Hệ Thống Sạc Di Động Cho Các Robot Tự Động Thiếu Năng Lượng

Các nhà nghiên cứu Nga đã phát triển một nguyên mẫu robot có khả năng thực hiện các nhiệm vụ sạc ad hoc cho các robot nông nghiệp và công nghiệp mà tự chủ bị hạn chế bởi sự thiếu các điểm sạc, và cũng đề xuất một tiêu chuẩn cho cấu hình cổng sạc áp dụng cho các hệ thống robot di động.

Nguyên mẫu cho ‘MobileCharger’, được tiết lộ trong một bài báo gần đây từ Viện Khoa học và Công nghệ Skolkovo tại Moscow, được trang bị một cơ chế gắn kết không khác biệt so với khả năng gắn kết rộng của các hệ thống vận tải hàng không quân sự được thiết kế cho việc tiếp nhiên liệu trên không.

Nguyên mẫu robot MobileCharger. Source: https://arxiv.org/pdf/2107.10585.pdf

MobileCharger cố gắng cải tiến trên các sáng kiến tương tự trong những năm gần đây, chẳng hạn như robot sạc di động ‘Laderoboter’ của Volkswagen và robot sạc EVAR của Samsung theo một số cách: bằng cách tạo ra sự cân bằng tốt hơn giữa trọng lượng và khả năng; bằng cách giảm không gian yêu cầu cho các hoạt động sạc (một điểm yếu của EVAR); bằng cách sử dụng Mạng Nơ-ron Lồi (CNN) để tối ưu hóa hoạt động gắn kết; và bằng cách sử dụng một loạt các cảm biến, bao gồm LiDAR và cảm biến xúc giác để ước tính vị trí tương đối của robot cần sạc.

Hệ thống gắn kết có tính linh hoạt tương đối trong ba hướng, để phù hợp với các thiết kế khác nhau của robot trường và để tính đến các môi trường có thể có địa hình không bằng phẳng hơn so với bề mặt phẳng của sàn nhà máy.

Các hoạt động sạc được dự định sẽ kéo dài khoảng bốn giờ, với việc truyền điện áp liên tục 22 volt. Trong quá trình này, điều quan trọng là kết nối vật lý phải được duy trì ổn định, vì sự không thẳng hàng theo chiều ngang hoặc chiều dọc có thể dẫn đến thiệt hại cho một hoặc cả hai robot, với khả năng xảy ra phóng điện không an toàn.

Cơ cấu delta ngược được tích hợp trong MobileCharger cung cấp tốc độ hoạt động tốt hơn so với các giải pháp gần đây cho các kịch bản sạc trong lĩnh vực, với các nhà nghiên cứu khẳng định rằng thiết kế nhỏ gọn và riêng biệt của nó sẽ dễ dàng sản xuất hơn.

Cơ cấu delta ngược cũng có khóa từ, mặc dù điều này alone sẽ không đủ để duy trì liên lạc an toàn trong quá trình sạc, và được hỗ trợ bởi một số phương pháp bổ sung, bao gồm một vòng thiết lập và một cơ cấu hiệu ứng cuối cùng với điện cực và động cơ servo.

Sạc Thiết Kế Tự Động

MobileCharger không được thiết kế để có kiến thức miền đầy đủ về mọi robot mà nó có thể được yêu cầu sạc, nhưng thay vào đó sẽ sử dụng một loạt các phương pháp để xác định một ổ cắm sạc tương thích ở đâu đó trên thân của robot, và điều khiển mình vào một vị trí gần đó cho phép nó kết nối với robot mục tiêu.

Mảng cảm biến áp suất xúc giác trong cơ chế gắn kết của MobileCharger.

Hiệu quả MobileCharger ném một loạt các giải pháp vào thách thức của việc đánh giá và gắn kết nhất quán, bao gồm hệ thống thị giác máy tính RGB-D (có độ sâu) của robot thu hoạch trái cây và hệ thống cảm biến xúc giác và phản hồi haptic của robot công nghiệp kín.

Nhận Dạng Hình Ảnh

Máy quét LiDAR của MobileCharger được hỗ trợ bởi camera Intel RealSense D435 RGB độ sâu để ước tính khoảng cách, cũng phục vụ như một cơ chế cho khả năng ước tính liên lạc dựa trên CNN của robot.

Hệ thống phát hiện vật thể được sử dụng bởi MobileCharger dựa trên YOLOv3, một hệ thống nhận dạng hình ảnh thời gian thực hiệu quả với 106 lớp, được cung cấp bởi một tập dữ liệu được đào tạo tùy chỉnh tập trung vào thiết kế dock sạc được đề xuất.

Tập dữ liệu chứa 170 mẫu, chia giữa 120 cho đào tạo và 50 trong các tập kiểm tra, được thực hiện trong một loạt các điều kiện ánh sáng và một loạt các biến thể yaw từ 75 đến 105 độ. Các hình ảnh trong tập dữ liệu đào tạo có độ phân giải 840×480, và có dữ liệu RGB và độ sâu.

Mạng Nơ-ron Lồi

CNN được sử dụng trong MobileCharger giải quyết vấn đề liên lạc nhất quán trong quá trình sạc, và được cung cấp bởi hai tập dữ liệu tùy chỉnh: tập dữ liệu đầu tiên có dữ liệu về sự không thẳng hàng góc giữa các điện cực, với 600 cặp dữ liệu được lấy từ các cơ chế cảm biến xúc giác; tập dữ liệu thứ hai liên quan đến sự không thẳng hàng theo chiều ngang và chiều dọc của cơ cấu hiệu ứng cuối cùng (tập hợp sạc), và chứa 500 cặp dữ liệu.

Kiến trúc CNN cho sự nhất quán của nắm giữ.

Dữ liệu được chia thành 67% đào tạo và 33% tập kiểm tra, với độ chính xác là chỉ số mục tiêu.

Trước khi quyết định sử dụng phương pháp CNN/YOLO, các nhà nghiên cứu đã xem xét việc sử dụng Histogram của các gradient định hướng (HoG) với Máy Vector Hỗ trợ (SVM), và cũng phát hiện đường viền với bộ phát hiện cạnh Canny. Không có phương pháp nào được coi là đủ mạnh để đối phó với các thách thức của các hoạt động sạc trong lĩnh vực.

SwarmCharge

Hệ thống MobileCharger được thiết kế cho các môi trường trong nhà và ngoài trời, và công việc trong tương lai của các nhà nghiên cứu sẽ giải quyết việc phát triển các thuật toán định vị và lập bản đồ. 1-Dof sẽ cũng được khám phá như một tiện ích bổ sung cho việc quay điện cực trong trục con của cơ chế kết nối.

Como có thể dự đoán, hệ thống gắn kết độc quyền được dự định sẽ được sử dụng trong một hệ sinh thái rộng lớn hơn của các robot và thiết bị tự động, mà theo bài báo sẽ được gọi là SwarmCharge. MobileCharger được dự định sẽ là một hệ thống hỗ trợ cho nhiều loại robot khác nhau, bao gồm cả cơ chế humanoid, quadruped và UAV.