יצירת רובוטים עם מניעת משיכה מוגברת

הבא: הגבול הבא בניווט רובוטי

תחום הרובוטיקה עבר שינוי טרנספורמטיבי, נע ממכונות טרום-פרוגרמה למערכת אוטונומית מאוד המסוגלת לקבל החלטות דינמיות. בלב האבולוציה הזו מהווה את האתגר הקריטי של הימנעות ממכשולים. רובוט שפועל בסביבה בלתי צפויה - בין אם מחסן, מסדרון בית חולים, או שדה פתוח - אין לתפוס את סביבתו, לזהות סיכונים, ולנווט בבטחה בזמן אמתי, בעוד שפתרונות פשוטים של רדיו ופתרונות מתקדמים יותר, כגון רנסנדרום, או יכולת פעולה אוטומטית, או לנטרל טכנולוגיות פשוטות יותר, כגון חיישנים, או חיישנים, או רנסטרנטיבות, או רנסטרנטיבות, או חיישנים, או נטרולטיביות, או נטרולטיביות, או לנטרל שיטות הפעלה, או יכולת לנטרל שיטות הפעלה, או יכולת נטרולטיבית, או לנטרל שיטות הפעלה של פתרונות גמישים, או לנטרל שיטות הפעלה של פתרונות אבטחה, כגון:

הבנה של Lidar ו- Radar Technologies

Lidar: Precision in Three Dimension

Lidar פועל על ידי פולטת הדופק המהיר של אור לייזר - באופן חד-משמעי ב אולטרה סגול, גלוי, או ליד ספקטרום כמעט- infrared - ומדיד את הזמן שלוקח לכל דופק כדי לשקף את האובייקט ולחזור לחיישן.זה זמן-of-Flight (ToF) מדידת נתונים מדויקים מאוד על ידי סריקה על פני שדה של ראייה, Lidar מייצרת שלושה מפלסים צפופים של ענן זה כל אחד מהם יכול להגיע למהירויות מהירות גבוהות יותר ממרחק נמוך יותר מגובה של 200 מטרים.

רדאר: פשטות על גדר מזג האוויר

רדאר, טכנולוגיה שפותחה במקור עבור בקרת תנועה אווירית ויישומים צבאיים, משתמשת גלי רדיו - באופן חד-פעמי בלהקת גלי מילימטר (למשל, 77 GHz עבור מכ"ם רכב) - כדי לזהות אובייקטים.בניגוד לליבר, מכ"ם יכול לחדור ערפל, גשם, שלג ואבק עם רזולוציה מינימלית של רדאר לא רק מרחק (באמצעות אפקט Doper, מאפשר להבחין בין אם הוא בדרך כלל במהירות נמוכה יותר מאשר באפקטים בטווח הארוך או במהירות גבוהה יותר מאשר באפקטים).

היתרונות של שילוב Lidar ו- Radar: Sensor Fusion בעבודה

שום חיישן יחיד אינו מושלם.מגבלות של לידר במזג אוויר שלילי וההחלטה התחתונה של מכ"ם יוצרת מקרה משכנע לשילובם.סינרגיה זו, הידועה בשם היתוך חיישן, מניבה מערכת תפיסה שהיא הרבה יותר גדולה מסכום חלקיה.

(הופנה מהדף ⁇ :0) ,(הדגשה:0) , ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇
(FLT:0) יעילות מוכחת בכל התנאים: אנדרט 1 במזג אוויר בהיר, לידר לוקח את ההובלה.כאשר ערפל, גשם או אבק מתגלגל, מערכת מכ"ם שומרת על מודעות מצבית, למנוע את הרובוט להפוך עיוור.
(FLT:0)Robust Obstacle Detection Overs Scales:FLT ( 1 Lidar) עולה בגילוי חפצים קטנים, נייחים כמו רפסות או קופסאות. Radar הוא טוב במיוחד בזיהוי אובייקטים גדולים יותר, נעים כגון כלי רכב אחרים או הולכי רגל, אפילו במרחק.המערכת המשולבת מכסה את ספקטרום מלא של איומים.
(FLT:0) ,העברת חיובי כוזב: FLT:1 על ידי העברת נתונים משני החיישנים, אלגוריתמי היתוך יכולים לסנן אובייקטים רוחיים (למשל, השתקפות לילידר משטחים רטובים או הדים רב-אופטיים), המוביל לרשימות מכשולים אמינות יותר והחלטות ניווט בטוחות יותר.

