voor landbouw- en industriële robots waarvan de autonomie anders beperkt is door het gebrek aan stopcontacten, en die ook een voorgestelde standaard bevat voor een oplaadstekker-stopcontactconfiguratie die toegepast kan worden op mobiele robotica-systemen.

Het prototype voor ‘MobileCharger’, onthuld in een recent artikel van het Skolkovo Institute of Science and Technology in Moskou, is uitgerust met een inschakelmechanisme dat niet veel verschilt van de brede verbindingsmogelijkheden van militaire luchttransportsystemen die zijn ontworpen voor bijtanken in de lucht.

De MobileCharger-prototype-robot. Bron: https://arxiv.org/pdf/2107.10585.pdf

MobileCharger probeert verbeteringen aan te brengen ten opzichte van soortgelijke initiatieven van de afgelopen jaren, zoals Volkswagen’s ‘Laderoboter’ mobiele oplaadrobot en Samsung’s EVAR Recharging Robot, op verschillende manieren: door een betere balans te vinden tussen gewicht en capaciteit; door de ruimtebehoefte voor oplaadoperaties te verminderen (een zwakte van EVAR); door Convolutional Neural Networks (CNN’s) te gebruiken om de inschakeloperatie te optimaliseren; en door een reeks sensoren te gebruiken, waaronder LiDAR en tactiele sensoren om de relatieve positie van de robot die moet worden opgeladen te schatten.

Het koppelsysteem heeft een relatieve vrijheid van beweging in drie richtingen, om verschillende ontwerpen van veldrobots te accommoderen en om rekening te houden met omgevingen die mogelijk onevenwichtiger terrein hebben dan de vlakke oppervlakken van een fabrieksvloer.

Oplaadoperaties zijn bedoeld om ongeveer vier uur te duren, met een constante overdracht van 22 volt. Tijdens het proces is het essentieel dat de fysieke verbinding consistent blijft, aangezien horizontale of verticale misalignering waarschijnlijk zal leiden tot schade aan een of beide robots, met de mogelijkheid van ongeaarde elektrische ontlading.

De omgekeerde delta-actuator die in MobileCharger wordt gebruikt, biedt een betere operationele snelheid dan recente oplossingen voor opladen in het veld, waarbij de onderzoekers beweren dat het compacte en afgeleide ontwerp gemakkelijker te produceren zal zijn.

De Delta-actuator heeft ook magnetische vergrendeling, maar dat is op zichzelf niet genoeg om veilig contact te behouden tijdens oplaadoperaties, en wordt ondersteund door verschillende aanvullende benaderingen, waaronder een instelring en een einduitvoerder met elektroden en servomotoren.

Ontwerp-agnostische oplading

MobileCharger is niet ontworpen om complete domeinkennis te hebben van elke robot die het moet opladen, maar zal in plaats daarvan een reeks methoden gebruiken om een compatibele oplaadstekker ergens op het chassis van de robot te identificeren en zichzelf in een proximiteit te manoeuvreren die het mogelijk maakt om verbinding te maken met de doelrobot.

Tactile druksensorarray in de dockmechanisme van MobileCharger.

Effectief gooit MobileCharger een reeks oplossingen voor de uitdaging van alignatiebeoordeling en consistente inschakeling, waaronder de RGB-D (diepte-geactiveerde) computervisiemsystemen van fruitplukrobots en drukgevoelige tactiele en haptische feedbacksystemen van gesloten industriële robots.

Beeldherkenning

De LiDAR-scanner van MobileCharger wordt ondersteund door een Intel RealSense D435 RGB dieptecamera voor proximiteitsschatting, die ook fungeert als een voedingsmechanisme voor de CNN-gebaseerde contactestimatiecapaciteiten van de robot.

Het objectdetectiesysteem dat door MobileCharger wordt gebruikt, is gebaseerd op YOLOv3, een effectief real-time beeldherkenningssysteem met 106 lagen, aangedreven door een aangepast getraind dataset dat centraal staat op het voorgestelde oplaaddockontwerp.

Het dataset bevat 170 monsters, verdeeld over 120 voor training en 50 in testsets, gemaakt in verschillende lichtomstandigheden en een reeks van yaw-variabelen van 75 tot 105 graden. Afbeeldingen in het trainingsdataset zijn 840×480 in resolutie en bevatten RGB- en dieptedata.

Convolutional Neural Network

De CNN die in MobileCharger wordt gebruikt, adresseert het probleem van consistente contact tijdens de oplaadoperatie en wordt aangedreven door twee aangepaste datasets: de eerste dataset bevat gegevens over hoekmisalignering tussen elektroden, met 600 dataparen afgeleid van tactiele sensormechanismen; de tweede dataset houdt zich bezig met horizontale en verticale misalignering van de einduitvoerder (de oplaadassemble), en bevat 500 dataparen.

De CNN-architectuur voor greepconsistentie.

De gegevens werden gesplitst in 67% trainings- en 33% evaluatiesets, met nauwkeurigheid als doelmetric.

Voordat ze besloten om de CNN/YOLO-methode te gebruiken, overwogen de onderzoekers het gebruik van Histogram of oriented gradients (HoG) met Support Vector Machine (SVM), en ook contourdetectie met Canny edge detector. Geen van deze methoden werd voldoende robuust geacht voor de uitdagingen van opladen in het veld.

SwarmCharge

Het MobileCharger-systeem is bedoeld voor indoor- en buitengebieden, en toekomstig onderzoek van de onderzoekers zal zich richten op de ontwikkeling van localisatie- en mappingalgoritmen. 1-Dof zal ook worden onderzocht als een extra faciliteit voor elektroderotatie in de rolas van de verbindingmechanisme.

Zoals verwacht, is het propriëtaire koppelsysteem uiteindelijk bedoeld voor een bredere ecostructuur van robots en autonome apparaten, die volgens het artikel SwarmCharge zal worden genoemd. MobileCharger is bedoeld als een ondersteunend systeem voor een breed scala aan soorten robots, waaronder humanoïde, quadruped en UAV-mechanismen.