Officiellt erkännande|Lanxin tilldelades Zhejiang-provinsens registreringscertifikat för vetenskap och teknik

Nyligen,Lanxin (Lanxin), en ledare inomartificiell intelligensochrobotik, uppnått en betydande milstolpe, somZhejiang Provinsiell Avdelning av Vetenskap och Teknikofficiellt tilldelas företagetRegistreringscertifikat för vetenskap och teknik(Registreringsnr: DJ101002024Y0420). Detta prestigefyllda erkännande lyfter fram företagets banbrytande forskning inomArtificiell intelligensochrobotteknik, som bekräftar värdet och effekten av deras innovativa arbete i dessa banbrytande områden.

Sammanfattning av den erkända tekniska prestationen: "3D Vision Perception och Cluster Intelligent Applications for Mobile Robots in Ultra-Large Complex Scenarios"

Uppdrag och betydelse

Som tillämpningen avindustriella mobila robotarfördjupas blir operativa miljöer allt mer stora och komplexa, med högre precisionskrav. Antalet mobila robotar som behövs för samordning på en enda plats fortsätter att växa med omfattningen av affärsverksamheten.Extremt stora komplexa scenarierpresentera nya utmaningar för mobila robotar: inom dessa expansiva och mycket dynamiska miljöer krävs storskalig robotkoordination, medan robotarna måste utföra exakta operationer på komplexa mål som reflekterande eller små föremål. Därför är det avgörande att etablera ett omfattande tekniskt ramverk för exakta operationer av mobila robotar i extremt stora, komplexa scenarier och uppnå industriella tillämpningar för att få en konkurrensfördel i den globala industrin.

DeAMR-teknik (Autonomous Mobile Robot).området är omfattande och komplext. Aktuella inhemska och internationella framsteg inomsensorteknik, navigering, ochrobotisk schemaläggninghar ännu inte helt anpassat sig till de exakta driftskraven hos robotar i extremt stora komplexa miljöer. Kärnfrågan ligger i behovet av att förbättra robotarnas kapacitet för omfattande realtidsuppfattning och förståelse av dynamiska, komplexa miljöer och deras egen verksamhet. Detta projekt fokuserar på "3D Vision Fusion Perception + AI Large Model Technology" för att bygga ett komplett tekniskt system försemantisk SLAM naturlig navigering, uppskattning av målobjektposition, autonom robotarms banaplanering, högprecisionsrörelsekontroll och storskalig mobil robotschemaläggning i komplexa miljöer. Detta system anpassar sig bättre till olika, skräddarsydda och storskaliga tillverkningsscenarier, vilket breddar tillämpningsområdet förFörvarningsmedeloch förbättrar stabilitet, säkerhet och precision.

Tekniska utmaningar

Med de växande industriella tillämpningarna av AMRs blir personlig och flexibel tillverkning framtidens drivkraftsmarta fabriker. Tillverkningsindustrin kräver högre komplexitet och precision, särskilt för mobila robotar som arbetar i extremt stora, mycket dynamiska komplexa miljöer. Men flera tekniska flaskhalsar kvarstår:

1. I stor skalaAMR-verksamhet, sensorer måste uppfatta miljöinformation från avstånd på 30 meter eller mer med ett brett synfält och hög upplösning. Det är dock få hushållssensorer som uppfyller dessa långväga perceptionsbehov. Vanliga 3D-synsensorer, både nationellt och internationellt, lider vanligtvis av otillräckligt synfält och låg upplösning.
2. De senaste åren har mobila robotar i första hand förlitat sig pålaserbaserad SLAM(Simultaneous Localization and Mapping) teknologi för scenkartläggning och informationsinhämtning. Detta tillvägagångssätt står dock inför betydande utmaningar när det gäller robusthet för rumslig lokalisering och är också kostsamt.
3. I praktiska operationer behöver robotar som rör sig över stora ytor utföra exakta uppgifter på komplexa mål som reflekterande eller små föremål. Robotar möter ofta igenkänningsfel som påverkar operativ precision och tillförlitlighet. Dessutom saknas autonom bana för undvikande av hinder och högprecisionsteknik för rörelsekontroll för robotarmar i komplexa miljöer.

Komplexiteten i schemaläggningsalgoritmer ökar exponentiellt med omfattningen av mobila robotar. Traditionella metoder, såsom segmentering av flera kartor för ruttplanering, begränsas av schemaläggningsskalan och schemaläggningsmöjligheterna med en enda karta. Att adressera datasilos för att uppnå effektiv samordning mellan "individuell" och "grupp" intelligens, såväl som mellan "mobila robotar" och "dockningsstationer", är fortfarande en pressande utmaning för branschen.

Nyckelinnovationer

1. Utvecklade en egenutvecklad3D vision sensormed lång räckvidd, bredarea och högupplöst perceptionsförmåga. En enda sensor kan uppnå positionering och navigering på lång räckvidd, undvikande av hinder på mellandistans och högprecisionsdockning på nära håll för mobila robotar.
2. Genom att använda den semantiska associationen mellan 2D och 3D samvisuella ramar, konstruerar projektet en tätSLAM systembaserad på djupinlärning för industriella tillämpningar. Genom att implementera tekniker som dynamisk objektfiltrering, förbättring av statiska funktioner och rörelseuppskattning av oskärpa, möjliggör systemet markörlös naturlig navigering för mobila robotar i mycket dynamiska miljöer.
3. Utvecklade en "feature-image" generativ poseskattningsmetod. Med hjälp av en mångfaldig beskrivning av det sexdimensionella utrymmet, konstruerade projektet en dubbelmodal avkodare för posemimik och gemensamma egenskaper för att uppnå exakt igenkänning av komplexa mål. Dessutom etablerade projektet autonom vägplaneringsteknik för undvikande av hinder för robotarmar i komplexa miljöer, vilket genererade optimala operativa banor. Projektet introducerade också förstärkningslärande rörelsekontrollteknik för robotarmar baserad på dynamikidentifiering framåt, vilket uppnår operativa rörelser med hög precision.
4. Implementerade ett distribuerat schemaläggningssystem med en konfliktfri klustringsmetod, och övervann begränsningarna i schemaläggningsskala som konkurrenternas traditionella metoder som multi-server expansion och multi-map segmentering utgör. Genom att fokusera på uppgiftshantering och matcha uppgifter enligt olika processer, och utnyttja engraf konvolutionell neurala nätverksoptimeringsalgoritm, uppnådde projektet framgångsrikt koordinerad schemaläggning av tusentals mobila robotar på en enda karta för första gången.

Utvärderingskommittén drog slutsatsen att detta projekt systematiskt utvecklade kärnteknologierna och mjukvaru-hårdvarusystemen för3D vision perceptionoch kluster intelligenta applikationer för mobila robotar i extremt stora, komplexa scenarier. Den övergripande prestationen är internationellt avancerad, med3D vision perception teknologimobila robotar som når en världsledande nivå.