Передовые технологии обнаружения препятствий в современных АГВ

Критическая роль обнаружения препятствий в современных AGV

Автоматизированные управляемые транспортные средства (AGV) стали незаменимыми в современной логистике, складировании и производстве. Их способность автономно транспортировать материалы зависит от одной критической способности: надежного обнаружения препятствий. Без передового зондирования и интерпретации AGV не может гарантировать безопасную навигацию в средах, совместно используемых с людьми, другими транспортными средствами и фиксированной инфраструктурой. За последнее десятилетие технологии обнаружения препятствий превратились из простых датчиков удара в сложные многосенсорные системы, которые объединяют данные от LiDAR, камер, радаров и ультразвуковых устройств. Эти достижения снижают риски столкновения, улучшают пропускную способность и позволяют AGV работать во все более динамичных и неструктурированных настройках.

Современные развертывания AGV требуют систем обнаружения, которые могут обрабатывать переменное освещение, пыль, отражения и быстрое движение вилочных погрузчиков или пешеходов. Одна точка отказа - слепое пятно датчика или неправильно истолкованный объект - может вызвать дорогостоящие простои или инциденты безопасности. В результате системные интеграторы и менеджеры флота принимают избыточные, мультимодальные архитектуры зондирования в сочетании с интеллектуальным программным обеспечением, которое классифицирует объекты, прогнозирует движение и запускает соответствующие ответы. В этой статье рассматриваются основные технологии, лежащие в основе расширенного обнаружения препятствий, их сильные стороны и ограничения, как они работают вместе через слияние датчиков и что будущее держит для автономной навигации.

Обзор ключевых технологий обнаружения препятствий

Ни одна технология датчиков не идеальна для каждого приложения AGV. Выбор зависит от таких факторов, как рабочая среда (в помещении против наружного), скорость перемещения, требуемый диапазон обнаружения, размер объекта и ограничения по стоимости. Наиболее широко используемые технологии делятся на четыре категории: лазерное сканирование во время полета (LiDAR), ультразвуковое зондирование близости, инфракрасное обнаружение и системы компьютерного зрения. Мы также смотрим на растущую роль радара в открытых AGV.

Лазерное сканирование (Laser Scanning)

Датчики LiDAR (Light Detection and Ranging) излучают импульсные лазерные лучи и измеряют время, необходимое для отражения каждого импульса от поверхности.Вращая излучатель или используя твердотельный массив, LiDAR создает плотное облако точек, которое представляет окружающую среду в 3D. Эта технология является золотым стандартом для обнаружения препятствий AGV, поскольку она обеспечивает высокое угловое разрешение, большой диапазон (обычно 20–100 метров) и отличную точность независимо от условий окружающего освещения.

На практике 360-градусный 2D-сканер LiDAR, установленный у основания AGV, может непрерывно прочесывать его окрестности, выявляя препятствия под определенными углами и расстояниями. Многие современные устройства LiDAR с рейтингом безопасности соответствуют стандартам, таким как IEC 61496-3 (Type 3), и могут использоваться для бесконтактной защиты. Они позволяют AGV отображать окружающую среду, обнаруживать статические и движущиеся объекты и вызывать аварийные остановки, если препятствие входит в заранее определенную зону безопасности. LiDAR хорошо работает в пыльных промышленных средах и может даже идентифицировать низкоконтрастные объекты, такие как черные поддоны. Однако производительность может ухудшаться в сильном тумане, дыме или прямом солнечном свете, поэтому наружные AGV часто дополняют LiDAR радаром.

Ключевые поставщики LiDAR для AGV приложений включают SICK, Hokuyo, Velodyne (теперь Ouster) и RoboSense. Технология продолжает улучшаться с точки зрения снижения затрат, надежности твердого тела и интеграции с контроллерами безопасности. Для более подробной технической информации о принципах LiDAR см. страницу SICK LiDAR .

Ультразвуковые датчики

Ультразвуковые датчики работают, излучая высокочастотные звуковые волны (обычно 40-400 кГц) и измеряя время, необходимое для возвращения эха. Поскольку они полагаются на звук, а не на свет, они не подвержены воздействию пыли, дыма или изменений освещения. Это делает их идеальными для обнаружения препятствий на близком расстоянии в средах, где могут бороться датчики LiDAR или зрения. Их эффективный диапазон обычно ограничен несколькими метрами, с точностью, уменьшающейся на более длинных расстояниях.

