Офіційне визнання|Lanxin нагороджено сертифікатом про реєстрацію науково-технічних досягнень провінції Чжецзян

нещодавноЛансін, керівник вштучний інтелектіробототехніка, досяг значної віхи, якДепартамент науки і технологій провінції Чжецзянофіційно нагородив компаніюСвідоцтво про реєстрацію науково-технічних досягнень(Реєстраційний номер: DJ101002024Y0420). Це престижне визнання підкреслює новаторські дослідження компанії вШІіробототехніки, підтверджуючи цінність і вплив їх інноваційної роботи в цих передових сферах.

Резюме визнаних технологічних досягнень: «Сприйняття тривимірного бачення та кластерні інтелектуальні програми для мобільних роботів у надвеликих складних сценаріях»

Місія та значення

Як застосуванняпромислові мобільні роботипоглиблюється, робочі середовища стають все більш великими та складними, з більш високими вимогами до точності. Кількість мобільних роботів, необхідних для координації в одному місці, продовжує зростати разом із масштабом бізнес-операцій.Надвеликі складні сценаріїстворюють нові виклики для мобільних роботів: у цих експансивних і дуже динамічних середовищах необхідна великомасштабна координація роботів, у той час як роботи повинні виконувати точні операції зі складними цілями, такими як відбиваючі об’єкти або об’єкти малого розміру. Таким чином, створення комплексної технічної основи для точних операцій мобільних роботів у надвеликих, складних сценаріях і досягнення промислового рівня застосування має вирішальне значення для отримання конкурентної переваги в глобальній промисловості.

TheТехнологія AMR (Autonomous Mobile Robot).поле обширне і складне. Поточні вітчизняні та міжнародні досягнення всенсорна технологія, навігація, іроботизоване плануванняще не повністю адаптувалися до точних робочих вимог роботів у надвеликих складних середовищах. Основна проблема полягає в необхідності вдосконалення можливостей роботів для комплексного сприйняття та розуміння динамічного, складного середовища та власних операцій у реальному часі. Цей проект зосереджений на «3D Vision Fusion Perception + AI Large Model Technology» для створення повної технічної системи длясемантична природна навігація SLAM, оцінка пози цільового об’єкта, планування траєкторії автономної роботизованої руки, високоточне керування рухами та планування великомасштабного мобільного робота в складних середовищах. Ця система краще адаптується до різноманітних, індивідуальних і великомасштабних сценаріїв виробництва, розширюючи сферу застосуванняАСКОЕа також підвищення стабільності, безпеки та точності.

Технічні виклики

Із розширенням промислового застосування AMR персоналізоване та гнучке виробництво стає основною рушійною силою майбутньогорозумні фабрики. Виробнича промисловість вимагає більшої складності та точності, особливо для мобільних роботів, що працюють у надвеликих, дуже динамічних складних середовищах. Однак залишається кілька технічних вузьких місць:

1. У великому масштабіAMR операції, датчики повинні сприймати інформацію про навколишнє середовище з відстані 30 метрів або більше з широким полем огляду та високою роздільною здатністю. Однак небагато домашніх датчиків задовольняють ці потреби сприйняття на великій відстані. Основні датчики 3D-огляду, як вітчизняні, так і міжнародні, зазвичай страждають від недостатнього поля огляду та низької роздільної здатності.
2. В останні роки в основному покладаються на мобільних роботівлазерний SLAM(Simultaneous Localization and Mapping) технологія для відображення сцени та отримання інформації. Однак цей підхід стикається зі значними проблемами щодо надійності просторової локалізації, а також є дорогим.
3. У практичних операціях роботам, які рухаються великими територіями, потрібно виконувати точні завдання на складних цілях, таких як світловідбиваючі або маленькі об’єкти. Роботи часто стикаються з помилками розпізнавання, які впливають на точність і надійність роботи. Крім того, не вистачає автономного планування траєкторії уникнення перешкод і технології високоточного керування рухом для роботизованих рук у складних умовах.

Складність алгоритмів планування експоненціально зростає зі збільшенням масштабу мобільних роботів. Традиційні методи, такі як сегментація за кількома картами для планування маршруту, обмежені масштабом планування та можливостями планування за однією картою. Вирішення проблем із накопиченням даних для досягнення ефективної координації між «індивідуальним» і «груповим» інтелектом, а також між «мобільними роботами» і «док-станціями» залишається актуальною проблемою для галузі.

Ключові інновації

1. Розробив власнийДатчик 3D зоруз можливостями сприйняття на великій відстані, у великій зоні та з високою роздільною здатністю. Один датчик може забезпечити позиціонування та навігацію на великій відстані, уникнення перешкод на середній відстані та високоточну стиковку на близькій відстані для мобільних роботів.
2. Використовуючи семантичну асоціацію між двовимірними та тривимірними ковізуальними кадрами, проект створює щільнуСистема SLAMна основі глибокого навчання для промислового застосування. Завдяки застосуванню таких методів, як динамічна фільтрація об’єктів, покращення статичних функцій і оцінка руху розмитого зображення, система забезпечує природну навігацію без маркерів для мобільних роботів у дуже динамічних середовищах.
3. Розробив генеративний метод оцінки пози «особа-зображення». Використовуючи різноманітний опис шестивимірного простору, проект створив подвійний модальний декодер для імітації пози та залишків спільних ознак для досягнення точного розпізнавання складних цілей. Крім того, проект створив автономну технологію планування траєкторії уникнення перешкод для робототехнічних озброєнь у складних середовищах, генеруючи оптимальні робочі траєкторії. У рамках проекту також було впроваджено технологію керування рухом підкріпленого навчання для робототехнічних рук, засновану на прямому зв’язку ідентифікації динаміки, що забезпечує високоточні робочі рухи.
4. Впроваджено розподілену систему планування з використанням безконфліктного підходу до кластеризації, подолавши обмеження масштабу планування, створені традиційними методами конкурентів, такими як розширення з кількома серверами та сегментація з кількома картами. Зосереджуючись на управлінні завданнями та зіставляючи завдання відповідно до різних процесів, а також використовуючи aАлгоритм оптимізації графової згорткової нейронної мережі, у рамках проекту вперше досягнуто скоординованого планування тисяч мобільних роботів на одній карті.

Комітет з оцінки дійшов висновку, що цей проект систематично розробляв основні технології та програмно-апаратні системи дляСприйняття 3D зоруі кластерні інтелектуальні програми для мобільних роботів у надвеликих, складних сценаріях. Загальне досягнення є міжнародним передовим, зТехнологія сприйняття 3D зорумобільних роботів, які досягли світового рівня.