Adaptif bir seyir sistemlerinin tasarımı Dinamik Depo Ortamları için

Modern Depolarda Adaptive Navigation için Imperative

Depo operasyonları geçmiş on yıl boyunca radikal bir dönüşüm geçirdi. Sabit, öngörülebilir zemin düzeninin süresi gerçek zamanlı olarak değişen ortamlara yol açıyor: e-ticaret talepleri artış, envanter, uçları algılama yeteneği (AMRs) roam koridorları ve insan seçici araçlar ile uzayı paylaşıyor - bu dinamik gerçeklikte, bir sorumluluk haline getiremeyen bir navigasyon sistemi.

Bir paletin çarpışmasını veya lazer kılavuzluk noktalarının, engelleri algılamak, yeniden plan rotaları anlamak için sürekli algılanma noktalarıyla karşı karşıya kaldığı gibi geleneksel yaklaşımlar, bir paletin yolda düştüğünü görebilecek şekilde, temel zorlukları, temel teknolojileri, tasarım stratejilerini veya insan müdahalesine ihtiyaç duyan, sürekli algılama sistemleri, dinamik depolama ortamları için optimize edilmiş bir navigasyonu kullanarak.

Core Challenges'ı anlamak

Çözümlerine girmeden önce, depo navigasyonunu tam olarak ne talep ettiğini tanımlamak önemlidir. Zorluklar algı, planlama, güvenlik ve entegrasyon.

Tahmin edilemez Obstacles ve Move Entities

Bir fabrika zemininin aylarca sabit olduğu yerden farklı olarak, bir depo onları gerçek zamanlı olarak algılayabilir ve çarpışmalardan kaçınmak için trajektörlerini tahmin etmelidir. Bu varlıklar hem statik engellerle hareket ederler; robotla iletişim kurmadan genellikle bir yük devretme (örneğin, bir işçinin düşmesi) ve yeni bir yük kaldırmadan engel oluşturabilirler.

C ⁇ Constraints altında gerçek zamanlı Sorumluluk

Navigasyon kararları milisaniyelerde yapılmalıdır. Sensör verileri (LiDAR, kameralar, sonar) yüksek oranda akışlar ve sistemin bu verileri, bir dünya modelini güncellemesi ve robotun tehlikeli bir duruma girmeden önce yeni bir yol hesaplaması gerekir.Bu, güvenli bir şekilde işlem yapmak için çok uzun süre boyunca, 5 Hz.

Kompleksi korumak, Değişen Layouts

Depo yapıları sadece dinamik değil, aynı zamanda geometrik olarak karmaşıktır. Narrow aisles, yüksek rafing ve çeşitli zemin yüzeyler sensör doğruluğuna meydan okumalıdır. Self-yerelizasyon ( robotun küresel haritada nerede olduğunu anlayın) özellikle de simetrik ortamlarda sürüklenebilir. Dinamik değişiklikler - birkaç inç daha önce inşa edilmiş bir haritayı kırabilirsiniz.

Depo Yönetimi Sistemleri ile sorunsuz entegrasyon

Bir navigasyon sistemi izolasyonda çalışmaz. Görevleri almak gerekir (örneğin, “transport paleti X'den Y'ye kadar) bir depo yönetim sistemi (WMS) veya filo orkestrası tabakası ile senkronize etmek için.Ayrıca, her zaman API'leri, mesaj brokerlerini (MQTT, AMQP) veya ROS gibi orta dikkatleri içerir. WMS ile senkronize etmek için başarısız olabilir “fantom” emirleri ile, robotları da son zamanlarda iletişim kurmak zorundadır.

Core Technologies Powering Aible Navigation

Modern adaptive navigasyon sistemleri, konserde çalışan bir donanım ve yazılım bileşenlerinin bir yığınını geri almaktadır. Aşağıdaki bölümler anahtar teknolojileri kırar.

Sensör Ağları ve Sensör Fusion Fusion

Tek bir sensör tüm depo senaryolarını ele geçiremez. LiDAR geniş bir manzara alanı üzerinde doğru derinlik verileri sağlar ancak duman, toz ve yansıtıcı yüzeylerle mücadele eder. Kameralar zengin semantik bilgiler sunar (örneğin, barkodları okuyun, insan silhouettes) ancak aydınlatma değişiklikleri için hassastır.

Gerçek Zamanlı Veri İşleme ve Edge Computing

Uzakta sensör verileri ( robot veya yakındaki bir bilgisayarda) bulut gecikmesinden kaçınmak için kritiktir. Yüksek performanslı gömülü bilgisayarlar, NVIDIA Jetson veya Intel NUC gibi, algılama ve planlama yığınlarını çalıştırın.Bu, sensörden yola girişten 50-100 m altında kalmasını sağlar.

