Ametlik tunnustus|Lanxinile anti Zhejiangi provintsi teaduse ja tehnoloogia saavutuste registreerimistunnistus

HiljutiLanxin, liider aastaltehisintellektjarobootika, saavutas olulise verstaposti, kunaZhejiangi provintsi teaduse ja tehnoloogia osakondautasustas ettevõtet ametlikultTeaduse ja tehnoloogia saavutuste registreerimise tunnistus(Registreerimisnumber: DJ101002024Y0420). See mainekas tunnustus tõstab esile ettevõtte teedrajava uurimistööAIjarobottehnoloogiad, kinnitades nende uuendusliku töö väärtust ja mõju nendes tipptasemel valdkondades.

Kokkuvõte tunnustatud tehnoloogilisest saavutusest: "3D-nägemise tajumine ja klastri intelligentsed rakendused mobiilsetele robotitele ülisuurtes keerulistes stsenaariumides"

Missioon ja tähendus

Rakendusenatööstuslikud mobiilsed robotidsüveneb, muutuvad töökeskkonnad üha suuremaks ja keerukamaks ning täpsusnõuded on suuremad. Ühe saidi koordineerimiseks vajalike mobiilsete robotite arv kasvab jätkuvalt koos äritegevuse ulatusega.Ülisuured keerulised stsenaariumidesitavad mobiilsetele robotitele uusi väljakutseid: nendes ekspansiivsetes ja väga dünaamilistes keskkondades on vaja suuremahulist robotite koordineerimist, samas kui robotid peavad sooritama täpseid toiminguid keeruliste sihtmärkidega, nagu peegeldavad või väikese suurusega objektid. Seetõttu on ülemaailmses tööstuses konkurentsieelise saavutamiseks ülioluline tervikliku tehnilise raamistiku loomine mobiilsete robotite täpseks toimimiseks ülisuurtes ja keerulistes stsenaariumides ning tööstuslikul tasemel rakenduste saavutamine.

TheAMR (Autonomous Mobile Robot) tehnoloogiavaldkond on ulatuslik ja keeruline. Praegused kodumaised ja rahvusvahelised edusammudsensori tehnoloogia, navigeeriminejarobotite ajakava koostaminepole veel täielikult kohanenud robotite täpsete töönõuetega ülisuurtes keerulistes keskkondades. Põhiprobleem seisneb vajaduses parandada robotite võimeid dünaamiliste, keerukate keskkondade ja nende enda toimingute igakülgseks reaalajas tajumiseks ja mõistmiseks. Selle projekti keskmes on "3D Vision Fusion Perception + AI Large Model Technology", et luua terviklik tehniline süsteemsemantiline SLAM-i loomulik navigeerimine, sihtobjekti poseerimise hindamine, autonoomne robotkäe trajektoori planeerimine, ülitäpne liikumisjuhtimine ja suuremahuline mobiilse roboti ajakava koostamine keerukates keskkondades. See süsteem kohandub paremini erinevate, kohandatud ja suuremahuliste tootmisstsenaariumidega, laiendades selle rakendusala.AMR-idning stabiilsuse, ohutuse ja täpsuse suurendamine.

Tehnilised väljakutsed

AMR-ide laienevate tööstuslike rakenduste tõttu on personaliseeritud ja paindlik tootmine muutumas tuleviku peamiseks liikumapanevaks jõuksnutikad tehased. Tootmistööstus nõuab suuremat keerukust ja täpsust, eriti ülisuurtes ja väga dünaamilistes keerulistes keskkondades töötavate mobiilsete robotite puhul. Siiski on mitmeid tehnilisi kitsaskohti:

