ربات Slam Lift Amr چگونه محیط خود را ترسیم می کند؟

در حوزه تدارکات و انبارداری مدرن، روبات‌های متحرک مستقل (AMR) به‌عنوان تغییر دهنده بازی، ساده‌سازی عملیات و افزایش کارایی ظاهر شده‌اند. در این میان، ربات Slam Forklift AMR به عنوان یک نوآوری قابل توجه متمایز است. به عنوان تامین کننده ربات های Slam Forklift AMR، اغلب از من می پرسند که این ماشین های هوشمند چگونه محیط خود را ترسیم می کنند. در این وبلاگ، من به فناوری شگفت انگیز نقشه برداری محیطی Slam Forklift AMR Robots می پردازم.

آشنایی با فناوری SLAM

SLAM که مخفف عبارت Simultaneous Localization and Mapping است، هسته اصلی نحوه عملکرد ربات های Slam Forklift AMR است. ایده اصلی SLAM این است که یک ربات را قادر می سازد تا نقشه ای از یک محیط ناشناخته ایجاد کند در حالی که به طور همزمان موقعیت خود را در آن نقشه تعیین می کند. این یک کار پیچیده است، زیرا ربات هیچ دانش قبلی از محیط ندارد و باید از داده هایی که در جریان جمع آوری می کند استفاده کند تا یک نقشه دقیق بسازد و بفهمد کجاست.

دو نوع اصلی از الگوریتم‌های SLAM وجود دارد: مبتنی بر فیلتر و مبتنی بر نمودار. الگوریتم‌های SLAM مبتنی بر فیلتر، مانند Extended Kalman Filter (EKF) و Unscented Kalman Filter (UKF)، وضعیت ربات (موقعیت و جهت‌گیری) و نقشه را به صورت تدریجی تخمین می‌زنند. آنها با در دسترس قرار گرفتن داده های حسگر جدید، برآوردها را به روز می کنند. از سوی دیگر، الگوریتم‌های SLAM مبتنی بر گراف، مسئله نگاشت را به‌عنوان یک نمودار نشان می‌دهند، جایی که گره‌ها با موقعیت‌ها و نشانه‌های ربات مطابقت دارند، و یال‌ها محدودیت‌های بین آنها را نشان می‌دهند. الگوریتم های مبتنی بر نمودار عموماً برای محیط های در مقیاس بزرگ دقیق تر و مقیاس پذیرتر هستند.

سنسورهای مورد استفاده ربات های Slam Forklift AMR

ربات‌های Slam Forklift AMR برای جمع‌آوری داده‌های محیط اطراف خود به حسگرهای مختلفی متکی هستند. این حسگرها برای نقشه برداری دقیق و محلی سازی بسیار مهم هستند.

سنسورهای LiDAR

سنسورهای تشخیص نور و محدوده (LiDAR) یکی از رایج ترین سنسورهای مورد استفاده در ربات های Slam Forklift AMR هستند. حسگرهای LiDAR با تابش پرتوهای لیزر و اندازه‌گیری زمان لازم برای برگشت نور از اجسام در محیط کار می‌کنند. با این کار می توانند یک ابر نقطه ای سه بعدی از محیط اطراف ایجاد کنند. ابر نقطه اطلاعات دقیقی در مورد شکل، فاصله و مکان اشیاء در محیط ارائه می دهد.

داده های LiDAR توسط الگوریتم SLAM برای شناسایی ویژگی های محیط مانند دیوارها، ستون ها و قفسه ها استفاده می شود. سپس از این ویژگی ها به عنوان نقطه عطفی برای ساختن نقشه و تعیین موقعیت ربات استفاده می شود. به عنوان مثال، اگر حسگر LiDAR یک دیوار طولانی و مستقیم را تشخیص دهد، الگوریتم SLAM می تواند از دیوار به عنوان نقطه مرجع برای محاسبه فاصله ربات از دیوار و جهت گیری آن نسبت به دیوار استفاده کند.

سنسورهای دوربین

سنسورهای دوربین نیز برای ربات های Slam Forklift AMR مهم هستند. آنها می توانند اطلاعات بصری در مورد محیط ارائه دهند که می تواند در ارتباط با داده های LiDAR مورد استفاده قرار گیرد. دو نوع اصلی از دوربین ها استفاده می شود: دوربین های تک چشمی و دوربین های استریو.

دوربین های تک چشمی تصاویر دو بعدی از محیط را ثبت می کنند. الگوریتم SLAM می تواند این تصاویر را برای تشخیص ویژگی هایی مانند گوشه ها، لبه ها و بافت ها تجزیه و تحلیل کند. این ویژگی ها را می توان برای کیلومتر شماری بصری استفاده کرد که حرکت ربات را بر اساس تغییرات در ویژگی های بصری بین تصاویر متوالی تخمین می زند.

از طرف دیگر دوربین های استریو از دو دوربین تشکیل شده اند که با فاصله کمی از هم قرار گرفته اند. با مقایسه تصاویر این دو دوربین، الگوریتم SLAM می تواند عمق اجسام موجود در محیط را محاسبه کند. از این اطلاعات عمق می توان برای ایجاد یک نقشه سه بعدی دقیق تر از محیط اطراف استفاده کرد.

واحدهای اندازه گیری اینرسی (IMU)

واحدهای اندازه گیری اینرسی (IMU) برای اندازه گیری شتاب و سرعت زاویه ای ربات استفاده می شود. IMU ها معمولاً از شتاب سنج و ژیروسکوپ تشکیل شده اند. شتاب سنج شتاب خطی ربات را اندازه گیری می کند، در حالی که ژیروسکوپ سرعت زاویه ای را اندازه گیری می کند.

