Die Anwendung von 3D-Vision im AGV/AMR-Bereich verstehen

Wichtigste Erkenntnis:

3D-Vision ermöglicht es mobilen Robotern, ihre Umgebung zu sehen, zu verstehen und mit ihr zu interagieren. Es handelt sich um eine multidisziplinäre Technologie, die Computergrafik, Computervision und künstliche Intelligenz kombiniert. Die 3D-Vision-Technologie erfasst die dreidimensionalen Koordinaten jedes Punkts in seinem Sichtfeld durch 3D-Kameras und rekonstruiert mithilfe von Algorithmen ein 3D-Bild. Im Vergleich zur 2D-Bildgebung ist 3D-Vision stabiler, widerstandsfähiger gegenüber Umgebungs- und Lichtveränderungen und bietet ein besseres Benutzererlebnis und mehr Sicherheit.

Wege zur 3D-Vision-Technologie

3D-Sensoren fungieren als „Augen“ der 3D-Bildverarbeitung und nutzen Kombinationen aus mehreren Kameras und Tiefensensoren, um Daten zur dreidimensionalen Position und Größe von Objekten zu erfassen. Die wichtigsten derzeit verfügbaren 3D-Bildverarbeitungssensoren sind Binokularkameras, Strukturlichtkameras und TOF-Kameras (Time of Flight).

• 3D-Strukturlichttechnologie: Bei dieser Methode wird Infrarotlicht verwendet, das mit einer bestimmten Kodierung auf ein Objekt projiziert wird. Wenn das Licht zurückreflektiert wird, verformt sich das Muster je nach Entfernung des Objekts. Der Bildsensor erfasst das verformte Muster und mithilfe der Triangulation wird die Verformung jedes Pixels berechnet, um die entsprechende Disparität abzuleiten und anschließend den Tiefenwert zu berechnen.

• TOF-Prinzip (Time of Flight): Bei dieser Technik werden hochfrequente Lichtimpulse von einer Infrarotlichtquelle auf ein Objekt gesendet, die reflektierten Impulse werden empfangen und die Entfernung von der Kamera zum Objekt wird durch Messen der Laufzeit der Lichtimpulse berechnet. Derzeit gibt es zwei gängige TOF-Lösungen auf dem Markt: dTOF und iTOF. Branchenexperten gehen davon aus, dass dTOF iTOF aufgrund seiner überlegenen Leistung in Schlüsselaspekten wie Auflösung, Genauigkeit, extrem niedrigem Stromverbrauch, starker Entstörungsfähigkeit und einfacher Kalibrierung allmählich ersetzen wird. Allerdings ist dTOF mit hohen technischen Hürden, einer hohen Systemintegration und begrenzten Lieferkettenressourcen verbunden.

• Binokulare Stereovision-Technologie: Diese Methode simuliert das menschliche Sehvermögen, indem dasselbe Objekt von zwei Standpunkten aus betrachtet wird und Bilder des Objekts aus verschiedenen Perspektiven aufgenommen werden. Mittels Triangulation wird die Positionsabweichung (Disparität) zwischen den Pixeln in den Bildern berechnet, um ein 3D-Bild des Objekts zu erhalten. Die Hardwarestruktur des binokularen Stereosehens verwendet normalerweise zwei Kameras als Geräte zur visuellen Signalerfassung. Diese Kameras werden über eine Bilderfassungskarte mit zwei Eingangskanälen mit einem Computer verbunden. Die von den Kameras erfassten analogen Signale werden abgetastet, gefiltert, verbessert und in digitale Form umgewandelt, wodurch dem Computer schließlich Bilddaten bereitgestellt werden.

Anwendungen von 3D-Vision in mobilen Robotern

Da sich die Bildverarbeitungstechnologie von 2D zu 3D weiterentwickelt, werden 3D-Bildsensoren in mobilen Robotern immer wichtiger, da sie Tiefenwahrnehmung bieten und Echtzeit-Erfassung in dreidimensionalen Räumen, genaue Objekterkennung, Erkennung und Vermeidung mehrerer Hindernisse, intelligente Entscheidungsfindung und automatisierte Führung ermöglichen. Diese Fähigkeiten werden zunehmend in der Logistik, im E-Commerce, in der Automatisierung, in der Fertigung, bei Industrie- und Servicerobotern, in kommerziellen Umgebungen und mehr eingesetzt, wobei sich die Anwendungsgrenzen erweitern.

In der mobilen Robotik wird 3D-Vision vor allem zur Navigation, Hindernisvermeidung sowie Endmaterialerkennung und Andocken eingesetzt.