Mekanik Öngörücü Adaptasyon Öğrenmesi

Klasik planlama algoritmaları (A*, Dijkstra) deterministic olsa da, makine öğrenimi deneyimden öğrenme yeteneğini ortaya koyar.

Bununla birlikte, ML modelleri temsilci verileri üzerinde eğitilmelidir ve depo düzeni olarak periyodik yeniden eğitim gerekebilir. Güvenlik-kritik navigasyonda çalışan ML ayrıca dikkatli doğrulama ve geri çekilme mekanizmaları gerektirir.

Robust Path-Planning ve Replanning Algorithms

Adaptif navigasyonun kalbi, statik ortamlar için klasik algoritmaların çalışması olmasına rağmen, dinamik koşullar hızla yeniden yönlendirilebilecek planlayıcılar gerektirir. Çeşitli yaklaşımlar yaygın:

Planlayıcı seçimi robot hızı, çevre büyüklüğü ve güvenlik karşıtlığı kritikliğe bağlıdır. Birçok sistem hibrid bir yaklaşım kullanıyor: küresel bir planlayıcı (A* veya D* Lite) uzun vadeli bir routing ve yerel bir planlayıcı (TEB veya MPC) yakın bir şekilde ön cephede engelleyici ve düzgün bir hareket için.

Tasarım Stratejileri Adaptive Systems için

Adaptif bir navigasyon sistemi uygulamak sadece doğru algoritmaları seçmekle ilgili değildir; bir sistem düzeyinde tasarım zihniyeti gerektirir. Aşağıdaki stratejiler üretim depo dağıtımlarında etkili olmuştur.

Flexability için modüler sensör Suites for Flexability

Sabit bir sensör yapılandırması zorlanmadan ziyade, robotun donanımını farklı sensör modüllerini barındırmak için tasarlayın. Örneğin, bir temel robot platformu bir veya iki LiDAR için bir dizi, bir 2D LiDAR ve kamera ile çalışır.Bulutluk, filo operatörlerinin belirli depo ortamına adapte olmasını sağlar: yüksek rafa sahip bir depo ve dar aisles, üst düzey bir 3D LiDAR'ya kadar iyi yazma olanağı sağlayabilir.

Algoritmalar Hızlı Recalibrasyonun Yararlanabilir

Sensör sürüklenme, tekerlek kayma sayfası ve zemin dokusundaki değişiklikler zaman içinde yerelleştirme doğruluğunu azaltabilir. Adaptif sistemler, örneğin, bir tekerlek odometrisi kalibrasyonu, her birkaç dakikayı çalıştıran ve ölçek faktörünü ayarlayabilir. Benzer şekilde, LiDAR ve kamera arasındaki aşırılama parametrelerini de tahmin ederek otomatik olarak yapılmalıdır.

Problem İletişim ve Filo Koordinasyonu

Adaptif navigasyon, robotların bilgi paylaşımında çok daha güçlü hale gelir. Her robotun kendi çevresini algıladığı için, bir filo yöneticisi “Kongestion tüm robotlarda tespit edilebilir” yayınlayabilir. Bu, MQTT veya WebSockets gibi önceden boşluğa izin verir (örneğin, Ethernet veya 5G URL üzerinden zaman alıcı Networking.)

Gecikme - Grace Degradation ile ilk tasarım

Hiçbir navigasyon sistemi mükemmel değildir. algı başarısız olduğunda (örneğin, ağır fog, sensör blokaj) veya algoritmanın hangi algoritmaların üstesinden gelebileceğinin ötesinde dünya değişiklikleri, sistem güvenli bir şekilde başarısız olmalıdır. Strategies şunları içerir:

Güvenlik tasarımı ISO 13849 (işlevsel güvenlik) veya ISO 3691-4 (endüstriyel kamyonlar - sürücüsüz kamyonlar için güvenlik gereksinimleri) gibi standartları takip etmelidir.

Vaka Çalışmaları: Action'da Adaptif Bir Navigasyon

Bu kavramları gerçeğe zeminde yapmak, lider depo otomasyon şirketlerinin nasıl uyarlanabilir bir navigasyonu nasıl uygulayabileceğini incelemek faydalıdır.