1. Suures mahusAMR operatsioonid, peavad andurid laia vaatevälja ja kõrge eraldusvõimega tajuma keskkonnateavet vähemalt 30 meetri kauguselt. Kuid vähesed kodumaised andurid vastavad neile pikamaa tajumisvajadustele. Peavoolu 3D-nägemisandurid, nii riigisiseselt kui ka rahvusvaheliselt, kannatavad tavaliselt ebapiisava vaatevälja ja madala eraldusvõime tõttu.
2. Viimastel aastatel on mobiilsed robotid peamiselt toetunudlaseripõhine SLAM(Simultaneous Localization and Mapping) tehnoloogia stseeni kaardistamiseks ja teabe hankimiseks. See lähenemisviis seisab aga silmitsi suurte väljakutsetega ruumilise lokaliseerimise stabiilsuse osas ja on ka kulukas.
3. Praktilistes operatsioonides peavad suurtel aladel liikuvad robotid täitma täpseid ülesandeid keeruliste sihtmärkide, näiteks peegeldavate või väikeste objektide puhul. Robotid seisavad sageli silmitsi tuvastamisvigadega, mis mõjutavad töö täpsust ja töökindlust. Lisaks puudub keerukates keskkondades robotkäte jaoks autonoomne takistuste vältimise trajektoori planeerimine ja ülitäpne liikumisjuhtimistehnoloogia.

Planeerimisalgoritmide keerukus suureneb plahvatuslikult koos mobiilsete robotite mastaabiga. Traditsioonilised meetodid, nagu mitme kaardiga segmenteerimine marsruudi planeerimiseks, on piiratud ajakava skaala ja ühe kaardiga planeerimise võimalustega. Andmehoidlatega tegelemine, et saavutada tõhus koordineerimine "individuaalse" ja "rühma" luureandmete, samuti "mobiilsete robotite" ja "dokkimisjaamade" vahel, on tööstuse jaoks endiselt pakiline väljakutse.

Peamised uuendused

1. Töötanud välja varalise3D nägemise andurpikamaa, laia ala ja kõrge eraldusvõimega tajumisvõimalustega. Ühe anduri abil on võimalik saavutada pikamaa positsioneerimine ja navigeerimine, keskmaa takistuste vältimine ja mobiilsete robotite lähimaa ülitäpse dokkimine.
2. Kasutades semantilist seost 2D ja 3D kaasvisuaalsete kaadrite vahel, konstrueerib projekt tihedaSLAM süsteempõhineb sügaval õppimisel tööstuslike rakenduste jaoks. Rakendades selliseid tehnikaid nagu dünaamiline objektide filtreerimine, staatilise funktsiooni täiustamine ja häguse pildi liikumise hindamine, võimaldab süsteem mobiilsetel robotitel väga dünaamilistes keskkondades markeriteta loomulikku navigeerimist.
3. Töötas välja generatiivse poosi hindamise meetodi "funktsioon-kujutis". Kasutades kuuemõõtmelise ruumi mitmekülgset kirjeldust, konstrueeriti projekti käigus kahemodaalne dekooder poosi jäljendamiseks ja ühiste funktsioonide jääkide jaoks, et saavutada keerukate sihtmärkide täpne tuvastamine. Lisaks loodi projektiga autonoomne takistuste vältimise trajektoori planeerimise tehnoloogia robotkäte jaoks keerukates keskkondades, luues optimaalsed töötrajektoorid. Projektiga tutvustati ka dünaamikatuvastusel põhinevat robotkäte liikumisjuhtimistehnoloogiat, mis võimaldab saavutada ülitäpse operatiivse liikumise.
4. Rakendas hajutatud ajastamissüsteemi, kasutades konfliktivaba klastrite lähenemisviisi, ületades konkurentide traditsiooniliste meetoditega, nagu mitme serveriga laiendamine ja mitme kaardi segmenteerimine, tulenevad ajakava skaala piirangud. Keskendudes ülesannete haldamisele ja ülesannete sobitamisele vastavalt erinevatele protsessidele ning võimendades agraafiku konvolutsioonilise närvivõrgu optimeerimise algoritm, saavutas projekt esimest korda edukalt tuhandete mobiilsete robotite koordineeritud ajastamise ühel kaardil.

Hindamiskomisjon jõudis järeldusele, et see projekt arendas süstemaatiliselt põhitehnoloogiaid ja tarkvara-riistvarasüsteeme3D-nägemise tajumineja rühmitada nutikaid rakendusi mobiilsetele robotitele ülisuurte ja keeruliste stsenaariumide jaoks. Üldine saavutus on rahvusvaheliselt kõrgetasemeline, kusjuures3D-nägemise tajumise tehnoloogiamobiilsete robotite jõudmine maailma juhtivale tasemele.