Ультразвуковые датчики часто используются в качестве дополнительных датчиков по бокам или задней части AGV, охватывающих области, не полностью контролируемые LiDAR. Они преуспевают в обнаружении прозрачных объектов (например, стеклянных дверей или прозрачной пластиковой обертки), через которые могут проходить лучи LiDAR. Они также хорошо работают для обнаружения мягких объектов, таких как пешеходная одежда или картонные коробки, которые могут поглощать некоторые возвраты LiDAR. Во многих складских условиях кольцо ультразвуковых датчиков по периметру AGV обеспечивает недорогую сеть безопасности, которая может обнаруживать препятствия в пределах 0,5-3 метров и вызывать замедление или остановку.

Основным ограничением ультразвука является его относительно медленная скорость обновления и широкий пучок луча, который может вызывать отражения от неровных поверхностей или множественных эхо. Перекрестный разговор между несколькими датчиками на одном и том же транспортном средстве также может быть проблемой. Правильная расстановка датчиков и стратегии мультиплексирования смягчают эти проблемы. Несмотря на их ограничения, ультразвуковые датчики остаются популярным выбором для предотвращения столкновений типа удара и маневрирования на последнем дюйме.

Инфракрасные (ИК) датчики

Инфракрасные датчики обнаруживают препятствия путем измерения отраженного инфракрасного света. Они являются одними из самых простых и наиболее экономически эффективных технологий обнаружения. Инфракрасные фотоэлектрические датчики бывают двух основных конфигураций: сквозной (излучатель и приемник отдельно) и светоотражающий (излучатель и приемник в одном блоке с отражателем). Они также доступны в качестве диффузных датчиков, которые полагаются на отражение от самой цели. ИК-датчики обычно используются для обнаружения на основе точки, например, подтверждение того, что поддон присутствует или что AGV пристыковался к станции.

Для обнаружения препятствий диффузные ИК-датчики часто размещаются низко на AGV для обнаружения объектов, таких как коробки или поддонные лапы, которые может пропустить основной LiDAR. Однако ИК-датчики имеют несколько недостатков: они чувствительны к цвету поверхности и отражательной способности (темные или блестящие объекты могут оставаться незамеченными), они имеют узкое поле зрения, и их диапазон обнаружения обычно меньше метра для надежной работы. Кроме того, производительность может быть скомпрометирована при ярком солнечном свете из-за помех ИК-среды. По этим причинам ИК-датчики редко используются в качестве первичного обнаружения препятствий на современных AGV, но они остаются ценными в качестве вторичных датчиков подтверждения или для конкретных приложений, таких как обнаружение зазора.

Компьютерное зрение (Camera-Based Systems)

Компьютерное зрение для обнаружения препятствий AGV использует одну или несколько камер и алгоритмов обработки изображений для распознавания и классификации объектов. Эта технология быстро развивается с внедрением свёрточных нейронных сетей глубокого обучения (CNN), которые могут обнаруживать людей, погрузчики, поддоны и другие препятствия с высокой точностью. Системы зрения особенно сильны в обеспечении семантического понимания — знание того, что является препятствием, — что позволяет AGV принимать более разумные решения.

Например, система зрения может различать стационарную картонную коробку (которую AGV может толкать или перемещать) и пешехода (который требует полной остановки). Камеры также могут считывать маркировку пола, штрих-коды и вывески, что помогает в локализации и планировании дорожек. Глубинные камеры (стереовидение или структурированный свет) добавляют 3D-восприятие, позволяя AGV обнаруживать нависающие препятствия или измерять объем нагрузки. Современные AGV на основе зрения часто используют «зоны обнаружения препятствий», где программное обеспечение камеры ищет изменения в сцене или обученных моделях объектов.

Однако компьютерное зрение является вычислительно интенсивным и требует хороших условий освещения. Темные среды, вспышка линз или размытие движения могут ухудшить производительность. Наружные AGV должны бороться с изменением теней, дождя и бликов от солнца. Многие системы зрения включают инфракрасные осветители для работы при слабом освещении. Кроме того, одно зрение может не соответствовать строгим сертификатам безопасности (например, SIL 2 или PL d), если не в сочетании с избыточным оборудованием. Следовательно, компьютерное зрение часто сочетается с LiDAR и ультразвуковыми датчиками для достижения как надежности, так и интеллекта.

