3D-näön soveltamisen ymmärtäminen AGV/AMR-kentässä

Avain takeaway:

3D-näön avulla mobiilirobotit voivat nähdä, ymmärtää ympäristöään ja olla vuorovaikutuksessa sen kanssa. Se on monialainen tekniikka, jossa yhdistyvät tietokonegrafiikka, tietokonenäkö ja tekoäly. 3D-näkötekniikka kaappaa jokaisen näkökentän pisteen kolmiulotteiset koordinaatit 3D-kameroiden avulla ja rekonstruoi 3D-kuvan algoritmien avulla. Verrattuna 2D-kuvaukseen 3D-näkö on vakaampi, kestävämpi ympäristön ja valaistuksen muutoksille ja tarjoaa paremman käyttökokemuksen ja paremman turvallisuuden.

3D Vision -teknologian polut

3D-anturit toimivat 3D-näön "silminä" käyttämällä useiden kameroiden ja syvyysanturien yhdistelmiä kerätäkseen tietoa kohteiden kolmiulotteisesta sijainnista ja koosta. Tärkeimmät tällä hetkellä saatavilla olevat 3D-näköanturit ovat kiikarit, strukturoidut valokamerat ja TOF (Time of Flight) -kamerat.

• 3D strukturoitu valo tekniikka: Tämä menetelmä käyttää infrapunavaloa, joka heijastetaan tietyllä koodauksella varustettuun kohteeseen. Kun valo heijastuu takaisin, kuvio muuttuu kohteen etäisyyden mukaan. Kuvasensori kaappaa epämuodostuneen kuvion, ja kolmiomittausta käyttämällä lasketaan kunkin pikselin muodonmuutos vastaavan eron johtamiseksi ja syvyysarvon laskemiseksi edelleen.

• TOF (Time of Flight) -periaate: Tämä tekniikka käyttää infrapunavalonlähdettä korkeataajuisten valopulssien lähettämiseen kohteeseen, vastaanottaa sitten heijastuneet pulssit ja laskee etäisyyden kamerasta kohteeseen mittaamalla valopulssien kulkuaikaa. Tällä hetkellä markkinoilla on kaksi yleistä TOF-ratkaisua: dTOF ja iTOF. Alan asiantuntijat uskovat, että dTOF tulee vähitellen korvaamaan iTOF:n, koska sen suorituskyky on erinomainen keskeisillä ominaisuuksilla, kuten resoluutiolla, tarkkuudella, erittäin alhaisella virrankulutuksella, vahvalla häiriönsuojalla ja yksinkertaisella kalibroinnilla. dTOF:lla on kuitenkin korkeat tekniset esteet, korkea järjestelmäintegraatio ja rajalliset toimitusketjun resurssit.

• Binocular Stereo Vision -tekniikka: Tämä menetelmä simuloi ihmisen näköä tarkkailemalla samaa kohdetta kahdesta näkökulmasta ja saamalla kuvia kohteesta eri näkökulmista. Kolmiomittausta käyttämällä lasketaan kuvien pikselien välinen sijaintipoikkeama (ero), jotta kohteesta saadaan 3D-kuva. Binokulaarisen stereonäön laitteistorakenne käyttää tyypillisesti kahta kameraa visuaalisen signaalin hankintalaitteena. Nämä kamerat yhdistetään tietokoneeseen kaksitulokanavaisen kuvanottokortin kautta, ja kameroiden keräämät analogiset signaalit näytteistetään, suodatetaan, parannetaan ja muunnetaan digitaaliseen muotoon, jolloin kuvatiedot toimitetaan lopulta tietokoneelle.

3D Visionin sovellukset mobiiliroboteissa

Kun visioteknologia kehittyy 2D:stä 3D:ksi, 3D-näköanturit ovat tulossa ratkaisevan tärkeitä mobiiliroboteissa, jotka tarjoavat syvyyshavainnon ja mahdollistavat reaaliaikaisen havainnoinnin kolmiulotteisissa tiloissa, tarkan kohteen tunnistuksen, useiden esteiden havaitsemisen ja välttämisen, älykkään päätöksenteon, ja automaattinen opastus. Näitä ominaisuuksia käytetään yhä enemmän logistiikassa, sähköisessä kaupankäynnissä, automaatiossa, valmistuksessa, teollisuus- ja palveluroboteissa, kaupallisissa ympäristöissä ja muissa sovellusrajojen laajentaessa.

Mobiilirobotiikassa 3D-näköä käytetään pääasiassa navigointiin, esteiden välttämiseen sekä loppumateriaalin tunnistamiseen ja telakointiin.

