Официално признание|Lanxin получи сертификат за регистрация за научни и технологични постижения на провинция Zhejiang

наскороLanxin, лидер визкуствен интелектироботика, постигна важен крайъгълен камък, тъй катоОтдел за наука и технологии на провинция Zhejiangофициално връчи на компаниятаСертификат за регистрация на научни и технологични постижения(Регистрационен номер: DJ101002024Y0420). Това престижно признание подчертава пионерските изследвания на компанията вAIироботизирани технологии, потвърждавайки стойността и въздействието на тяхната новаторска работа в тези авангардни области.

Резюме на признатото технологично постижение: „Възприемане на 3D визуализация и клъстерни интелигентни приложения за мобилни роботи в свръхголеми сложни сценарии“

Мисия и значение

Като приложението наиндустриални мобилни роботизадълбочава, оперативните среди стават все по-големи и сложни, с по-високи изисквания за точност. Броят на мобилните роботи, необходими за координация в един обект, продължава да расте с мащаба на бизнес операциите.Изключително големи сложни сценариипредставят нови предизвикателства за мобилните роботи: в рамките на тези експанзивни и силно динамични среди е необходима широкомащабна координация на роботите, докато роботите трябва да извършват прецизни операции върху сложни цели като отразяващи или малки по размер обекти. Следователно създаването на всеобхватна техническа рамка за прецизни операции на мобилни роботи в ултра-големи, сложни сценарии и постигането на индустриално приложение е от решаващо значение за получаване на конкурентно предимство в глобалната индустрия.

TheТехнология AMR (автономен мобилен робот).областта е обширна и сложна. Текущ вътрешен и международен напредък всензорна технология, навигация, ироботизирано планираневсе още не са се адаптирали напълно към точните оперативни изисквания на роботите в свръхголеми сложни среди. Основният проблем се крие в необходимостта да се подобрят способностите на роботите за цялостно възприемане и разбиране в реално време на динамични, сложни среди и техните собствени операции. Този проект се съсредоточава върху „3D Vision Fusion Perception + AI Large Model Technology“ за изграждане на пълна техническа система засемантична SLAM естествена навигация, оценка на позата на целевия обект, автономно планиране на траекторията на роботизирана ръка, високопрецизен контрол на движението и планиране на мащабни мобилни роботи в сложни среди. Тази система се адаптира по-добре към различни, персонализирани и широкомащабни производствени сценарии, разширявайки обхвата на приложение наAMRsи подобряване на стабилността, безопасността и прецизността.

Технически предизвикателства

С разширяващите се индустриални приложения на AMR, персонализираното и гъвкаво производство се превръща в основна движеща сила на бъдещетоумни фабрики. Производствената индустрия изисква по-висока сложност и прецизност, особено за мобилни роботи, работещи в свръхголеми, силно динамични сложни среди. Въпреки това остават няколко технически затруднения:

1. В голям мащабAMR операции, сензорите трябва да възприемат информация за околната среда от разстояния от 30 метра или повече с широко зрително поле и висока резолюция. Малко домашни сензори обаче отговарят на тези нужди за възприемане на далечни разстояния. Основните сензори за 3D визуализация, както в страната, така и в чужбина, обикновено страдат от недостатъчно зрително поле и ниска разделителна способност.
2. През последните години се разчита предимно на мобилните роботилазерно базиран SLAM(Simultaneous Localization and Mapping) технология за картографиране на сцени и събиране на информация. Този подход обаче е изправен пред значителни предизвикателства по отношение на устойчивостта на пространствената локализация и също така е скъп.
3. При практически операции роботите, движещи се над големи площи, трябва да изпълняват прецизни задачи върху сложни цели като отразяващи или малки обекти. Роботите често се сблъскват с грешки при разпознаване, които влияят на оперативната прецизност и надеждност. Освен това липсва автономно планиране на траекторията за избягване на препятствия и високопрецизна технология за контрол на движението за роботизирани ръце в сложни среди.

Сложността на алгоритмите за планиране нараства експоненциално с мащаба на мобилните роботи. Традиционните методи, като например сегментиране с множество карти за планиране на маршрут, са ограничени от мащаба на планиране и възможностите за планиране на една карта. Справянето със силозите на данни за постигане на ефективна координация между „индивидуално“ и „групово“ разузнаване, както и между „мобилни роботи“ и „докинг станции“, остава належащо предизвикателство за индустрията.

Ключови иновации

1. Разработен собственическиСензор за 3D зрениес възможности за възприемане на далечни разстояния, широка област и висока разделителна способност. Един сензор може да постигне позициониране и навигация на дълги разстояния, избягване на препятствия на средни разстояния и високопрецизно скачване на близки разстояния за мобилни роботи.
2. Използвайки семантичната асоциация между 2D и 3D ко-визуални рамки, проектът изгражда плътнаSLAM системабазирано на дълбоко обучение за индустриални приложения. Чрез внедряване на техники като филтриране на динамични обекти, подобряване на статични функции и оценка на движението на размазаното изображение, системата позволява естествена навигация без маркери за мобилни роботи в силно динамични среди.
3. Разработил метод за оценка на генеративната поза "характеристика-изображение". Използвайки многообразно описание на шестизмерното пространство, проектът конструира двумодален декодер за мимикрия на поза и остатъци от съвместни характеристики, за да се постигне прецизно разпознаване на сложни цели. Освен това проектът създаде автономна технология за планиране на траекторията на избягване на препятствия за роботизирани оръжия в сложни среди, генерирайки оптимални оперативни траектории. Проектът също така въведе технология за контрол на движението за усилване на обучението за роботизирани оръжия, базирана на динамика за идентификация на предаване напред, постигайки високо прецизно оперативно движение.
4. Внедрена система за разпределено планиране, използвайки подход за клъстериране без конфликти, преодолявайки ограниченията на мащаба на планирането, поставени от традиционните методи на конкурентите, като разширяване на множество сървъри и сегментиране на множество карти. Чрез фокусиране върху управлението на задачи и съпоставяне на задачите според различни процеси и използване на aграфичен алгоритъм за оптимизиране на конволюционна невронна мрежа, проектът успешно постигна координирано планиране на хиляди мобилни роботи на една карта за първи път.

Оценителната комисия заключи, че този проект систематично разработва основните технологии и софтуерно-хардуерни системи заВъзприемане на 3D визияи клъстерни интелигентни приложения за мобилни роботи в свръхголеми, сложни сценарии. Цялостното постижение е международно напреднало, сТехнология за възприемане на 3D визияна мобилни роботи, достигащи водещо световно ниво.