Радарные датчики в AGV

В то время как менее распространены в закрытых AGV, радар (радиообнаружение и дальность) набирает силу для наружных автономных транспортных средств и тяжелых AGV, работающих в портах, шахтах или больших дворах. Радар излучает радиоволны и анализирует отражения для обнаружения объектов. Его ключевым преимуществом перед LiDAR является устойчивость к погоде: дождь, туман, снег и пыль мало влияют на радиолокационные сигналы. Радар также может измерять абсолютную скорость объектов непосредственно через доплеровский сдвиг, который помогает прогнозировать столкновения.

Радиолокационные датчики автомобильного класса (24 ГГц или 77 ГГц), первоначально разработанные для передовых систем помощи водителю, адаптируются для AGV. Они предлагают умеренное угловое разрешение (обычно несколько градусов) и диапазоны до 250 метров. Основными недостатками являются то, что радар обеспечивает более редкое облако точек, чем LiDAR, и может иметь трудности с различением близко расположенных объектов. Кроме того, металлические объекты могут вызывать многолучевые отражения радара, приводящие к ложным обнаружениям. На практике радар используется в качестве дополнения к LiDAR для наружных AGV, обеспечивая раннее предупреждение о приближающихся транспортных средствах или препятствиях за слепыми углами.

Слияние датчиков: сила объединения данных

Использование одного метода датчика создает риски слепых пятен, ложных срабатываний и сбоев в определенных условиях. Слияние датчиков — интеграция данных из нескольких типов датчиков — преодолевает эти ограничения, используя сильные стороны каждого при снижении слабых сторон. Типичная архитектура слияния для AGV может сочетать:

Алгоритмы слияния, часто основанные на фильтрах Калмана или байесовских сетях, обрабатывают потоки данных в режиме реального времени для создания единой «мировой модели», которая отслеживает положение, скорость и классификацию каждого препятствия. Сплавленный выход позволяет навигационному контроллеру AGV принимать уверенные решения об адаптации скорости, перепланировке пути и экстренном торможении. Многие поставщики предлагают специализированные термоядерные контроллеры, такие как SICK термоядерная платформа , которая может объединять данные от восьми датчиков.

Слияние датчиков также улучшает избыточность для безопасности. Если один датчик выходит из строя или ухудшается (например, объектив LiDAR, покрытый пылью), система может вернуться к другим датчикам с уменьшенной функциональностью, а не форсировать остановку. При правильной конструкции AGV может продолжать работать с меньшей скоростью до тех пор, пока не будет выполнено техническое обслуживание. Это преимущество безотказной работы имеет решающее значение для высокопроизводительных объектов, где каждая минута простоя несет стоимость.

Новые тенденции и интеграция ИИ

Интеграция искусственного интеллекта (ИИ) и машинного обучения (ML) является наиболее важной тенденцией, меняющей обнаружение препятствий. Традиционные системы обнаружения опирались на фиксированные пороги, например, «если расстояние < 0,5 метра, остановитесь». Эти правила борются с крайними случаями: человек наклоняется, падающий ящик или странная нагрузка. Системы на основе ИИ учатся на тысячах часов реального мира и моделируемых данных, чтобы распознавать шаблоны и делать вероятностные прогнозы.

Модели глубокого обучения теперь используются для семантической сегментации на уровне пикселей в изображениях камер — классификация каждого пикселя как пол, стена, человек, транспортное средство или препятствие. Это позволяет AGV идентифицировать управляемую область и игнорировать безвредные объекты, такие как маркировка пола или отражения. Аналогично, облака точек LiDAR могут обрабатываться с помощью нейронных сетей в стиле PointNet для классификации 3D-форм без необходимости ручной разработки функций.

Еще один новый метод - это предиктивное обнаружение препятствий. Вместо того, чтобы реагировать на препятствия, уже находящиеся на пути, модели ИИ предсказывают, где препятствие будет в ближайшие несколько секунд на основе его прошлого движения. Это особенно ценно для прогнозирования движения пешеходов или вилочных погрузчиков в переполненных проходах. Кроме того, агенты обучения с подкреплением могут оптимизировать поведение AGV в симуляции, обучаясь, когда замедлять, ждать или выбирать альтернативный маршрут, чтобы избежать столкновений при сохранении пропускной способности.

