Reconnaissance officielle|Lanxin reçoit le certificat d'enregistrement des réalisations scientifiques et technologiques de la province du Zhejiang

Récemment,Lanxin, un leader dansintelligence artificielleetrobotique, a franchi une étape importante, puisque leDépartement provincial des sciences et technologies du Zhejianga officiellement décerné à l'entreprise leCertificat d'inscription pour les réalisations scientifiques et technologiques(Numéro d'enregistrement : DJ101002024Y0420). Cette prestigieuse reconnaissance souligne les recherches pionnières de l'entreprise dans le domaineIAettechnologies robotiques, affirmant la valeur et l’impact de leur travail innovant dans ces domaines de pointe.

Résumé de la réalisation technologique reconnue : « Perception de vision 3D et applications intelligentes en grappes pour les robots mobiles dans des scénarios complexes de très grande taille »

Mission et importance

Comme l'application derobots mobiles industrielsLes environnements opérationnels deviennent de plus en plus vastes et complexes, avec des exigences de précision de plus en plus élevées. Le nombre de robots mobiles nécessaires à la coordination sur un même site continue de croître avec l'ampleur des opérations commerciales.Scénarios complexes de très grande envergureLes robots mobiles doivent relever de nouveaux défis : dans ces environnements vastes et hautement dynamiques, une coordination robotique à grande échelle est nécessaire, tandis que les robots doivent effectuer des opérations précises sur des cibles complexes telles que des objets réfléchissants ou de petite taille. Par conséquent, l'établissement d'un cadre technique complet pour les opérations précises des robots mobiles dans des scénarios ultra-grands et complexes et la réalisation d'applications de qualité industrielle sont essentiels pour obtenir un avantage concurrentiel dans l'industrie mondiale.

LeTechnologie AMR (Robot Mobile Autonome)domaine est vaste et complexe. Les avancées nationales et internationales actuelles danstechnologie des capteurs, navigation, etplanification robotiqueLes robots ne sont pas encore totalement adaptés aux exigences opérationnelles précises des robots dans des environnements complexes de très grande taille. Le problème principal réside dans la nécessité d'améliorer les capacités des robots pour une perception et une compréhension complètes en temps réel des environnements dynamiques et complexes et de leurs propres opérations. Ce projet est centré sur « 3D Vision Fusion Perception + AI Large Model Technology » pour construire un système technique complet pournavigation naturelle SLAM sémantique, estimation de la pose de l'objet cible, planification autonome de la trajectoire du bras robotique, contrôle de mouvement de haute précision et planification de robots mobiles à grande échelle dans des environnements complexes. Ce système s'adapte mieux aux scénarios de fabrication diversifiés, personnalisés et à grande échelle, élargissant le champ d'application deAMRet améliorant la stabilité, la sécurité et la précision.

Défis techniques

Avec l'expansion des applications industrielles des AMR, la fabrication personnalisée et flexible devient la principale force motrice de l'avenirusines intelligentesL'industrie manufacturière exige une complexité et une précision accrues, en particulier pour les robots mobiles fonctionnant dans des environnements complexes, ultra-grands et hautement dynamiques. Cependant, plusieurs goulets d'étranglement techniques subsistent :

1. À grande échelleOpérations AMRLes capteurs doivent percevoir les informations environnementales à des distances de 30 mètres ou plus avec un large champ de vision et une haute résolution. Cependant, peu de capteurs nationaux répondent à ces besoins de perception à longue portée. Les capteurs de vision 3D classiques, tant au niveau national qu'international, souffrent généralement d'un champ de vision insuffisant et d'une faible résolution.
2. Ces dernières années, les robots mobiles se sont principalement appuyés surSLAM basé sur le laser(Simultaneous Localization and Mapping) est une technologie de cartographie de scène et d'acquisition d'informations. Cependant, cette approche est confrontée à des défis importants en termes de robustesse de localisation spatiale et est également coûteuse.
3. Dans la pratique, les robots qui se déplacent sur de grandes surfaces doivent effectuer des tâches précises sur des cibles complexes telles que des objets réfléchissants ou de petite taille. Les robots sont souvent confrontés à des erreurs de reconnaissance qui affectent la précision et la fiabilité opérationnelles. De plus, il manque une planification autonome des trajectoires d'évitement des obstacles et une technologie de contrôle de mouvement de haute précision pour les bras robotisés dans des environnements complexes.

La complexité des algorithmes de planification augmente de manière exponentielle avec l'échelle des robots mobiles. Les méthodes traditionnelles, telles que la segmentation multi-cartes pour la planification d'itinéraires, sont limitées par l'échelle de planification et les capacités de planification sur une seule carte. La gestion des silos de données pour parvenir à une coordination efficace entre les renseignements « individuels » et « de groupe », ainsi qu'entre les « robots mobiles » et les « stations d'accueil », reste un défi urgent pour l'industrie.

Principales innovations

1. Développé une propriétéCapteur de vision 3Davec des capacités de perception à longue portée, sur une large zone et à haute résolution. Un seul capteur peut réaliser un positionnement et une navigation à longue portée, éviter les obstacles à moyenne portée et effectuer un amarrage de haute précision à courte portée pour les robots mobiles.
2. En utilisant l'association sémantique entre les cadres co-visuels 2D et 3D, le projet construit unSystème SLAMbasé sur l'apprentissage profond pour les applications industrielles. En mettant en œuvre des techniques telles que le filtrage dynamique des objets, l'amélioration des caractéristiques statiques et l'estimation du mouvement des images floues, le système permet une navigation naturelle sans marqueur pour les robots mobiles dans des environnements hautement dynamiques.
3. Développement d'une méthode d'estimation de pose générative par « image caractéristique ». En utilisant une description multiple de l'espace à six dimensions, le projet a construit un décodeur bimodal pour le mimétisme de pose et les résidus de caractéristiques articulaires afin d'obtenir une reconnaissance précise de cibles complexes. De plus, le projet a établi une technologie de planification de trajectoire d'évitement d'obstacles autonome pour les bras robotisés dans des environnements complexes, générant des trajectoires opérationnelles optimales. Le projet a également introduit une technologie de contrôle de mouvement par apprentissage par renforcement pour les bras robotisés basée sur l'identification dynamique par anticipation, permettant d'obtenir un mouvement opérationnel de haute précision.
4. Mise en œuvre d'un système de planification distribué utilisant une approche de clustering sans conflit, surmontant les limitations d'échelle de planification posées par les méthodes traditionnelles des concurrents telles que l'extension multi-serveur et la segmentation multi-carte. En se concentrant sur la gestion des tâches et en faisant correspondre les tâches en fonction de différents processus, et en tirant parti d'unalgorithme d'optimisation de réseau neuronal convolutionnel graphique, le projet a réussi pour la première fois à coordonner la planification de milliers de robots mobiles sur une seule carte.

Le comité d'évaluation a conclu que ce projet a développé systématiquement les technologies de base et les systèmes logiciels-matériels pourPerception visuelle 3Det regrouper des applications intelligentes pour les robots mobiles dans des scénarios ultra-grands et complexes. La réalisation globale est avancée au niveau international, avecTechnologie de perception de la vision 3Ddes robots mobiles atteignant un niveau de pointe mondial.