• Navigation: Die genaue Umgebungserfassung ist die Hauptaufgabe mobiler Roboter. Die „Umgebung“ umfasst hier verschiedene Faktoren wie Störungen durch unterschiedliche Lichtverhältnisse im Innen- und Außenbereich, Hindernisse auf dem Weg, ob die Route frei und eben ist, die Art der Objekte in der Umgebung, ob es Personen gibt, die den Roboter verlangsamen oder anhalten lassen könnten, ob die Palette vor ihm leer oder voll ist, wo sich die Einschubschlitze einer beladenen Palette befinden und wie die Route zur Abholung geplant wird. Vereinfacht ausgedrückt besteht die Logik darin, dass ein auf Sicht basierender mobiler Roboter seine Umgebung genau erkennen, dynamische und statische Hindernisse vermeiden, sich dem Zielobjekt dynamisch nähern (Navigation) und richtig mit dem Zielobjekt interagieren muss (Objekterkennung und Positionserkennung).

• Hindernisvermeidung: Der Markt bietet eine Vielzahl von Sensoren zur Hindernisvermeidung, wie z. B. einzeiliges LiDAR, Ultraschall und Kollisionsstreifen. Kollisionsstreifen sind normalerweise die letzte Verteidigungslinie zur Vermeidung heftiger Kollisionen; die Hindernisvermeidung per Ultraschall führt häufig zu Fehlalarmen; einzeiliges LiDAR weist erhebliche tote Winkel auf (es erkennt nur Hindernisse in einer zweidimensionalen Ebene, kann Hindernisse unterhalb oder oberhalb des Lasers nicht erkennen, was ein Sicherheitsrisiko darstellt). 3D-Bildsensoren können diese Mängel ausgleichen. Die derzeit beste Lösung zur Hindernisvermeidung für mobile Roboter ist eine Kombination aus 3D-Bildsensoren und LiDAR, wobei 3D-Bildsensoren eine präzise Hindernisvermeidung im Nah- und Mittelbereich und LiDAR eine zweidimensionale Hindernisvermeidung im Fernbereich ermöglichen. Da TOF-Kameras praktisch keine toten Winkel haben, sind sie derzeit die am häufigsten verwendeten 3D-Bildkameras zur Hindernisvermeidung bei AGVs.

• Enderkennung und Andocken: In manchen Lagern ist die Platzierung von Waren komplex und die manuelle oder Fahrzeugplatzierung von Paletten ist oft ungenau. Diese Ungenauigkeit macht es für einen unbemannten Gabelstapler schwierig, die Palette mithilfe herkömmlicher mechanischer Begrenzungen oder monokularer Kameraerkennung genau zu identifizieren, was zu häufigen Positionierungsfehlern beim Andocken der Paletten und folglich zu geringer Betriebseffizienz führt. Durch die Verwendung von 3D-Vision zur Erfassung von Palettenbildern in Kombination mit geeigneten Bildverarbeitungsalgorithmen kann der Gabelstapler die Position und Haltungskoordinaten der Palette identifizieren, die Einschubrichtung intelligent anpassen und eine unbemannte intelligente Palettenhandhabung erreichen, wodurch das Problem der erheblichen Winkelabweichung beim Andocken unbemannter Gabelstaplerpaletten gelöst wird. Darüber hinaus können KI-Algorithmen verwendet werden, um Palettenerkennungsmodelle zu stärken und gründlich zu erlernen, wodurch die Genauigkeit der Palettenerkennung und -verfolgung weiter verbessert wird.
•  

Zukünftige Richtungen: Höhere Auflösung, schnellere Bildraten, bessere Anpassungsfähigkeit an die Umgebung

Da mobile Roboter immer häufiger zum Einsatz kommen, steigt auch die Nachfrage nach besseren Sensorfunktionen, was die Entwicklung der 3D-Bildverarbeitungstechnologie in diese Richtung vorantreibt. Die aktuelle Anwendung der 3D-Bildverarbeitung in mobilen Robotern befindet sich jedoch noch in einem frühen Stadium. Da sich mobile Roboter weiterentwickeln und immer vielfältigere Anwendungsumgebungen bieten, werden die Anforderungen an 3D-Bildverarbeitungssysteme strenger, was weitere Verbesserungen der 3D-Bildverarbeitungstechnologie erforderlich macht.

Klicken Sie bitte auf den untenstehenden Link, um mehr zu erfahren:

Wir stellen vor: Das Reeman Moon Knight Roboterchassis

Wir stellen vor: Der Flash-Lebensmittellieferroboter

Wir stellen vor: Der Lieferroboter für Krankenschwestern