Förstå tillämpningen av 3D-vision inom AGV/AMR-området

Nyckel Takeaway:

3D-vision gör att mobila robotar kan se, förstå och interagera med sin miljö. Det är en tvärvetenskaplig teknik som kombinerar datorgrafik, datorseende och artificiell intelligens. 3D-visionsteknik fångar de tredimensionella koordinaterna för varje punkt inom dess synfält genom 3D-kameror, och rekonstruerar en 3D-bild med hjälp av algoritmer. Jämfört med 2D-bild är 3D-seendet mer stabilt, motståndskraftigt mot miljö- och ljusförändringar och erbjuder en bättre användarupplevelse och högre säkerhet.

3D Vision Teknik Vägar

3D-sensorer fungerar som "ögon" för 3D-seende, och använder kombinationer av flera kameror och djupsensorer för att samla in data om objektens tredimensionella position och storlek. De viktigaste 3D-visionssensorerna som för närvarande finns tillgängliga är kikarekameror, kameror med strukturerat ljus och TOF-kameror (Time of Flight).

• 3D Strukturerad Ljus Teknik: Denna metod använder infrarött ljus, som projiceras på ett objekt med en viss kodning. När ljuset reflekteras tillbaka kommer mönstret att deformeras beroende på objektets avstånd. Bildsensorn fångar det deformerade mönstret, och med hjälp av triangulering beräknas deformationen av varje pixel för att härleda motsvarande skillnad och ytterligare beräkna djupvärdet.

• TOF-principen (Time of Flight).: Den här tekniken använder en infraröd ljuskälla för att sända ut högfrekventa ljuspulser på ett föremål, tar sedan emot de reflekterade pulserna och beräknar avståndet från kameran till objektet genom att mäta ljuspulsernas färdtid. För närvarande finns det två vanliga TOF-lösningar på marknaden: dTOF och iTOF. Branschexperter tror att dTOF gradvis kommer att ersätta iTOF på grund av dess överlägsna prestanda i nyckelaspekter som upplösning, noggrannhet, ultralåg strömförbrukning, starka anti-störningsmöjligheter och enkel kalibrering. Dock har dTOF höga tekniska barriärer, hög systemintegration och begränsade resurser i försörjningskedjan.

• Kikare Stereo Syn Teknik: Den här metoden simulerar människans syn genom att observera samma objekt från två synvinklar och få bilder av objektet från olika perspektiv. Med hjälp av triangulering beräknas positionsavvikelsen (skillnaden) mellan pixlar i bilderna för att få en 3D-bild av objektet. Hårdvarustrukturen för binokulär stereoseende använder vanligtvis två kameror som visuella signalinsamlingsenheter. Dessa kameror ansluts till en dator via ett bildinsamlingskort med dubbla ingångar, och de analoga signalerna som samlas in av kamerorna samplas, filtreras, förbättras och konverteras till digital form, för att slutligen tillhandahålla bilddata till datorn.

Tillämpningar av 3D Vision i mobila robotar

När visionteknologin utvecklas från 2D till 3D, blir 3D-visionssensorer avgörande i mobila robotar, som erbjuder djupuppfattning och möjliggör realtidsavkänning i tredimensionella utrymmen, exakt objektigenkänning, upptäckt och undvikande av flera hinder, intelligent beslutsfattande, och automatiserad vägledning. Dessa funktioner används i allt högre grad inom logistik, e-handel, automation, tillverkning, industri- och servicerobotar, kommersiella miljöer och mer, med expanderande applikationsgränser.

Inom mobil robotik används 3D-seende främst för navigering, undvikande av hinder, och slutmaterialigenkänning och dockning.

• Navigering: Exakt miljöavkänning är den primära uppgiften för mobila robotar. "Miljön" inkluderar här olika faktorer som störningar från olika ljusförhållanden inomhus och utomhus, hinder i vägen, om rutten är fri och platt, vilka typer av föremål som finns i omgivningen, om det finns personer som kan få roboten att sakta ner eller stanna, om pallen framför är tom eller full, var införingshålen för en lastad pall finns och hur man planerar rutten för hämtning. Förenklat är logiken att en visionbaserad mobil robot behöver noggrant känna igen sin omgivning, undvika dynamiska och statiska hinder, närma sig målobjektet dynamiskt (navigering) och korrekt interagera med målobjektet (objektdetektering och positioneringsigenkänning).

• Undvikande av hinder: Marknaden erbjuder en mängd olika sensorer för undvikande av hinder, såsom enkellinjes LiDAR, ultraljud och kollisionsremsor. Kollisionsremsor är vanligtvis den sista försvarslinjen för att förhindra våldsamma kollisioner; Undvikande av ultraljudshinder resulterar ofta i falska positiva resultat; single-line LiDAR har betydande döda fläckar (upptäcker endast hinder i ett tvådimensionellt plan, kan inte upptäcka hinder under eller ovanför lasern, vilket utgör en säkerhetsrisk). 3D-visionssensorer kan kompensera för dessa brister. Den bästa nuvarande lösningen för undvikande av hinder för mobila robotar är en kombination av 3D-visionssensorer och LiDAR, med 3D-visionssensorer som ger exakt undvikande av hinder på kort och medellång räckvidd och LiDAR för att undvika tvådimensionella hinder på lång räckvidd. Eftersom TOF-kameror praktiskt taget inte har några blinda fläckar är de för närvarande de mest använda 3D-kamerorna för att undvika hinder från AGV.

• Slutigenkänning och dockning: I vissa lager är placeringen av gods komplex, och manuell eller fordonsplacering av pallar är ofta felaktig. Denna felaktighet gör det svårt för en obemannad gaffeltruck att exakt identifiera pallen med hjälp av traditionella mekaniska gränser eller monokulär kameraigenkänning, vilket leder till frekventa positioneringsfel under palldockning och följaktligen låg driftseffektivitet. Med hjälp av 3D-vision för att fånga pallbilder, kombinerat med lämpliga bildbehandlingsalgoritmer, kan gaffeltrucken identifiera pallens position och ställningskoordinater, intelligent justera riktningen för insättning och uppnå obemannad intelligent pallhantering, vilket löser problemet med betydande vinkelavvikelse under obemannad gaffeltruck. dockning av pallar. Dessutom kan AI-algoritmer användas för att stärka och på djupet lära sig pallidentifieringsmodeller, vilket ytterligare förbättrar noggrannheten för palligenkänning och spårning.
•  

Framtida riktningar: Högre upplösning, snabbare bildhastigheter, bättre miljöanpassningsförmåga

När mobila robotapplikationer fortsätter att fördjupas har efterfrågan på högre avkänningskapacitet ökat, vilket driver utvecklingen av 3D-visionsteknologi i denna riktning. Den nuvarande tillämpningen av 3D-vision i mobila robotar är dock fortfarande i ett tidigt skede. När mobila robotar fortsätter att utvecklas, med fler olika applikationsmiljöer, kommer kraven på 3D-visionssystem att bli strängare, vilket leder till ytterligare uppgraderingar av 3D-visionsteknologi.

Klicka på länken nedan för att läsa mer:

Vi presenterar Reeman Moon Knight Robot Chassis

Vi presenterar Flash Food Delivery Robot

Vi presenterar The Nurse Hospital Delivery Robot