wheel.me verbessert die Robustheit der Navigation in dynamischen Umgebungen mit der Perception Engine von RGo

Autonome mobile Roboter (AMRs) revolutionieren die Industrie mit ihrer Fähigkeit, in komplexen Umgebungen ohne menschliches Eingreifen zu navigieren und zu arbeiten. Eine der größten Herausforderungen, mit denen sie konfrontiert sind, ist jedoch die Lokalisierung — die Bestimmung ihres genauen Standorts innerhalb einer Umgebung. Genau zu wissen, wo sich ein mobiler Roboter in seiner Umgebung befindet, ist entscheidend für einen sicheren und effizienten Betrieb. Diese Aufgabe wird in einer dynamischen und sich sehr wiederholenden Umgebung (in der viele Lagergänge/Korridore usw. gleich aussehen) zu einer besonderen Herausforderung. Hier sind einige der häufigsten Navigationsherausforderungen, mit denen mobile Roboter konfrontiert sind:

‍

• Dynamische Umgebungen: Lagerhäuser und Fabriken entwickeln sich ständig weiter. Produktionslinien verschieben sich, Layouts ändern sich und unerwartete Hindernisse tauchen auf. Traditionelle Roboter können in diesen Situationen delokalisiert werden und sind ineffizient.

• Eingeschränkte Sensorfunktionen: Sensoren wie 2D-LiDARs und Kameras können durch Staub, Rauch oder schlechte Beleuchtung beeinträchtigt werden, was zu ungenauen Messwerten und Navigationsfehlern führen kann. Außerdem sind 2D-LIDARs zur Lokalisierung auf statische Objekte angewiesen, was es ihnen erschwert, sich an wechselnde Umgebungen anzupassen.

• Magnetische Interferenz: Metallgestelle und Geräte können Magnetfelder erzeugen, die Sensoren stören und Roboter vom Kurs abbringen.

• Mehrdeutige Wahrzeichen: In sich wiederholenden Umgebungen wie gitterartigen Lagergängen oder identischen Korridoren ist es schwierig, zwischen ähnlich aussehenden Bereichen zu unterscheiden. Traditionelle mobile Roboter haben oft Schwierigkeiten, einzigartige Merkmale zu identifizieren, die bei der Bestimmung ihres genauen Standorts hilfreich sind.  

‍

Um eine robuste Navigation in dynamischen Umgebungen zu gewährleisten, verwendet wheel.me die Perception Engine von RGo. Die Perception Engine von RGo ist ein hochmoderner modularer KI-Softwarestack, der entwickelt wurde, um die häufigsten Herausforderungen zu bewältigen, mit denen mobile Roboter in sich ständig ändernden Umgebungen konfrontiert sind. Es bietet Lokalisierungs-, Hinderniserkennungs- und Objekterkennungsdaten in Echtzeit über eine API.

‍

So funktioniert das:

Die Engine stellt Robotern über eine API einen konstanten Datenstrom zur Verfügung und gibt den Robotern Bewusstsein in Echtzeit. Zu diesen Daten gehören:

• Präzise und robuste Lokalisierung: Die Engine verwendet fortschrittliche SLAM- und KI-Algorithmen, die auf 3D-Bildverarbeitung basieren, und kombiniert mehrere Modalitäten (z. B. intelligente Kameras), um genau zu bestimmen, wo sich der Roboter befindet. Dies ist entscheidend für eine sichere und effiziente Navigation, insbesondere wenn sich das Layout ändert.

• Hinderniserkennung: Das Triebwerk verwendet Tiefendaten von Sensoren (z. B. 3D-Kameras), um eine Echtzeitkarte der Umgebung zu erstellen, sodass Roboter Hindernisse erkennen und ihnen ausweichen können.

• Objekterkennung: Dies bringt die Intelligenz von Robotern auf ein ganz neues Niveau. Fortschrittliche KI-Algorithmen ermöglichen es Robotern, Objekte nicht nur zu „sehen“, sondern auch zu verstehen, was sie sind (Kisten, Paletten usw.). Dadurch können sie sich an wechselnde Layouts anpassen und Aufgaben flexibler erledigen.

‍

Die Perception Engine von RGo erklärt

‍

Nutzung der NVIDIA-Ökosystem und leistungsstarke Computerplattform, RGo ermöglicht Techniken des maschinellen Lernens, wie z. B. die auf Deep Learning basierende visuelle Lokalisierung. Diese Methoden können lernen, Veränderungen in der Umgebung zu erkennen und sich an sie anzupassen, wodurch die Fähigkeit des Roboters verbessert wird, sich unter dynamischen und sich wiederholenden Bedingungen zu lokalisieren.  

‍

‍

‍

Die Perception Engine von RGo geht über traditionelle Roboternavigationssysteme hinaus. Im Kern verwendet sie eine Technik namens vSLAM (visual Simultaneous Localization and Mapping), um eine Karte der Umgebung zu erstellen. Im Gegensatz zu herkömmlichem SLAM enthält die Engine von RGo jedoch fortschrittliche Lernalgorithmen. Dadurch können Roboter „unterwegs lernen“ und sich an Veränderungen in der Umgebung anpassen, z. B. an neue Hindernisse oder neu angeordnete Layouts. Dadurch sind sie in dynamischen Fabriken und Lagern deutlich zuverlässiger und erhöhen den Durchsatz, die Verfügbarkeit, die Sicherheit und die Skalierbarkeit.