机器视觉在自主移动机器人市场上大行其道

几十年来，随时随地能够稳定地从人类运营商那里稳定地拍摄了肮脏，危险和沉闷的工作。然而，直到最近，转移托盘，零件和库存周围的托盘，零件和库存的任务在很大程度上仍然存在于人类的手中。

amr被设计为在繁忙的生产和仓库地板上动态、高效和安全地操作，而不依赖固定的外部基础设施进行导航。与agv相比，这使得agv更加灵活，但它也需要更复杂的计算和软件来快速融合来自多个成像和传感器技术的数据，以实时制定导航决策。图片由移动工业机器人提供。

随着自动导航车辆(agv)的出现，这种情况开始发生改变。自动导航车辆为大型物流和生产设施的材料运送增加了更大的灵活性——只要这些设施具有可预见的一致布局和特定的导航基础设施，如电线、磁条或反射器。agv携带足够的机载传感器和智能设备，可以利用这些基础设施进行导航，并在障碍物阻碍其预先设定的旅行路径时停止前进。即使是对路线进行微小的改变，也意味着要移动导航基础设施，这可能需要对周围设施进行昂贵且破坏性的改变。

进入自主移动机器人（AMRS）。AMRS包含额外的软件和传感器技术，允许它们验证其在设施的内部存储的地图上的位置，并在其路径中随机障碍动态导航，以查找到目标目的地的最有效路由。

移动工业机器人公司(MiR)美国东部销售总监乔什•克洛尔(Josh Cloer)表示:“从商业角度来看，amr的价值在于其导航系统完全独立于机器人。”“你不需要像使用AGV那样依赖外部基础设施和机器人本身。”

agv和amr的市场不同于其他终端市场，后者将不同的机器视觉技术相互竞争，以争夺市场份额。相反，这些移动平台为多个成像组件和其他传感器技术提供了空间。来自多个传感器的重叠输入有助于在具有挑战性的工业环境中最大限度地提高机器人的安全性和效率。

滚动恐怖秀

ifm特效公司机器人感知业务发展主管加勒特•普雷斯(Garrett Place)表示，在这种情况下，“具有挑战性”可能还不够夸张。“到处都是反光镜，到处都是收缩膜，闪闪发光的金属，不断移动的物体。灯都关了。灯开着。对成像系统来说，这是一场可怕的表演。”

因此需要数据融合。“没有独角兽，”地点增加了。“本地化最好用长长的范围内完成稀疏点云，以获得您需要的保真度，而近距离的障碍物检测更适合较高的点，例如从3D摄像机获得。看到玻璃最好用超声波或雷达完成。今天所有这些东西都存在于标准移动机器人上。“

MiR机器人为当今许多移动平台上的传感器套件提供了一个代表性的模型。该公司所有的机器人都有两个激光扫描仪-特别是安装在前面和后面的SICK microScan3扫描仪，提供360度视野(FOV)，以发现8米远的物体。这些激光雷达系统支持本地化和安全性。除了帮助机器人规划新设施外，它们还能确保机器人在导航时能动态避开障碍物和人。扫描仪的红外激光通过提供一定程度的防晒和防尘来进一步保证安全性。

MIR机器人还利用两个前向英特尔D435深度相机的3D成像，以检测大约2米高的FOV中的障碍物。该垂直FOV对于检测桌子，悬臂障碍物或悬空物体非常重要，这些物体在机器人的路径中看起来很高，但仍然对其承载的负载构成了风险。

另外24个接近传感器——MiR机器人的每个角落6个——扫描地板，寻找不到20厘米高的物体，如托盘、电缆和人的脚。较小的有效载荷模型添加超声波传感器来检测玻璃，而MiR的重型有效载荷机器人携带地面扫描飞行时间(ToF)系统作为传感器套件的一部分。

amr和agv上常见的其他传感器包括加速度计和陀螺仪，用于感知惯性力、加速度和旋转。每个轮子上的编码器测量速度，以便准确地反馈给激光扫描仪，以检测机器人是否在潮湿的地板上打滑。

加快最后一米

无论AVG或AMR导航多少仓库或生产车间，它的大部分效率和价值都来自于“最后一个仪表”，在那里它完成了被设计的任务。无论这项任务是人工辅助还是自动化，导航最后一个仪表都要求更高的精度和可重复性，以与人工操作员的效率竞争。

“我们讨论的是agv任务的效率，”Place说。“这个移动托盘的机器人一小时、轮班或一天能完成多少任务?”如果AGV车队可以在每辆车上节省3到4秒的时间，那么在一个班次或一天的时间里，这些效率加起来就相当于人类通常所能提供的效率。”

最后仪表所需的增强的重复性和效率可以来自改进传感器，软件，处理和/或整体系统设计。一些AMR系统从AGVS借用一章，并依靠地板上的磁带短长度或QR码进行速度对接。MIR使用这些工具在最后仪表上提供10毫米精度。

也就是说，更清洁的，更强大的传感器输入可以帮助提高最后仪表的精度和效率，并且还可以帮助减轻处理系统和软件的负载。“这么多的软件问题正在减轻环境中的文物，”地点说。“如果硬件供应商可以用设计为此，则需要使用较少的工作来完成过滤。而且你将降低这些问题的障碍。“

然而，软件开发人员仍然面临一些挑战，Sean Kelly补充道，他是ifm特效机器人感知高级软件工程师。以ifm托盘检测系统的软件驱动为例。“这一切都是为了改善我们所工作的世界的模型。在码垛中，我们经常讨论拉伸包装的建模。这需要查看成百上千个独特的实例，尝试建模拉伸膜在你使用的成像仪中的样子，以及它通过不同的相机的样子。你要手工裁剪这些算法，从你想要寻找的东西中分离出噪音。这就是现在所有解决方案、公司和传感器的游戏本质。”

在软件可以从移动平台的传感器模拟数据流之前，必须将数据快速处理并编译成公共格式。这意味着将稀疏点云数据与来自立体摄像机的RGB图像的激光扫描仪组合，并实时地融合来自TOF摄像机，超声波和雷达传感器的附加数据，以及陀螺仪和加速度计信号。需要额外的校准来考虑所有这些传感器的相对位置，因为它们在移动平台上捕获来自不同视角的数据。最后，机器人必须基于环境和其他因素来主动决定哪些传感器。

“这是整个故障过程背后对各种传感器提供了重量，这是一个动态的过程，”凯莉说。“没有普遍的架构。但是，我们看到边缘处理的趋势，因为您可以将所有决策中的所有决策集中到数据即将到来，以最大限度地减少不同时钟对不同东西的不同计算机上的不同时钟的影响。如果它全部发生在一个地点，那么很多挑战都变得更容易

agv和amr正在为生产和物流设施的自动化运输任务的提高效率和更快的投资回报铺平道路。然而，更大的自主权带来了更大的挑战。随着视觉提供商不断推出高性能成像系统、改进的软件建模和更健壮的数据处理，这些移动平台将越来越有能力安全有效地导航动态生产环境。