Reconhecimento Oficial|Lanxin Recebe Certificado de Registro de Conquistas em Ciência e Tecnologia da Província de Zhejiang

Recentemente,Lanxin, um líder eminteligência artificialerobótica, alcançou um marco significativo, como oDepartamento Provincial de Ciência e Tecnologia de Zhejiangconcedeu oficialmente à empresa oCertificado de Registro de Conquistas em Ciência e Tecnologia(Número de registro: DJ101002024Y0420). Este prestigioso reconhecimento destaca a pesquisa pioneira da empresa emIAetecnologias robóticas, afirmando o valor e o impacto do seu trabalho inovador nessas áreas de vanguarda.

Resumo da Conquista Tecnológica Reconhecida: "Percepção de Visão 3D e Aplicações Inteligentes de Cluster para Robôs Móveis em Cenários Complexos Ultra-Grandes"

Missão e Significado

Como a aplicação derobôs móveis industriaisse aprofunda, os ambientes operacionais estão se tornando cada vez maiores e mais complexos, com requisitos de precisão mais altos. O número de robôs móveis necessários para coordenação em um único local continua a crescer com a escala das operações comerciais.Cenários complexos ultra-grandesapresentam novos desafios para robôs móveis: dentro desses ambientes expansivos e altamente dinâmicos, é necessária uma coordenação de robôs em larga escala, enquanto os robôs devem executar operações precisas em alvos complexos, como objetos refletivos ou de pequeno porte. Portanto, estabelecer uma estrutura técnica abrangente para operações precisas de robôs móveis em cenários ultragrandes e complexos e alcançar uma aplicação de nível industrial é crucial para ganhar uma vantagem competitiva na indústria global.

OTecnologia AMR (Autonomous Mobile Robot)campo é extenso e complexo. Os atuais avanços nacionais e internacionais emtecnologia de sensores, navegação, eagendamento robóticoainda não se adaptaram totalmente aos requisitos operacionais precisos de robôs em ambientes ultra-grandes e complexos. A questão central reside na necessidade de aprimorar as capacidades dos robôs para percepção e compreensão abrangentes em tempo real de ambientes dinâmicos e complexos e suas próprias operações. Este projeto se concentra em "3D Vision Fusion Perception + AI Large Model Technology" para construir um sistema técnico completo paranavegação natural SLAM semântica, estimativa de pose de objeto alvo, planejamento de trajetória de braço robótico autônomo, controle de movimento de alta precisão e programação de robôs móveis em larga escala em ambientes complexos. Este sistema se adapta melhor a cenários de fabricação diversos, personalizados e em larga escala, ampliando o escopo de aplicação deRAMse melhorando a estabilidade, a segurança e a precisão.

Desafios técnicos

Com a expansão das aplicações industriais dos AMRs, a fabricação personalizada e flexível está se tornando a principal força motriz do futurofábricas inteligentes. A indústria de manufatura está exigindo maior complexidade e precisão, especialmente para robôs móveis operando em ambientes complexos ultragrandes e altamente dinâmicos. No entanto, vários gargalos técnicos permanecem:

1. Em larga escalaOperações AMR, os sensores devem perceber informações ambientais a distâncias de 30 metros ou mais com um amplo campo de visão e alta resolução. No entanto, poucos sensores domésticos atendem a essas necessidades de percepção de longo alcance. Os sensores de visão 3D convencionais, tanto domésticos quanto internacionais, geralmente sofrem de campo de visão insuficiente e baixa resolução.
2. Nos últimos anos, os robôs móveis têm dependido principalmente deSLAM baseado em laser(Simultaneous Localization and Mapping) para mapeamento de cena e aquisição de informação. No entanto, essa abordagem enfrenta desafios significativos na robustez da localização espacial e também é custosa.
3. Em operações práticas, robôs que se movem sobre grandes áreas precisam executar tarefas precisas em alvos complexos, como objetos refletivos ou pequenos. Robôs frequentemente enfrentam erros de reconhecimento que afetam a precisão e a confiabilidade operacional. Além disso, há uma falta de planejamento de trajetória de prevenção de obstáculos autônomos e tecnologia de controle de movimento de alta precisão para braços robóticos em ambientes complexos.

A complexidade dos algoritmos de agendamento aumenta exponencialmente com a escala dos robôs móveis. Métodos tradicionais, como segmentação multimapa para planejamento de rotas, são limitados pela escala de agendamento e capacidades de agendamento de mapa único. Abordar silos de dados para alcançar coordenação eficiente entre inteligência "individual" e "de grupo", bem como entre "robôs móveis" e "estações de acoplamento", continua sendo um desafio urgente para a indústria.

Principais inovações

1. Desenvolveu um proprietárioSensor de visão 3Dcom capacidades de percepção de longo alcance, ampla área e alta resolução. Um único sensor pode atingir posicionamento e navegação de longo alcance, evitar obstáculos de médio alcance e acoplar alta precisão de curto alcance para robôs móveis.
2. Utilizando a associação semântica entre quadros co-visuais 2D e 3D, o projeto constrói uma densaSistema SLAMbaseado em aprendizado profundo para aplicações industriais. Ao implementar técnicas como filtragem dinâmica de objetos, aprimoramento de recursos estáticos e estimativa de movimento de imagem desfocada, o sistema permite navegação natural sem marcadores para robôs móveis em ambientes altamente dinâmicos.
3. Desenvolveu um método de estimativa de pose generativa de "imagem de característica". Usando uma descrição múltipla do espaço de seis dimensões, o projeto construiu um decodificador dual-modal para mimetismo de pose e resíduos de características conjuntas para obter reconhecimento preciso de alvos complexos. Além disso, o projeto estabeleceu tecnologia de planejamento de trajetória de prevenção de obstáculos autônoma para braços robóticos em ambientes complexos, gerando trajetórias operacionais ideais. O projeto também introduziu tecnologia de controle de movimento de aprendizado por reforço para braços robóticos com base em feedforward de identificação dinâmica, obtendo movimento operacional de alta precisão.
4. Implementou um sistema de agendamento distribuído usando uma abordagem de clustering sem conflitos, superando as limitações de escala de agendamento impostas pelos métodos tradicionais dos concorrentes, como expansão de vários servidores e segmentação de vários mapas. Ao focar no gerenciamento de tarefas e combinar tarefas de acordo com diferentes processos, e alavancar umaalgoritmo de otimização de rede neural convolucional de gráfico, o projeto conseguiu, pela primeira vez, coordenar o agendamento de milhares de robôs móveis em um único mapa.

O comité de avaliação concluiu que este projecto desenvolveu sistematicamente as principais tecnologias e sistemas de software-hardware paraPercepção da visão 3De agrupar aplicações inteligentes para robôs móveis em cenários ultragrandes e complexos. A conquista geral é avançada internacionalmente, com oTecnologia de percepção de visão 3Dde robôs móveis atingindo um nível de liderança mundial.