Многие производители AGV теперь предлагают «улучшенное ИИ» обнаружение препятствий в качестве дополнительного обновления программного обеспечения. Эти системы постоянно учатся на эксплуатационных данных в облаке и обновляют бортовые модели. Однако внедрение ИИ в критически важные для безопасности функции требует строгой проверки и сертификации, что является постоянной проблемой. Стандарты безопасности, такие как ISO 3691-4 и IEC 62061, обновляются для учета восприятия на основе машинного обучения, но большинство текущих развертываний по-прежнему используют ИИ для некритической безопасности помощи, полагаясь на сертифицированную безопасность LiDAR для команд прямой остановки.

Специальные соображения

Выбор технологии обнаружения препятствий в значительной степени зависит от среды применения. Ниже приведены общие сценарии:

Менеджеры флота также должны учитывать максимальную скорость AGV. Более быстрые AGV требуют более длинных тормозных расстояний, что требует датчиков с более длинными диапазонами обнаружения и более быстрыми скоростями обновления. Стандарты безопасности предписывают, что система обнаружения должна быть способна остановить транспортное средство до того, как оно достигнет препятствия, учитывая задержку обработки, тормозное расстояние и диапазон датчиков.

Преимущества и проблемы обнаружения передовых препятствий

Преимущества инвестирования в расширенное обнаружение препятствий очевидны:

Однако проблемы остаются. Стоимость датчиков является основным фактором; высокопроизводительное LiDAR и вычислительное оборудование могут добавить тысячи долларов к AGV. Для многоцелевого автопарка это становится значительным вложением. Кроме того, калибровка и техническое обслуживание датчиков требуют квалифицированных техников. Накопление пыли на датчиках, несоответствие после ударов и обновления программного обеспечения требуют постоянного внимания.

Другая проблема заключается в ложных срабатываниях. Если AGV слишком часто останавливается для непреодолимых препятствий (например, свисающая лента или частицы пыли), это расстраивает операторов и снижает эффективность. Продвинутая фильтрация и термоядерный синтез датчиков помогают, но тонкая настройка остается искусством. Наконец, правила и стандарты для автономных промышленных транспортных средств все еще развиваются. Соблюдение региональных правил безопасности (например, ANSI/ITSDF B56.5, EN 1525, ISO 3691-4) является обязательным и влияет на выбор сертифицированных датчиков.

Будущее обнаружения препятствий в AGV

Заглядывая вперед, три тенденции будут формировать обнаружение препятствий: снижение затрат, миниатюризация и увеличение интеллекта. Твердотельные датчики LiDAR, которые не имеют движущихся частей, становятся достаточно доступными для использования на каждом AGV. Это позволит обеспечить «каждый угол» покрытия с несколькими твердотельными блоками, полностью устраняя слепые пятна.

Камеры на основе событий, которые передают только изменения значений пикселей, обещают сверхнизкую задержку (микросекунды) для обнаружения быстро движущихся препятствий при потреблении минимальной мощности. В сочетании с чипами нейроморфной обработки они могут заменить традиционное зрение на основе кадра во временных критических циклах безопасности.

Концепция связи между транспортными средствами (V2X) также входит в промышленное пространство. AGV могут вскоре транслировать свои позиции и получать предупреждения о препятствиях от инфраструктуры или других транспортных средств через 5G или специальную связь на ближнем расстоянии. Это совместное восприятие может предвосхищать столкновения за слепыми углами даже до того, как AGV «увидит» препятствие.

Наконец, полностью автономный осмотр и очистка поверхностей датчиков станут стандартной функцией. Самоочищающиеся линзы, интегрированные воздуходувки и автоматизированные процедуры калибровки уменьшат эксплуатационные расходы и сохранят эффективность обнаружения неизменно высокой.

По мере развития этих технологий AGV будут работать с беспрецедентной автономностью и безопасностью, что приведет к дальнейшей автоматизации в логистике, производстве и за ее пределами. Для читателей, заинтересованных в ландшафте стандартов, требования безопасности ISO 3691-4:2020 обеспечивают основу для интеграции этих систем в безопасные конструкции AGV.