הימנעות מחשיפה למנועי אובססיביות ברובוטים: גישה של צעד-על-ידי-Step

בניית רובוט עם הימנעות ממכשולים מוגברת דורשת שילוב זהיר של חומרה, תוכנה ואלגוריתמים.התהליך בדרך כלל כרוך בבחירת החיישנים הנכונים, העלתה אותם לחפיפה אופטימלית, תוך שהיא מעדפת אותם יחד, ולאחר מכן יישום צינורות עיבוד בזמן אמת.

בחירת חיישן והרטינג

עבור רובוטים פנימיים (למשל, מחסנים AGVs), 2D או 3D Lidar בתוספת מכ"ם לטווח קצר עשוי מספיק.רובוטים בחוץ ליהנות מיחידות מכ"ם לטווח ארוך 77 GHz. GHz צריך להיות רכוב כדי למקסם את שדה הראייה שלהם בעוד צמצום הפחתת ה- chassis עצמו. , היערכות מכנית במהלך ההתקנה הוא קריטי; אפילו שגיאות דיסויציה קטנה.

אדריכלות: החל מ- Raw Data to Action

זרימת הנתונים עוקבת אחר צינור סטנדרטי: כל חיישן ללכוד מסגרות מעת לעת (למשל, Lidar ב 10 הרץ, מכ"ם ב-20 הרץ) נתונים רול מעובד לתקן עבור עיוותים ורעש. ואז, מנוע היתוך זמן הסינכרון זמן ומרחבי מיישר את הנתונים באמצעות הדאומטריה של הרובוט ו- Extrinsic cabration בין חיישנים חדורים, הוא סוף סוף-כך, אשר מיישר את האלגוריתם של תוכנית אבטחה).

טכניקות חיישנים

היתוך חושי הוא עמוד השדרה של מערכת Lidar-radar המשולבת.הטכניקות הנפוצות ביותר כוללות:

(FLT:0Kalmaning:FLT:1 אלגוריתם recursive ההערכות מצב של מערכת דינמי (למשל, המיקום והמהירות של מכשול) מ מדידת חיישן רועשת.הקלמן ממאזן מתמטי את התרומה של כל חיישן מבוסס על אי הוודאות המוכרת שלו.
(FLT:0)Particleסינון: (FLT:1) הידוע גם בשם שיטות מונטה קרלו, מסננים חלקיקים מייצגים את ההפצה ההסתברותית של מדינת הרובוט (או מצב המכשול) עם קבוצה של דגימות מכשול משקל (חלקיקים) הם יכולים להתמודד עם רעש לא-Gausian ותפוצה רב-modal, מה שהופך אותם מתאימים לתרחישים שבהם האמונה של הרובוט על עמדה מספר השערה (התיקים).
(FLT:0)Bayesian Fusion:FLT:1 ברמה גבוהה יותר, שיטות Bayesian משלבות את המפות ההסתברות שנוצרו על ידי כל חיישן.לדוגמה, Lidar ו- מכ"ם יכולים כל אחד לייצר מפות רשת של דיקור - רשת של תאים שבהם כל תא מחזיק הסתברות להיות תפוס.המערכת ההיתוך משלבת רשתות אלה באמצעות חוק מעודכנות מפרץ כדי לייצר מפה אחת, מדויקת יותר.
(FLT:0) למידה Fusion:FLT:1 התפתחויות האחרונות להשתמש ברשתות עצביות מהפכתיות (CNN) או אדריכלות משנה כדי לעבד באופן ישיר נתונים גולמיים או מעובדים מראש של Lidar ו- מכ"מ.מודלים אלה לומדים לחלץ תכונות ולמזג אותם באופן מונע נתונים, לעתים קרובות להשיג ביצועים טובים יותר בסצינות מורכבות, אך דורשות אימונים גדולים ומשאבים חישוביים משמעותיים.

בפועל, פלטפורמות רובוטיות רבות משתמשות בגישה שכבתית: מסנן קלמן למעקב אחר מכשולים ידועים, מסנן חלקיקים עבור ה Localization העולמי (למשל, מונטה קרלו), ורשת Bayesian למיפוי מכשולים קצר טווח.