Seegrid'in Vizyon-Guided Tools

Seegrid, stereo kameraları kullanıyor ve bir sonraki geçiş sırasında yoğun 3D haritaları inşa etmeyi ya da yansıtmayı öğrendi.Sistemleri insan işçilerini tespit etmek ve hareketlerini sürekli olarak güncelleyerek, bir paletin çıkarılması veya yeni bir rafın kurulmasıyla ilgili olarak, robotun bir sonraki geçiş sırasında bölgeyi yeniden öğrenebileceğini düşünüyor.

Fetch Robotics ve Filo-Level Adaptation

Fetch Robotics (şimdi Zebra Teknolojilerinin bir parçası), LiDAR ve Web tabanlı bir filo yöneticisi ile AMRs'lerini donatırsa, örneğin, sistem bir trafik sunucusu aracılığıyla koordine etmek için zaman ve dinamik olarak yenidenroutes robotlarını öğrenir. Örneğin, sistem, belirli bir koridorun öğleden sonra %30 daha uzun süre boyunca robotları esnek tarihlerle atamasını sağlarsa, robotlar da bir trafik sunucusu aracılığıyla koordine ederek kafaya çarpmalarından kaçınır.

Locus Robotics' Human-Robot İşbirliği

Locus Robotics'in robotları gün boyunca değişen bölgelerde kalabalık insan seçicilerini gezinmek zorundalar. Her birkaç dakika içinde LiDAR'nın bir kombinasyonunu kullanıyor ve bulut tabanlı bir orkestratasyon katmanını da öğreniyorlar: eğer bir insan bloklarını pilot çalışmalarda %10'a kadar geri alabilir ve yeniden planlayabilirse, her birkaç dakika yeniden finanse edilir.

Future Trends Shaping Aible Warehouse Navigation

İnovasyon hızı devam ediyor, a Adaptif navigasyonu daha da ileri götürecek olan ufukta birkaç gelişme ile.

5G ve Ultra-Reliable Low-Latency İletişim

5G ağları, özellikle URLLC özelliği, 10 ms'in altında son derece geç saatlere kadar teslim edilebilir. Bu, ağır hesaplamayı yükleyerek - AGV kontrol için 5G'nin izin verdiği gibi - daha küçük depolar için bulut veya kenar sunucusuna destek verebilir.

Tahmin edici Obstacle AI ile Kaçırma

Sonraki nesil AI modelleri sadece nesneleri tespit etmeyecektir, ancak aynı zamanda gelecekteki pozisyonları tahmin edecektir. Örneğin, bir rafa ulaşan bir insan seçicileyicisi izleyen bir model, insan iki saniye sonra geri adım atacağını tahmin edebilir, robotun daha erken veya değiştirme yolunu sağlar. Bu, sosyal navigasyonda basit reaktif frenlemenin ötesine geçer.

Geniş-Scope Farkındalık için Özerk Bir Drones

Ground robotlar sınırlı bir görüş alanı var. Aerial drone, daha verimli rotalar planlayabilmelerini sağlar. ancak, batarya hayatı ve iç uçuş güvenliği (özellikle insanlar) daha fazla olgunlaşmamış olan işletmeler çarpışma-tolerant uçaklara göre güvenli bir şekilde çalışabilirler.

İnsan-Robot İşbirliği için Artırılmış Gerçeklik

AR kafaları (örneğin, Microsoft HoloLens, Apple Vision Pro) hem insan işçileri hem de robotlar için aşırı navigasyonlar yapabilir. AR gözlükleri giyen bir işçi, yaklaşan robotun yolunu görebilir, karışıklığı azaltabilir.

Sonuç: Yarının Deposu için Bina

Adaptif navigasyon tek bir teknoloji değil, tüm aydınlatma ve güvenlik tasarımı altında çalışan tüm sensörlerin entegre bir sistemidir. Depolar daha akışkan hale gelir ve ISO güvenlik standartlarına tepki verme ve öğrenme yeteneği, iyileştirici bozulmalardan farklı liderler olacaktır - tasarım stratejilerine yatırım yapan ve yaygınlaşan eğilimleri takip eden sistemler, sağlam bir algı olacaktır ve verilerden öğrenebilen bir filo yöneticisi olarak.

Sensör füzyon teknikleri hakkında daha fazla okuma için, IEEE gazetesine göre “Real-Time Multi-Sensor Fusion for A Özerk Kapalı Navigation için” (2022).Sessiz engellerin altında ayrıntılı bir karşılaştırma için, Pink et al. (2021, Alan Robotics Dergisi) tarafından 5G'ye pratik bir kılavuzluk hizmeti sunulmaktadır.(02.gov.tr) Uygulamada kullanılan teknik uygulama için, #0ISO.org)