داده های IMU همراه با داده های سایر حسگرها برای بهبود دقت مکان یابی ربات استفاده می شود. به عنوان مثال، اگر حسگر LiDAR مسیر یک نقطه عطف را از دست بدهد، داده های IMU می توانند برای تخمین حرکت ربات در کوتاه مدت مورد استفاده قرار گیرند و به الگوریتم SLAM اجازه می دهد تا نقشه و موقعیت ربات را به روز کند.

فرآیند نقشه برداری

فرآیند نقشه برداری یک ربات AMR لیفتراک اسلم را می توان به چند مرحله تقسیم کرد:

مقداردهی اولیه

هنگامی که ربات برای اولین بار در یک محیط ناشناخته روشن می شود، فرآیند نقشه برداری را با مقداردهی اولیه الگوریتم SLAM آغاز می کند. موقعیت و جهت اولیه ربات معمولاً روی یک مقدار دلخواه تنظیم می شود. سنسورها شروع به جمع آوری داده ها می کنند و الگوریتم SLAM شروع به پردازش این داده ها برای ساختن نقشه اولیه می کند.

جمع آوری داده ها

این ربات در اطراف محیط حرکت می کند و به طور مداوم داده ها را از حسگرهای خود جمع آوری می کند. سنسور LiDAR پرتوهای لیزری ساطع می کند و فاصله اشیاء را اندازه می گیرد، سنسورهای دوربین تصاویر را می گیرند و IMU شتاب و سرعت زاویه ای ربات را اندازه گیری می کند. تمام این داده ها برای پردازش به رایانه روی برد ارسال می شود.

استخراج ویژگی

الگوریتم SLAM داده های حسگر را برای استخراج ویژگی ها از محیط تجزیه و تحلیل می کند. برای داده های LiDAR، ویژگی ها می توانند نقاط، خطوط یا سطوح باشند. برای داده های دوربین، ویژگی ها می توانند گوشه ها، لبه ها یا بافت ها باشند. این ویژگی ها به عنوان نشانه در نقشه استفاده می شود.

ساختمان نقشه

بر اساس ویژگی های استخراج شده، الگوریتم SLAM نقشه محیط را می سازد. از داده های حسگر برای تخمین موقعیت و جهت مکان های دیدنی و خود ربات استفاده می کند. با حرکت ربات و جمع آوری داده های بیشتر، نقشه به طور مداوم به روز می شود.

حلقه بستن

بسته شدن حلقه یک مرحله مهم در فرآیند نقشه برداری است. زمانی اتفاق می‌افتد که ربات از منطقه‌ای که قبلاً نقشه‌برداری شده بود بازدید می‌کند. هنگامی که این اتفاق می افتد، الگوریتم SLAM داده های حسگر فعلی را با داده های بازدید قبلی مقایسه می کند. در صورت وجود تطابق، الگوریتم می تواند هر گونه خطا در نقشه و موقعیت ربات را تصحیح کند. این به بهبود دقت کلی نقشه کمک می کند.

کاربردهای نقشه برداری محیطی در ربات های Slam Lift AMR

توانایی نقشه برداری دقیق از محیط به ربات های Slam Forklift AMR طیف گسترده ای از کاربردها در صنایع مختلف را می دهد.

انبارداری و لجستیک

در انبارها، ربات‌های Slam Forklift AMR می‌توانند از نقشه‌های خود برای حرکت در راهروها، برداشتن و حمل کالاها و اجتناب از موانع استفاده کنند. آنها می توانند مسیرهای خود را بر اساس نقشه بهینه کنند و زمان و انرژی مورد نیاز برای جابجایی کالاها در انبار را کاهش دهند.

تولید

در کارخانه های تولیدی، ربات های Slam Forklift AMR می توانند برای حمل مواد خام و محصولات نهایی بین ایستگاه های کاری مختلف استفاده شوند. نقشه برداری دقیق محیط به آنها اجازه می دهد تا با خیال راحت و کارآمد در محیط تولید پیچیده حرکت کنند.

دیگر ربات های AMR مرتبط

علاوه برربات اسلم لیفتراک AMRشرکت ما انواع دیگری از ربات های AMR را نیز ارائه می دهدربات Qr Scan Lifting AMRوربات 60 میلی متری بالابر AMR. این روبات ها همچنین از فناوری های پیشرفته نقشه برداری و ناوبری برای انجام وظایف خود به طور موثر استفاده می کنند.

نتیجه گیری

فناوری نقشه برداری محیطی ربات های Slam Forklift AMR ترکیبی از حسگرهای پیشرفته، الگوریتم های پیچیده و نرم افزارهای هوشمند است. این روبات‌ها را قادر می‌سازد تا به طور مستقل در محیط‌های ناشناخته کار کنند و آنها را به دارایی‌های ارزشمندی در صنایعی مانند انبارداری، لجستیک و تولید تبدیل می‌کند.

اگر به ربات های AMR لیفتراک ما یا سایر محصولات مرتبط AMR علاقه مند هستید، از شما استقبال می کنیم که برای تهیه و مذاکره با ما تماس بگیرید. تیم کارشناسان ما آماده ارائه اطلاعات دقیق و راه حل های متناسب با نیازهای خاص شما هستند.

مراجع

• Thrun, S., Burgard, W., & Fox, D. (2005). رباتیک احتمالی مطبوعات MIT.
• دورانت - وایت، اچ، و بیلی، تی (2006). محلی سازی و نقشه برداری همزمان: قسمت اول. مجله IEEE Robotics & Automation, 13(2), 99 - 110.
• Siegwart, R., Nourbakhsh, IR, & Scaramuzza, D. (2011). مقدمه ای بر ربات های موبایل مستقل مطبوعات MIT.