如何优化内部物流以简化和加速工业 4.0 供应链运行 - 第 2/2 部分

作者：jeff shepard
投稿人：digikey 北美编辑
本系列关于内部物流的文章[ 第 1 部分 ]讨论了如何在系统层面使用自主移动机器人 (amr) 和自动引导车辆 (agv) 来实施内部物流，并根据需要快速、安全地移动材料等相关问题。本文重点介绍使用案例，以及 amr 和 agv 如何利用传感器识别和跟踪物品，机器学习 (ml) 和人工智能 (ai) 如何在整个仓库和生产设施中支持材料识别、移动和交付。
内部物流利用自主移动机器人 (amr) 和自动引导车辆 (agv) 在工业 4.0 仓库和生产设施中高效移动材料。为了简化和加快供应链运行，内部物流系统需要知道材料的当前位置、材料的预定目的地，以及材料到达目的地的最安全、最高效路径。这种流线型导航需要多种传感器。
在内部物流解决方案中，agv 和 amr 利用传感器来增强情景感知能力。传感器阵列可保障附近人员的安全、保护其他设备，并实现高效导航和定位。根据不同的应用需求，amr 的传感器技术可包括接触式传感器（如内置在保险杠中的限位开关）、2d 和 3d 光探测和测距 (lidar)、超声波、2d 和立体相机、雷达、编码器、惯性测量装置 (imu) 以及光电池。对于 agv，传感器可包括磁性、电感式或光学线路传感器，以及内置在保险杠中的限位开关、2d lidar 和编码器。
本系列的第一篇文章介绍了如何在系统层面使用 amr 和 agv 来实施内部物流并根据需要高效移动材料。
本文重点介绍传感器融合，以及 amr 和 agv 如何将传感器与 ai 和 ml 结合使用，以实现定位、导航和操作安全。文中首先简要回顾了 agv 中常见的传感器，研究了使用传感器融合的机器人姿态及同步定位和映射 (slam) 算法，探讨了如何利用扫描到地图匹配和扫描到扫描匹配技术改进 slam 估计值，最后介绍了传感器融合如何促进 amr 和 agv 的安全运行。digikey 为设计人员提供各种[传感器和开关]，适用于所有这些情况下的机器人和其他工业应用。
为支持 amr 的自主运行和安全性，需要一系列传感器和传感器融合、ai、ml 及无线连接。虽然对 agv 的性能要求不高，但 agv 仍然依赖多个传感器来支持安全和高效运行。传感器分为两大类：
本体感应传感器，可测量机器人内部的数值，如轮速、负载、电池电量等。外部感应传感器，可提供有关机器人所处环境的信息，如距离测量、地标位置和障碍物识别（如进入机器人路径的人员）。agv 和 amr 中的传感器融合依赖于本体感应和外部感应传感器的组合。amr 中传感器的示例包括（图 1）：
用于物体探测的激光扫描仪，探测距离超过 20 m带有 6 轴陀螺仪和加速计的 imu，有时还包含磁力计车轮上的编码器，分辨率以 mm 计接触式传感器，如保险杠上的微动开关，可在接触到意外物体时立即停止运动两个前视 3d 摄像头，拍摄范围 4 m下视传感器，用于检测平台边缘（称为悬崖检测）用于提供连接的通信模块，并可选择提供用于实时定位服务 (rtls) 的蓝牙到达角 (aoa) 和出发角 (aod) 感测，或 5g 发射点/接收点 (trp)，以厘米级精度绘制网格图2d lidar，可计算车辆前方的障碍物距离广角 3d 深度视觉系统，适合物体识别和定位板载高性能计算处理器，用于传感器融合、ai 和 ml图 1：显示嵌入式传感器的多样性和位置的示例 amr。（图片来源：qualcomm）
机器人姿态和传感器融合amr 导航是一个复杂的过程。第一步是让 amr 知道自己的位置和方向。这些数据的组合称为机器人姿态。姿态的概念也适用于多轴固定式机器人的手臂和末端执行器。传感器融合将来自 imu、编码器和其他传感器的输入相结合，以确定姿态。姿态算法可以估算出机器人的 (x, y) 位置以及相对于坐标轴的方位角 θ。函数 q = (x, y, θ) 定义了机器人的姿态。对于 amr 而言，姿态信息有多种用途，包括：
入侵者（如靠近机器人的人员）相对于外部参照系或相对于机器人的姿态机器人以给定速度运动一段时间后的估计姿态计算机器人从当前姿态移动到下一姿态所需的速度曲线在一些机器人软件开发环境中，姿态是一种预定义功能。例如，机器人操作系统 (ros) 中就包含了 robot_pose_ekf 软件包，前者是一个开源开发平台。robot_pose_ekf 可用于根据来自各种传感器的（部分）姿态测量值估算机器人的 3d 姿态。其使用扩展 kalman 滤波器和 6d 模型（3d 位置和 3d 方向），将编码器（用于车轮里程测量）、摄像头（用于视觉里程测量）和 imu 的测量结果相结合。由于各种传感器的运行速度和延迟时间各不相同，因此 robot_pose_ekf 并不要求所有传感器数据都能连续或同时提供。每个传感器用于提供一个带有协方差的姿态估计值。robot_pose-ekf 可识别任何时间点的可用传感器信息，并做出相应调整。