ניווט אלגוריתמים: תכנון נתיבים בטוחים

ברגע שהתפיסה המבולשת מספקת תמונה ברורה של הסביבה, הרובוט חייב להחליט לאן ללכת.הימנעות ממכשולים היא ביסודה בעיה של תכנון נתיב, וכמה אלגוריתמים מועסקים בדרך כלל:

(FLT:0)A* (A-Star): אלגוריתם חיפוש קלאסי המבוסס על גרף שמוצא את הנתיב הקצר ביותר מהתחל כדי להגיע ליעד על ידי חקר נקודות בעלות המצטברת הנמוכה ביותר בתוספת עלות שנותרה מוערכת (העתיד) הוא עובד היטב על מפה רשת מבוזרת שמקורה ברשת הדיקור.
(FLT:0) מהר לחקור חלל מתמשך על ידי נקודות דגימה אקראית ובניית עץ של נתיבים אפשריים.It is היטב מתאים למרחבי תצורה ממדיים במהירות יכול לשלב מגבלות לא-הורמומיות (למשל, רדיוס) הוא גרסה אופטימלית כי הם מופיעים מכשולים חדשים באופן אוטומטי כמו אלגוריתמים מהירים, והם יכולים לשלב מגבלות לא-הורמומיות (למשל, רדיוס).
(FLT:0) הגישה של החלון הגאוני (DWA): אנדרל 1) מתכנן מקומי תגובתי המצמיד את המהירויות (לני ואנגולרי) שהרובוט יכול להשיג בתוך אופק קצר (החלון הדינמי) תוך הימנעות מהתנגשות.ד'רו הוא משקל חישובי ואידיאל עבור מכשולים תגובתיים בזמן אמתי, לעתים קרובות בשימוש כתוכנית ברמה נמוכה מתחת ל-A * או R.
(FLT:0) Machine Learning Approaches:FLT:1ve למידה חיזוק עמוק (DRL) התפתחה כשיטה מבטיחה למניעת מכשולים.הרוב לומד מדיניות באמצעות ניסוי וטעייה, נטילת נתונים גולמיים או מבולבלים כמו קלט ופקודות תנועה. בעוד DRL יכול להתמודד עם תרחישים מורכבים וללמוד התנהגויות דמויי אדם, הוא דורש הכשרה נרחבת והנדסת פרסים כדי להבטיח התנהגות בטוחה.

הרובוטים הטובים ביותר משלבים מתכנן גלובלי (A* או RRT) עבור תכנון נתיב ארוך טווח עם מתכנן מקומי (DWA או מדיניות נלמדת) עבור הימנעות ממכשולים בזמן אמת, באמצעות נתוני לידר-רדאר הממוזגים כדי לשמור על שתי השכבות מושכלות.

אתגרים וכיוונים עתידיים

למרות ההתקדמות העצומה, בניית רובוט יקר ייצור עם Lidar ו- היתוך עדיין מציגה מכשולים משמעותיים.FLT:0Sensor calibrationFLT:1 נשאר נקודת כאב: מערכת היחסים המרחבית בין Lidar ו מכ"ם (נסלחיות וסיבוב) חייבת להימדד עם דיוק גבוה, לעתים קרובות הדורש מטרות קיטובות ייעודיות ותהליכי טמפרטורה ושרירים יכולים לנסח מחדש את הזמן.

(FLT:0Data עיבוד מהירות מהירות מהירות עיבוד נתונים 1) הוא אתגר נוסף.להשתמש בשני זרמי חיישן גבוהים, ביצוע גילוי מכשולים, תכנון נתיב פועל, וסגירה את הלולאה הבקרה בתוך מילימטרים דורש חזק על מחשוב לוח - לעתים קרובות דוחף את הגבולות של פלטפורמות משובצות. Edge AI accelerators (למשל, NVIDIA Jetson, Google) הופך נפוץ, אבל אלגוריתמים לאלגוריתמים לאלגוריתמים נמוכים לאלגוריתמים לאלגוריתמים לאלגוריתמים למאמץ מתמשך.

(FLT:0) Power הצריכה של PowerFLT:1) הוא מעצור קריטי עבור רובוטים מופעלים סוללות.יחידות לידר גבוה יכול לצייר עשרות וואט, ועיבוד מוסיף ניקוז נוסף. מהנדסים חייבים לאזן את בחירת חיישן עם משך התפעולי של הרובוט, לפעמים להקריב את ההחלטה עבור תוחלת חיים ארוכה.

(FLT:0) CostveFLT:1) יש לידר היסטורית מוגבל רובוטים מתקדמים, אבל מדינת מוצק ופלאש לידר הם המחירים נהיגה למטה. Radar נשאר זול יחסית, מה שהופך את הפתרון המשולב לנגיש יותר ויותר.

