Offizielle Anerkennung|Lanxin erhält Registrierungszertifikat für wissenschaftliche und technologische Errungenschaften der Provinz Zhejiang

Kürzlich,Lanxin, ein führendes Unternehmen inkünstliche IntelligenzUndRobotik, erreichte einen bedeutenden Meilenstein, da dieMinisterium für Wissenschaft und Technologie der Provinz Zhejiangverlieh dem Unternehmen offiziell denRegistrierungszertifikat für wissenschaftliche und technische Leistungen(Registrierungsnummer: DJ101002024Y0420). Diese prestigeträchtige Anerkennung unterstreicht die bahnbrechende Forschung des Unternehmens inKIUndRobotertechnologien, und bestätigt den Wert und die Wirkung ihrer innovativen Arbeit in diesen hochmodernen Bereichen.

Zusammenfassung der anerkannten technologischen Errungenschaft: „3D-Sehwahrnehmung und intelligente Clusteranwendungen für mobile Roboter in extrem großen, komplexen Szenarien“

Mission und Bedeutung

Als Anwendung vonIndustrielle mobile RoboterDie Betriebsumgebungen werden immer größer und komplexer und erfordern höhere Präzision. Die Anzahl der für die Koordination an einem Standort benötigten mobilen Roboter wächst mit der Größe der Geschäftstätigkeiten weiter.Extrem große, komplexe Szenarienstellen neue Herausforderungen für mobile Roboter dar: In diesen weitläufigen und hochdynamischen Umgebungen ist eine groß angelegte Roboterkoordination erforderlich, während die Roboter präzise Operationen an komplexen Zielen wie reflektierenden oder kleinen Objekten durchführen müssen. Daher ist die Schaffung eines umfassenden technischen Rahmens für den präzisen Betrieb mobiler Roboter in extrem großen, komplexen Szenarien und die Erreichung einer industrietauglichen Anwendung von entscheidender Bedeutung, um einen Wettbewerbsvorteil in der globalen Industrie zu erlangen.

DerAMR-Technologie (Autonomer mobiler Roboter)Das Feld ist umfangreich und komplex. Aktuelle nationale und internationale Fortschritte inSensorik, Navigation, UndRoboterplanungsind noch nicht vollständig an die genauen Betriebsanforderungen von Robotern in ultragroßen, komplexen Umgebungen angepasst. Das Kernproblem liegt in der Notwendigkeit, die Fähigkeiten der Roboter zur umfassenden Echtzeitwahrnehmung und zum Verständnis dynamischer, komplexer Umgebungen und ihrer eigenen Operationen zu verbessern. Dieses Projekt konzentriert sich auf „3D Vision Fusion Perception + AI Large Model Technology“, um ein komplettes technisches System fürsemantische SLAM natürliche Navigation, Zielobjekt-Posenschätzung, autonome Roboterarm-Trajektorienplanung, hochpräzise Bewegungssteuerung und groß angelegte Planung mobiler Roboter in komplexen Umgebungen. Dieses System passt sich besser an vielfältige, kundenspezifische und groß angelegte Fertigungsszenarien an und erweitert den Anwendungsbereich vonAntibiotikaresistenzenund Verbesserung von Stabilität, Sicherheit und Präzision.

Technische Herausforderungen

Mit der zunehmenden industriellen Anwendung von AMRs wird die personalisierte und flexible Fertigung zur zentralen Antriebskraft der Zukunftintelligente Fabriken. Die Fertigungsindustrie verlangt höhere Komplexität und Präzision, insbesondere für mobile Roboter, die in extrem großen, hochdynamischen, komplexen Umgebungen arbeiten. Es gibt jedoch noch einige technische Engpässe:

