移动充电系统为电力匮乏的自主机器人提供动力

俄罗斯研究人员开发了一个原型机器人，可以执行农业和工业机器人的临时充电任务，这些机器人的自主性受到电源限制的影响，并提出了一个适用于移动机器人系统的充电插头/插座配置的标准。

莫斯科斯科尔科沃理工学院最近的一篇论文中披露的“MobileCharger”原型机器人，配备了一个类似于军用空中加油系统的接合机构。

MobileCharger原型机器人。 来源：https://arxiv.org/pdf/2107.10585.pdf

MobileCharger尝试在几个方面改进近年来的类似倡议，例如大众汽车的“Laderoboter”移动充电机器人和三星的EVAR充电机器人：通过在重量和容量之间取得更好的平衡；通过减少充电操作所需的空间（EVAR的弱点）；通过使用卷积神经网络（CNN）优化接合操作；以及使用一系列传感器，包括激光雷达和触觉传感器来估计机器人相对于被充电机器人的位置。

耦合系统具有三个方向的相对自由度，以适应不同设计的场景机器人，并考虑到可能具有比工厂地板更不平坦地形的环境。

充电操作预计需要大约四个小时，期间将保持一致的22伏电压传输。在此过程中，保持物理连接的一致性至关重要，因为水平或垂直误对齐可能会导致两个机器人中的任何一个或两个都受到损害，并可能导致接地电气放电。

MobileCharger中的倒立三角形执行器比最近的解决方案具有更好的操作速度，研究人员认为其紧凑和独特的设计将更容易制造。

倒立三角形执行器还具有基于磁铁的锁定机构，尽管这本身不足以在充电操作期间保持安全的接触，还有几种补充方法，包括设置环和具有电极和伺服电机的末端执行器。

设计无关的充电

MobileCharger不需要对其可能需要充电的每个机器人都具有完整的领域知识，而是将使用一系列方法来识别机器人底盘上的兼容充电插座，并将自己操纵到可以连接到目标机器人的位置。

MobileCharger对接机构中的触觉压力传感器阵列。

实际上，MobileCharger使用一系列解决方案来应对对齐评估和一致接合的挑战，包括水果采摘机器人的RGB-D（深度启用）计算机视觉系统和封闭工业机器人的压力敏感触觉和触觉反馈系统。

图像识别

MobileCharger的激光雷达扫描仪由Intel RealSense D435 RGB深度相机备份，用于近距离估计，也作为机器人基于CNN的接触估计能力的输入机制。

MobileCharger使用的对象检测系统基于YOLOv3，这是一个有效的实时图像识别系统，具有106层，通过一个专门为拟议的充电对接设计中心的自定义训练数据集进行训练。

该数据集包含170个样本，其中120个用于训练，50个用于测试，样本是在各种照明条件下创建的，并且具有从75到105度的偏航变化范围。训练数据集中的图像分辨率为840×480，包含RGB和深度数据。

卷积神经网络

MobileCharger中使用的CNN解决了充电操作期间的一致接触问题，通过两个定制数据集提供支持：第一个数据集包含有关电极之间的角度误对齐的数据，包含600个数据对，来自触觉传感器机制；第二个数据集处理末端执行器（充电组件）的水平和垂直误对齐，包含500个数据对。

用于抓握一致性的CNN架构。

数据被分成67％的训练集和33％的评估集，准确率是目标指标。

在决定使用CNN/YOLO方法之前，研究人员考虑使用直方图梯度（HoG）和支持向量机（SVM），以及使用Canny边缘检测的轮廓检测。这些方法都被认为不能够很好地应对现场充电操作的挑战。

SwarmCharge

MobileCharger系统适用于室内和室外环境，研究人员的未来工作将解决定位和映射算法的开发。 1-Dof 也将被探索为连接机构滚动轴上的电极旋转的附加设施。

可以预料，专有的耦合系统最终将用于更广泛的机器人和自主设备的生态系统，论文称之为SwarmCharge。MobileCharger旨在成为各种类型机器人的支持系统，包括人形、四足和UAV机制。