Een mobiel oplaadsysteem voor autonomische robots met een tekort aan stroom

Russische onderzoekers hebben een prototype-robot ontwikkeld die ad hoc oplaadmissies kan uitvoeren voor landbouw- en industriële robots waarvan de autonomie anders beperkt zou zijn door het gebrek aan stopcontacten, en die ook een voorgestelde standaard bevat voor een oplaadconfiguratie die van toepassing is op mobiele robotica-systemen.

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

Het prototype van de MobileCharger-robot. Bron: https://arxiv.org/pdf/2107.10585.pdf

MobileCharger probeert verbeteringen aan te brengen op soortgelijke initiatieven van de afgelopen jaren, zoals de ‘Laderoboter’ van Volkswagen en de EVAR Recharging Robot van Samsung, 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 aangrijpingsoperatie te optimaliseren; en door een reeks sensoren te gebruiken, waaronder LiDAR en tactiele sensoren om de relatieve positie van de robot te schatten die moet worden opgeladen.

Het koppelsysteem heeft een relatieve vrijheid van beweging in drie richtingen, om verschillende ontwerpen van veldrobots aan te kunnen en om rekening te houden met omgevingen die onevenwichtiger terrein kunnen 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 zeer waarschijnlijk zal leiden tot schade aan een of beide robots, met de mogelijkheid van ongeaarde elektrische ontlading.

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

De delta-actuator heeft ook magnetische vergrendeling, hoewel dit op zich niet voldoende zou zijn om een veilige verbinding 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 volledige domeinkennis te hebben van elke robot die het moet opladen, maar zal in plaats daarvan een reeks methoden gebruiken om een compatibele oplaadpoort 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.

Tactiele druk sensorsarray in de dockmechanisme van MobileCharger.

Effectief gooit MobileCharger een reeks oplossingen voor de uitdaging van alignatiebeoordeling en consistente aangrijping, 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 proximiteitschatting, die ook fungeert als voedingsmechanisme voor de CNN-gebaseerde contactbeoordelingsmogelijkheden 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 aangepaste trainingsdataset die is gericht op het voorgestelde oplaaddockontwerp.

De dataset bevat 170 samples, 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 de trainingsdataset zijn 840×480 pixels, en bevatten RGB- en dieptedata.

Convolutioneel Neuraal Netwerk

Het CNN dat 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 behandelt horizontale en verticale misalignering van de einduitvoerder (de oplaadassembly), en bevat 500 dataparen.

De CNN-architectuur voor greepconsistentie.

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

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 oplaadoperaties in het veld.

SwarmCharge

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

Zoals te verwachten valt, 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, viervoetige en UAV-mechanismen.