En mobil laddningssystem för strömsvaga autonoma robotar

Ryska forskare har utvecklat en prototyp av en robot som kan utföra ad hoc-laddningsuppdrag för jordbruks- och industrirobotar vars autonomi annars är begränsad av brist på eluttag, och som också föreslår en standard för en laddningskontakt/kontaktdon-konfiguration som är tillämplig på mobila robotiksystem.

Prototypen för “MobileCharger”, avslöjad i en nyligen publicerad artikel från Skolkovo Institute of Science and Technology i Moskva, är utrustad med en engagemangsmekanism som inte är så olika från de breda interlockningsförmågorna hos militära lufttransportsystem som är utformade för bränsle på flygning.

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

MobileCharger försöker förbättra liknande initiativ från de senaste åren, som Volkswagens “Laderoboter”-mobil laddningsrobot och Samsungs EVAR-laddningsrobot, på flera sätt: genom att göra en bättre avvägning mellan vikt och kapacitet; genom att minska utrymmeskraven för laddningsoperationer (en svaghet hos EVAR); genom att använda Convolutional Neural Networks (CNN) för att optimera engagemangsuppdraget; och genom att använda en mängd sensorer, inklusive LiDAR och taktila sensorer för att uppskatta den relativa positionen för roboten som ska laddas.

Kopplingsystemet har en relativ frihet i tre riktningar, för att kunna anpassa sig till olika design av fältrobotar, och för att ta hänsyn till miljöer som kan ha mer ojämn terräng än de platta ytor på en fabriksgolvyta.

Laddningsoperationer är avsedda att pågå i cirka fyra timmar, med en konstant överföring av 22 volt. Under processen är det viktigt att den fysiska anslutningen förblir konstant, eftersom horisontell eller vertikal feljustering mycket väl kan leda till skada på antingen eller båda robotarna, med möjlighet till ojordad elektrisk urladdning.

Den inverterade delta-aktuatorn som finns i MobileCharger erbjuder en bättre operativ hastighet än nyligen lösningar för laddningsscenarioer på fältet, med forskarna som hävdar att dess kompakta och distinkta design kommer att vara lättare att tillverka.

Delta-aktuatorn har också magnetbaserad låsning, men detta skulle inte vara tillräckligt i sig för att upprätthålla säker kontakt under laddningsoperationer, och backas upp av flera kompletterande metoder, inklusive en inställningsring och en slutanordning med elektroder och servomotorer.

Design-Agnostic Charging

MobileCharger är inte utformad för att ha fullständig domänkunskap om varje robot som den kan behöva ladda, utan kommer att använda en mängd metoder för att identifiera en kompatibel laddningskontakt någonstans på robotens chassi, och manövrera sig själv in i en proximitet som tillåter den att ansluta till målroboten.

Taktisk trycksensorarray i MobileChargers dockningsmekanism.

Effektivt kastar MobileCharger en mängd lösningar på utmaningen med utvärdering av justering och konsekvent engagemang, inklusive RGB-D (djupaktiverade) datorseende system för fruktplockningsrobotar och tryckkänsliga taktila och haptiska återkopplings system för slutna industrirobotar.

Bildigenkänning

MobileChargers LiDAR-skanner backas upp av en Intel RealSense D435 RGB djupkamera för proximitetsuppskattning, som också fungerar som en matningsmekanism för robotens CNN-baserade kontaktuppskattning.

Objektidentifieringssystemet som används av MobileCharger är baserat på YOLOv3, ett effektivt realtidsbildigenkänningssystem med 106 lager, driven av en anpassad träningsdataset som fokuserar på den föreslagna laddningsdocksdesignen.

Datasätet innehåller 170 prover, uppdelade mellan 120 för utbildning och 50 i testuppsättningar, gjorda under en mängd olika belysningsförhållanden, och en mängd yaw-variationer från 75 till 105 grader. Bilderna i utbildningsdatasätet är i upplösningen 840×480, och innehåller RGB- och djupdata.

Convolutional Neural Network

CNN som används i MobileCharger hanterar problemet med konsekvent kontakt under laddningsoperationen, och drivs av två anpassade datasätt: det första datasätet innehåller data om vinkelmässig feljustering mellan elektroder, med 600 datapar som härrör från taktila sensorer; det andra datasätet hanterar horisontell och vertikal feljustering av slutanordningen (laddningsenheten), och innehåller 500 datapar.

CNN-arkitekturen för greppkonsistens.

Datat delades upp i 67% utbildnings- och 33% utvärderingsuppsättningar, med noggrannhet som målmetrik.

Innan de fastnade för CNN/YOLO-metoden övervägde forskarna att använda Histogram of oriented gradients (HoG) med Support Vector Machine (SVM), och också konturidentifiering med Canny-kantdetektor. Ingen av dessa metoder ansågs tillräckligt robust för utmaningarna med laddningsoperationer på fältet.

SwarmCharge

MobileCharger-systemet är avsett för inomhus- och utomhusmiljöer, och framtida arbete av forskarna kommer att hantera utvecklingen av lokaliserings- och kartalgoritmer. 1-Dof kommer också att undersökas som en ytterligare funktion för elektrodrotation i anslutningsmekanismens rullaxel.

Som man kan förvänta sig är det proprietära kopplingssystemet avsett att så småningom användas i en bredare ekosystem av robotar och autonoma enheter, som artikeln säger kommer att kallas SwarmCharge. MobileCharger är avsett att vara ett stödsystem för en mängd olika typer av robotar, inklusive humanoida, quadruped och UAV-mekanismer.