Et mobilt lade-system for strømsvake autonome roboter

Russiske forskere har utviklet en prototype-robot som kan utføre ad hoc-ladingsoppdrag for landbruks- og industriroboter hvis autonomi ellers er begrenset av manglende strømuttertag, og som også har en foreslått standard for en ladingsstikker/kontakt-konfigurasjon som kan brukes i mobile robot-systemer.

Prototypen for ‘MobileCharger’, avdekket i en nylig artikkel fra Skolkovo Institute of Science and Technology i Moskva, er utstyrt med en innkoplingsmekanisme som ikke er så ulik de brede innkoplingsmulighetene i militære lufttransport-systemer designet for påfylling under flyvning.

MobileCharger-prototypen. Kilde: https://arxiv.org/pdf/2107.10585.pdf

MobileCharger prøver å forbedre lignende initiativer fra de siste årene, som Volkswagen’s ‘Laderoboter’ mobile ladingsrobot og Samsung’s EVAR-ladingsrobot, på flere måter: ved å gjøre en bedre avveining mellom vekt og kapasitet; ved å redusere plasskravene for ladingsoperasjoner (en svakhet hos EVAR); ved å bruke Convolutional Neural Networks (CNN) til å optimalisere innkoplingsoperasjonen; og ved å bruke en rekke sensorer, inkludert LiDAR og taktilsensorer til å estimere den relative posisjonen til roboten som skal lades.

Koblings-systemet har en relativ frihet i bevegelse i tre retninger, for å kunne håndtere forskjellige design på felt-roboter, og for å kunne håndtere miljøer som kan ha mer ujevn terreng enn de flate overflatene på en fabrikk-gulv.

Ladingsoperasjoner er ment å vare om lag fire timer, med en jevn overføring av 22 volt. Under prosessen er det essensielt at den fysiske forbindelsen forblir konsistent, siden horisontal eller vertikal misalignering svært sannsynlig vil føre til skade på en eller begge roboter, med mulighet for ugrunnede elektriske utladninger.

Den inverted delta-aktuator som er med i MobileCharger tilbyr en bedre operasjonshastighet enn nylige løsninger for ladings-scenariene i felt, og forskerne hevder at dens kompakte og distinkte design vil være enklere å produsere.

Delta-aktuatoren har også magnet-basert låsing, selv om dette ikke ville være nok i seg selv for å opprettholde trygg kontakt under ladingsoperasjoner, og den støttes opp av flere komplementære tilnærminger, inkludert en innstillingssirkel og en ende- effektor med elektroder og servomotorer.

Design-agnostisk ladning

MobileCharger er ikke designet for å ha fullt domene-kunnskap om hver enkelt robot den kan være nødt til å lade, men den vil i stedet bruke en rekke metoder for å identifisere en kompatibel ladingsstikker et sted på chassis av roboten, og manøvrere seg selv inn i en nærhet som tillater den å koble til mål-roboten.

Taktile trykksensor-arrays i dokkings-mekanismen til MobileCharger.

Effektivt kaster MobileCharger en rekke løsninger mot utfordringen med justerings-evaluering og konsistent innkopling, inkludert RGB-D (dybde-aktiverende) datamaskin-syn-systemer for frukt-plukkings-roboter og trykk-sensitive taktil og haptisk tilbakemelding-systemer for innelukkede industri-roboter.

Bilde-gjenkjenning

MobileChargers LiDAR-skanner er bakket opp av en Intel RealSense D435 RGB dybde-kamera for nærhets-estimering, og som også tjener som en innmatings-mekanisme for robotens CNN-baserte kontakt-estimerings-evner.

Objekt-gjenkjenningssystemet som brukes av MobileCharger er basert på YOLOv3, et effektivt sanntids-bilde-gjenkjenningssystem med 106 lag, drevet av en selv-lært datasett som fokuserer på den foreslåtte ladings-dokk-design.

Datasettet inneholder 170 eksempler, fordelt mellom 120 for trening og 50 i testsett, laget i en rekke lysforhold, og en rekke yaw-variasjoner fra 75 til 105 grader. Bilder i trening-datasettet er i 840×480-oppløsning, og inneholder RGB- og dybde-data.

Convolutional Neural Network

CNN-en som brukes i MobileCharger løser problemet med konsistent kontakt under ladings-operasjonen, og er drevet av to spesialbygde datasett: det første datasettet inneholder data om vinkel-misalignering mellom elektroder, med 600 data-par derivert fra taktilsensor-mekanismer; det andre datasettet omhandler horisontal og vertikal misalignering av ende- effektoren (ladings-samlingen), og inneholder 500 data-par.

CNN-arkitekturen for konsistent grep.

Dataene ble delt inn i 67% trening og 33% evalueringsett, med nøyaktighet som målet.

Før de slo fast på CNN/YOLO-metoden, vurderte forskerne å bruke Histogram of oriented gradients (HoG) med Support Vector Machine (SVM), og også kontur-deteksjon med Canny-kant-detektor. Ingen av disse metodene ble vurdert som tilstrekkelig motstandskraftige mot utfordringene i ladings-operasjoner i felt.

SwarmCharge

MobileCharger-systemet er ment for både innendørs og utendørs-miljøer, og fremtidig arbeid av forskerne vil omhandle utviklingen av lokaliserings- og kart-algoritmer. 1-Dof vil også bli utforsket som en ekstra fasilitet for elektrode-rotasjon i rull-aksen til koblings-mekanismen.

Som man kunne forvente, er det proprietære koblings-systemet ment å bli en del av en større økosystem av roboter og autonome enheter, som artikkelen sier vil bli kalt SwarmCharge. MobileCharger er ment å være et støttesystem for en rekke typer roboter, inkludert humanoid, firedobbel og UAV-mekanismer.