1. Im großen MaßstabAMR-OperationenSensoren müssen Umgebungsinformationen aus Entfernungen von 30 Metern oder mehr mit einem weiten Sichtfeld und hoher Auflösung wahrnehmen. Allerdings erfüllen nur wenige inländische Sensoren diese Anforderungen an die Wahrnehmung über große Entfernungen. Gängige 3D-Bildsensoren im In- und Ausland leiden typischerweise unter einem unzureichenden Sichtfeld und einer niedrigen Auflösung.
2. In den letzten Jahren waren mobile Roboter vor allem aufLaserbasiertes SLAM(Simultaneous Localization and Mapping)-Technologie zur Szenenkartierung und Informationserfassung. Dieser Ansatz steht jedoch vor erheblichen Herausforderungen hinsichtlich der Robustheit der räumlichen Lokalisierung und ist zudem kostspielig.
3. Im praktischen Einsatz müssen Roboter, die sich über große Flächen bewegen, präzise Aufgaben an komplexen Zielen wie reflektierenden oder kleinen Objekten ausführen. Roboter leiden häufig unter Erkennungsfehlern, die die Betriebspräzision und -zuverlässigkeit beeinträchtigen. Darüber hinaus mangelt es an autonomer Trajektorienplanung zur Hindernisvermeidung und hochpräziser Bewegungssteuerungstechnologie für Roboterarme in komplexen Umgebungen.

Die Komplexität von Planungsalgorithmen steigt exponentiell mit der Größe mobiler Roboter. Traditionelle Methoden, wie die Segmentierung mehrerer Karten zur Routenplanung, sind durch die Planungsgröße und die Planungsfunktionen einzelner Karten begrenzt. Die Beseitigung von Datensilos, um eine effiziente Koordination zwischen „individueller“ und „Gruppenintelligenz“ sowie zwischen „mobilen Robotern“ und „Dockingstationen“ zu erreichen, bleibt eine dringende Herausforderung für die Branche.

Wichtige Innovationen

1. Entwickelte eine proprietäre3D-Vision-Sensormit weitreichenden, weiträumigen und hochauflösenden Wahrnehmungsfunktionen. Ein einzelner Sensor kann für mobile Roboter Positionierung und Navigation über große Entfernungen, Hindernisvermeidung über mittlere Entfernungen und hochpräzises Andocken über kurze Entfernungen ermöglichen.
2. Das Projekt nutzt die semantische Verbindung zwischen 2D- und 3D-Bildrahmen und konstruiert eine dichteSLAM-Systembasierend auf Deep Learning für industrielle Anwendungen. Durch die Implementierung von Techniken wie dynamische Objektfilterung, statische Merkmalsverbesserung und Bewegungsabschätzung von Unschärfebildern ermöglicht das System markerlose natürliche Navigation für mobile Roboter in hochdynamischen Umgebungen.
3. Entwickelte eine Methode zur generativen Posenschätzung „Feature-Image“. Unter Verwendung einer vielfältigen Beschreibung des sechsdimensionalen Raums konstruierte das Projekt einen dualmodalen Decoder für Posenmimikry und gemeinsame Merkmalsresiduen, um eine präzise Erkennung komplexer Ziele zu erreichen. Darüber hinaus entwickelte das Projekt eine Technologie zur autonomen Trajektorienplanung zur Hindernisvermeidung für Roboterarme in komplexen Umgebungen, die optimale Betriebstrajektorien generiert. Das Projekt führte auch eine auf Verstärkungslernen basierende Bewegungssteuerungstechnologie für Roboterarme ein, die auf Feedforward-Dynamikidentifikation basiert und hochpräzise Betriebsbewegungen ermöglicht.
4. Implementierung eines verteilten Planungssystems mit einem konfliktfreien Clustering-Ansatz, das die Beschränkungen der Planungsskala überwindet, die durch traditionelle Methoden der Konkurrenz wie Multi-Server-Erweiterung und Multi-Map-Segmentierung entstehen. Durch die Konzentration auf Aufgabenverwaltung und Zuordnung von Aufgaben nach verschiedenen Prozessen und die Nutzung einesGraph Convolutional Neural Network Optimierungsalgorithmusgelang es dem Projekt erstmals, Tausende mobile Roboter auf einer einzigen Karte koordiniert einzusetzen.

Der Bewertungsausschuss kam zu dem Schluss, dass dieses Projekt systematisch die Kerntechnologien und Software-Hardware-Systeme entwickelte für3D-Sehwahrnehmungund Cluster-intelligente Anwendungen für mobile Roboter in ultragroßen, komplexen Szenarien. Die Gesamtleistung ist international fortschrittlich, mit der3D-Sehwahrnehmungstechnologievon mobilen Robotern, die ein weltweit führendes Niveau erreichen.