(ב) ב[[1924]], [[1924]]]], [[1924]]]]]], [[1924]]]]]], [[1924]]]]]], [[1924]]]]]]]]]]]], [[1924]]]]]]]]]], [[1924]]]]]]]]]]]]]], [[1924]]]]]]]]]]]]]]]]]]]]]]]]]]]], [[1924]]]]]]]]]]]]]]]]]]]]]]]]]]]]]], [[1924]]]]]]]]]]]]]]]]]]]], [[1924]]]]]]]]]]]]]]]]]]]]]], [[1924]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]], [[1924]]]]]]]]]], [[1924]]]]]]]]]], [[1924]]]]]]]]]], [[1924]]]], [[1924]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]], [[1924]]]]]]]] ו[[1924]]]]]]]] [[[[[[1924]]]]]]

יישומים אמיתיים

ההימנעות המכשול המוגברת שנעשתה על ידי לידר-רדאר כבר הופכת את התעשיות:

מכוניות אוטונומיות:0 (Autonomous Vehicles: FLT:1) מכוניות אוטונומיות מחברות כמו Waymo ו Cruise להשתמש בשילוב של לידר, מכ"ם ומצלמות לנווט ברחובות העיר.
(FLT:0)Warehouse Robotics: FLT:1 כלי רכב מודרך אוטומטית (AGVs) ורובוטים ניידים אוטונומיים (AMRs) במרכזים לוגיסטיים נמנעים מהתנגשות עם משטחים, עובדים ומכונות אחרות, שמירה על קשר גבוה אפילו בסביבות אבק.
(FLT:0) רובוטים חקלאיים: FLT:1 רובוטים שדה להשתמש לינדר-רדאר כדי לנווט סביב עצים, סלעים וציוד השקיה תוך הפעלת שטח אבק, לא אחיד של חוות.
(FLT:0Search and Rescue:FLT:1 Robots פרוסים באזורי אסון מלא עשן או debris-Strewn תלויים ביכולת של מכ"ם לראות באמצעות חלקיקים, בעוד לידר מספק מפות מפורטות של הסביבה.
(FLT:0 Last-Mile Delivery:FLT:1 Sidewalk Delivery Robots להשתמש חיישנים קטנים וזולים יותר כדי להימנע מהולכי רגל, רפידות ומכשולים עירוניים אחרים.

(ב) [קרא] על עקרונות אלה, ראה: [ה]: [ה] [ה] [ה] [ה]] [ה]] [ה]] [ה]]] [ה]]]] [ה]]], [ה], [ה]], [ה], [ה], [ה]], [ה'],], [ה'],], [ה'],], [ה'], [ה']']']']']']'[ה']'''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''

מסקנה

יצירת רובוטים עם הימנעות ממכשולים מוגברת היא כבר לא עניין של בחירה בין Lidar או מכ"ם - פלטפורמות מסוגלות ביותר למנף הן, באמצעות היתוך חיישן אינטליגנטי כדי להתגבר על חולשות בודדות. Kalman מסננים, פילטרים ושיטות למידה עמוקות, ולמידה עמוקה, אנו שומרים את הנתונים הניתוק לתוך תמונה קוהרנטיבית של העולם, בעוד פת"טים כמו A ו-R* קורסים בטוחים דרך האתגרים של דחיסה של טכנולוגיות כוח האדם, הם מסוגלים לנווט באופן עקבי, כמו שיפור מתמיד, כמו שיפור, כמו שיפור, כמו שיפור עצמי, כמו אלגוריתמים, כמו אלגוריתמים, כמו אלגוריתמים, כמו אלגוריתמים, כמו אלגוריתמים, כמו אלגוריתמים, כמו אלגוריתמים, כמו אלגוריתמים, כמו אלגוריתמים, כמו אלגוריתמים, כמו אלגוריתמים, כמו אלגוריתמים, כמו אלגוריתמים, כמו אלגוריתמים, כמו אלגוריתמים של אלגוריתמים, כמו אלגוריתמים, כמו אלגוריתמים מתקדמים, כמו אלגוריתמים, כמו אלגוריתמים, כמו אלגוריתמים, כמו אלגוריתמים, כמו אלגוריתמים, כמו אלגוריתמים, כמו אלגוריתמים, כמו אלגוריתמים, כמו אלגוריתמים, כמו אלגוריתמים