Mobilny System Ładowania dla Robotów Autonomicznych z Ograniczonym Zasobem Energii

Rosyjscy badacze opracowali prototyp robota zdolnego do wykonywania zadań ładowania w terenie dla robotów rolniczych i przemysłowych, których autonomia jest ograniczona przez brak gniazd ładowania, a także zaproponowali standard dla konfiguracji gniazda ładowania stosowanego w systemach robotyki mobilnej.

Prototyp “MobileCharger”, opublikowany w niedawnym artykule Instytutu Naukowo-Technicznego Skolkovo w Moskwie, wyposażony jest w mechanizm połączenia niezbyt odmienny od szerokich możliwości łączenia się systemów transportu lotniczego wojskowego zaprojektowanych do tankowania w locie.

Prototyp robota MobileCharger. Źródło: https://arxiv.org/pdf/2107.10585.pdf

MobileCharger próbuje poprawić podobne inicjatywy z ostatnich lat, takie jak mobilny robot ładowania “Laderoboter” Volkswagena i robot ładowania EVAR Samsunga, na kilka sposobów: poprzez lepsze wyważenie masy i pojemności; poprzez zmniejszenie wymagań przestrzennych dla operacji ładowania (słabość EVAR); poprzez zastosowanie sieci neuronowych typu Convolutional (CNN) do optymalizacji operacji połączenia; oraz poprzez zastosowanie szeregu czujników, w tym LiDAR i czujników taktylnych, w celu oszacowania względnego położenia robota do ładowania.

System połączenia posiada względną swobodę ruchu w trzech kierunkach, aby dostosować się do różnych konstrukcji robotów terenowych i uwzględnić środowiska, które mogą mieć bardziej nierówną powierzchnię niż płaskie powierzchnie hali fabrycznej.

Operacje ładowania są przeznaczone do trwania około czterech godzin, z ciągłym przekazem 22 woltów. Podczas procesu jest niezwykle ważne, aby fizyczne połączenie pozostało stałe, ponieważ pozioma lub pionowa niezgodność może prowadzić do uszkodzenia jednego lub obu robotów, z możliwością nieuziemionego wyładowania elektrycznego.

Odwrócony aktuator delta w MobileCharger oferuje lepszą prędkość operacyjną niż ostatnie rozwiązania scenariuszy ładowania w terenie, a badacze twierdzą, że jego kompaktowy i wyraźny design będzie łatwiejszy do produkcji.

Aktor delta posiada również zabezpieczenie magnetyczne, chociaż samodzielnie nie byłoby wystarczające do utrzymania bezpiecznego kontaktu podczas operacji ładowania i jest wspierane przez kilka uzupełniających podejść, w tym pierścień ustawiania i efektora końcowego z elektrodami i serwomotorami.

Ładowanie Niezależne od Projektu

MobileCharger nie jest zaprojektowany, aby mieć pełną wiedzę na temat każdego robota, który może być wymagany do ładowania, ale zamiast tego będzie wykorzystywał szereg metod, aby zidentyfikować kompatybilne gniazdo ładowania gdzieś na szasie robota i manewrować się w pobliżu, aby móc połączyć się z celem robota.

Tablica czujników ciśnienia taktylnego w mechanizmie dokowania MobileCharger.

Efektywnie MobileCharger rzuca szereg rozwiązań w wyzwanie oceny wyrównania i stałego połączenia, w tym systemy komputerowego widzenia RGB-D (z funkcją głębi) robotów zbierających owoce i systemy sprzężenia zwrotnego taktylnego i haptycznego robotów przemysłowych zamkniętych.

Rozpoznawanie Obrazu

Skanner LiDAR MobileCharger jest wspierany przez kamerę głębi Intel RealSense D435 RGB kamerę głębi do oszacowania odległości, służącą również jako mechanizm karmienia dla możliwości szacowania kontaktu robota opartego na sieciach neuronowych.

System wykrywania obiektów stosowany przez MobileCharger oparty jest na YOLOv3, skutecznym systemie rozpoznawania obrazu w czasie rzeczywistym z 106 warstwami, napędzanym przez niestandardowo przeszkolony zestaw danych koncentrujący się na proponowanym projekcie dokowania.

Zestaw danych zawiera 170 próbek, podzielonych na 120 do szkolenia i 50 w zestawach testowych, wykonanych w różnych warunkach oświetlenia i zakresie obrotu od 75 do 105 stopni. Obrazy w zestawie szkoleniowym mają rozdzielczość 840×480 i zawierają dane RGB i głębi.

Sieć Neuronowa Wyznaczona

Sieć neuronowa stosowana w MobileCharger zajmuje się problemem stałego kontaktu podczas operacji ładowania i jest napędzana przez dwa specjalne zestawy danych: pierwszy zestaw danych zawiera dane o nachyleniu kątowym między elektrodami, z 600 par danych pochodzących z mechanizmów czujników taktylnych; drugi zestaw danych dotyczy poziomego i pionowego nachylenia efektora końcowego (zestawu ładowania), i zawiera 500 par danych.

Architektura sieci neuronowej dla spójności chwytu.

Dane zostały podzielone na 67% zestawu szkoleniowego i 33% zestawu oceny, z dokładnością jako celem.

Przed ustaleniem się na metodzie CNN/YOLO, badacze rozważali stosowanie Histogramu gradientu orientacji (HoG) z maszyną wektorową nośną (SVM), oraz wykrywania konturów z wykrywaczem krawędzi Canny. Żadna z tych metod nie została uznana za wystarczająco odporną na wyzwania ładowania w terenie.

SwarmCharge

System MobileCharger jest przeznaczony do środowisk wewnętrznych i zewnętrznych, a przyszłe prace badawcze będą dotyczyły rozwoju lokalizacji i algorytmów mapowania. 1-Dof będzie również badany jako dodatkowa możliwość obrotu elektrody w osi związanej z mechanizmem połączenia.

Jak można się spodziewać, własny system połączenia jest przeznaczony ostatecznie do szerszej ekosystemu robotów i urządzeń autonomicznych, które według artykułu będą nazywać się SwarmCharge. MobileCharger jest przeznaczony do być systemem wsparcia dla szerokiej gamy typów robotów, w tym robotów humanoidów, czworonożnych i UAV.