• Navigointi: Tarkka ympäristön tunnistus on mobiilirobottien ensisijainen tehtävä. "Ympäristö" sisältää erilaisia ​​tekijöitä, kuten eri valaistusolosuhteiden aiheuttamat häiriöt sisällä ja ulkona, esteet tiellä, onko reitti selkeä ja tasainen, ympäristössä olevien esineiden tyypit, onko olemassa ihmisiä, jotka voivat aiheuttaa robotin hidastaa tai pysähtyä, onko edessä oleva lava tyhjä vai täynnä, missä ovat ladatun lavan syöttöaukot ja miten noudon reitti suunnitellaan. Yksinkertaistettuna logiikka on, että visioon perustuvan mobiilirobotin on tunnistettava tarkasti ympäristönsä, vältettävä dynaamisia ja staattisia esteitä, lähestyttävä kohdeobjektia dynaamisesti (navigointi) ja oltava oikein vuorovaikutuksessa kohteen kanssa (kohteen havaitseminen ja paikannus).

• Esteiden välttäminen: Markkinat tarjoavat erilaisia ​​esteitä välttäviä antureita, kuten yksilinjaisia ​​LiDAR-, ultraääni- ja törmäysliuskoja. Törmäysnauhat ovat yleensä viimeinen puolustuslinja väkivaltaisten törmäysten ehkäisyssä; Ultraäänen esteiden välttäminen johtaa usein vääriin positiivisiin tuloksiin; yksilinjaisessa LiDARissa on merkittäviä kuolleita kulmia (havaitsee vain esteitä kaksiulotteisessa tasossa, ei pysty havaitsemaan esteitä laserin ala- tai yläpuolella, mikä aiheuttaa turvallisuusriskin). 3D-näköanturit voivat kompensoida nämä puutteet. Paras nykyinen esteen välttämisratkaisu mobiiliroboteille on 3D-näkösensorien ja LiDAR-yhdistelmä, jossa 3D-näköanturit tarjoavat tarkan lyhyen ja keskipitkän kantaman esteiden välttämisen ja LiDAR pitkän kantaman kaksiulotteiseen esteen välttämiseen. Koska TOF-kameroissa ei käytännössä ole kuolleita kulmia, ne ovat tällä hetkellä yleisimmin käytetyt 3D-kamerat AGV-esteiden välttämiseen.

• Lopeta tunnistus ja telakointi: Joissakin varastoissa tavaroiden sijoittelu on monimutkaista, ja lavojen manuaalinen tai ajoneuvon sijoitus on usein epätarkka. Tämä epätarkkuus tekee miehittämättömän trukin vaikeaksi tunnistaa lavan tarkasti perinteisten mekaanisten rajojen tai monokulaarisen kameratunnistuksen avulla, mikä johtaa toistuviin paikannusvirheisiin lavan telakoinnin aikana ja näin ollen alhaiseen toimintatehokkuuteen. Käyttämällä 3D-näkemystä lavakuvien kaappaamiseen yhdistettynä asianmukaisiin kuvankäsittelyalgoritmeihin, trukki voi tunnistaa lavan sijainnin ja asennon koordinaatit, säätää älykkäästi työntösuuntaa ja saavuttaa miehittämättömän älykkään kuormalavojen käsittelyn, mikä ratkaisee merkittävän kulmapoikkeaman ongelman miehittämättömän trukin aikana. kuormalavojen telakointi. Lisäksi tekoälyalgoritmeja voidaan käyttää lavojen tunnistusmallien vahvistamiseen ja syvälliseen oppimiseen, mikä parantaa entisestään kuormalavojen tunnistuksen ja seurannan tarkkuutta.
•  

Tulevaisuuden suunnat: Korkeampi resoluutio, nopeammat kuvataajuudet, parempi sopeutuvuus ympäristöön

Mobiilirobottisovellusten syvenemisen myötä korkeampien tunnistusominaisuuksien kysyntä on kasvanut, mikä on johtanut 3D-näköteknologian kehitykseen tähän suuntaan. 3D-näön nykyinen soveltaminen mobiiliroboteissa on kuitenkin vielä alkuvaiheessa. Mobiilirobottien kehittyessä yhä monipuolisempien sovellusympäristöjen myötä 3D-näköjärjestelmien vaatimukset kovenevat, mikä lisää 3D-näkötekniikkaa.

Napsauta alla olevaa linkkiä lukeaksesi lisää:

Esittelyssä Reeman Moon Knight -robotin alusta

Esittelyssä Flash Food Delivery Robot

Esittelyssä sairaanhoitajan sairaalan toimitusrobotti