传感器融合和 slam运行 amr 的许多环境中都有时常移动的可变障碍物。虽然设施的基础地图很有用，但还需要更多。在工业设施内移动时，amr 需要的不仅仅是姿态信息，还需要利用 slam 来确保高效运行。slam 增加了实时环境映射功能，以支持导航。两种基本 slam 方法是：
视觉 slam，将摄像头与 imu 配对lidar slam，将 2d 或 3d lidar 等激光传感器与 imu 相结合lidar slam 比视觉 slam 更精确，但实施成本通常更高。另外，还可利用 5g 来提供定位信息，以改善视觉 slam 估计值。在仓库和工厂中使用专用 5g 网络可以增强 slam 的嵌入式传感器。一些 amr 利用 5g 发送点/接收点 (trp) 实现室内精确定位，在 x、y 和 z 轴上绘制出厘米级精度的网格。
成功的导航依赖于 amr 适应不断变化的环境因素的能力。导航结合了视觉 slam 和/或 lidar slam、5g trp 等叠加技术以及 ml，以检测环境变化并提供持续的位置更新。传感器融合从多个方面支持 slam：
利用 ai 和 ml，根据各种传感器的输入，持续更新环境的空间和语义模型识别障碍物，从而使路径规划算法能够进行必要的调整，并在环境中找到最有效的路径实施路径计划需要实时控制，以根据环境变化改变计划路径，包括 amr 的速度和方向当 slam 还不够时slam 是实现高效 amr 导航的重要工具，但仅靠 slam 还不够。与姿态算法一样，slam 也是通过提供估计值的扩展 kalman 滤波器来实现。slam 估计值扩展了姿态数据，增加了线性和旋转速度以及线性加速度等。slam 估算过程分为两步：第一步是根据物理运动规律，利用内部传感器分析进行预测。slam 估算的第二步需要外部传感器读数来完善初步估计值。这两步有助于消除和纠正小错误，否则这些小错误可能会随着时间的推移而产生重大错误。
slam 依赖于传感器输入的可用性。在某些情况下，成本相对较低的 2d lidar 可能无法工作，例如在传感器的直接视线范围内没有物体。在这种情况下，3d 立体相机或 3d lidar 可以提高系统性能。不过，3d 立体相机或 3d lidar 的成本较高，而且需要更强的计算能力才能实现。
另一种方法是使用导航系统，该系统将 slam 与扫描到地图匹配和扫描到扫描匹配技术相结合，仅使用 2d lidar 传感器即可实现（图 2）：
扫描到地图匹配使用 lidar 测距数据，通过将测距测量结果与存储的地图进行匹配来估计 amr 的位置。这种方法的有效性取决于地图的准确性。其不会随时间的推移而发生漂移，但在重复性环境中，它可能会导致难以识别的错误，引起感知位置的不连续变化，并且难以消除。扫描到扫描匹配利用连续的 lidar 测距数据来估计两次扫描之间 amr 的位置。这种方法可为 amr 提供独立于任何现有地图的最新位置和姿态信息，在创建地图时非常有用。然而，这是一种增量算法，随着时间的推移可能会发生漂移，而且无法识别漂移带来的不准确性。图 2：扫描到地图和扫描到扫描匹配算法可用于补充和提高 slam 系统的性能。（图片来源：aethon）
安全性需要传感器融合安全性是 agv 和 amr 的关键问题，必须符合多项标准。例如，美国国家标准协会/工业车辆标准化发展基金会 (ansi/itsdf) b56.5-2019《无人驾驶、自动引导工业车辆和有人驾驶工业车辆自动功能安全标准》、美国国家标准协会/机器人工业协会 (ria) r15.08-1-2020《工业移动机器人标准 – 安全要求》、若干国际标准化组织 (iso) 标准等。
agv 和 amr 的安全运行需要传感器融合，即将经过安全认证的 2d lidar 传感器（有时称为安全激光扫描仪）与车轮上的编码器相结合。2d lidar 同时支持两种探测距离，感应角可达 270°，并与编码器报告的车速相协调。当在较远的探测区域（根据传感器的不同，最远可达 20 m）检测到物体时，车辆可根据需要减速。如果物体进入行进路线中较近的探测区域，车辆就会停止行驶。
安全激光扫描仪通常以 4 台为一组，在车辆的每个角落各放置一台。它们可以作为一个整体运行，并与车辆上的安全控制器直接通信。扫描仪经认证可用于安全类别 3、性能等级 d (pld) 和安全完整性等级 2 (sil2) 的应用，其封装于 ip65 外壳中，适合大多数室外和室内应用（图 3）。扫描仪包括来自车轮的增量式编码器信息输入，以支持传感器融合。
图 3：像这样的 2d lidar 传感器可与车轮上的编码器相结合，组成一个传感器融合系统，从而确保 amr 和 agv 的安全运行。（图片来源：idec）
总结内部物流为工业 4.0 仓库和工厂提供更快、更高效的供应链支持。amr 和 agv 是内部物流的重要工具，可及时、安全地将材料从一个地方运送到另一个地方。而支持各项 amr 和 agv 功能，包括确定姿态、计算 slam 数据、利用扫描到地图匹配和扫描到扫描匹配技术提高导航性能，以及确保整个设施内人员和物体的安全，则必需传感器融合。