Robotics AI: จากการรับรู้ไปจนถึงการควบคุม Edge ที่เชื่อถือได้

Robotics AI คืออะไร?

Robotics AI ใช้ความฉลาดของเครื่องจักรในการสังเกต การเลือกงาน หรือการกระทำของหุ่นยนต์ โดยอาจประมาณท่าทางของชิ้นส่วนสำหรับมือจับ ตีความฉากสำหรับหุ่นยนต์เคลื่อนที่ หรือระบุรายการที่ต้องมีการตรวจสอบ หุ่นยนต์จะรวมเอาเอาท์พุตนั้นเข้ากับการแปลเป็นภาษาท้องถิ่น การวางแผน การควบคุม และฮาร์ดแวร์ทางกายภาพ

มันเป็นส่วนหนึ่งของความกว้าง ภาพวิศวกรรม AI ทางกายภาพ. Edge AI อาจทำงานบนเครื่องเพื่อให้สามารถประมวลผลการสังเกตใกล้กับเซ็นเซอร์ได้ ซอฟต์แวร์ฟลีทและเครื่องมือออฟไลน์ยังคงสามารถรองรับการกำหนดเวลา การตรวจสอบข้อมูล และการพัฒนาแบบจำลองได้ การแยกควรเป็นไปตามข้อกำหนดด้านเวลา การเชื่อมต่อ และการบำรุงรักษา

ไม่ใช่ทุกฟังก์ชันของหุ่นยนต์ที่ต้องการโมเดลที่เรียนรู้ วิถีโคจรที่ทำซ้ำได้ เครื่องจักรสถานะที่ชัดเจน หรือวิธีการทางเรขาคณิตอาจง่ายกว่าในการตรวจสอบสำหรับงานที่กำหนดไว้อย่างชัดเจน วาง AI ในตำแหน่งที่การเปลี่ยนแปลงสร้างปัญหาที่แท้จริง จากนั้นประเมินว่าจะปรับปรุงขั้นตอนการทำงานทั้งหมดหรือไม่

เลือกงานก่อนสถาปัตยกรรมหุ่นยนต์

สิ่งเหล่านี้เป็นขอบเขตการพัฒนาผู้สมัคร ไม่ใช่รายการหุ่นยนต์ Alvexis ที่ปรับใช้ อธิบายขอบเขตการปฏิบัติงานอย่างชัดเจน: พื้นหรือภูมิประเทศ แสงสว่าง ผู้คน น้ำหนักบรรทุก เส้นทางที่อนุญาต และการกระทำที่ต้องห้าม การเปลี่ยนแปลงเงื่อนไขเหล่านั้นอาจเปลี่ยนปัญหามากกว่าการเลือกโมเดล AI ที่ใหญ่กว่า

สร้างเส้นทางที่ชัดเจนตั้งแต่เซ็นเซอร์ไปจนถึงการเคลื่อนไหว

การได้มาและการซิงโครไนซ์: บันทึกเมื่อได้รับข้อมูลการสังเกตแต่ละครั้ง กรอบพิกัด และเวอร์ชันการสอบเทียบ ตำแหน่งของวัตถุที่ตรวจพบไม่มีประโยชน์สำหรับมือจับจนกว่าการแปลงเป็นเฟรมหุ่นยนต์จะถูกต้อง อ่านของเรา คู่มือการซิงโครไนซ์เวลา ก่อนที่จะรวมกล้อง IMU และการวัดการเคลื่อนไหวเข้าด้วยกัน

การรับรู้และสถานะ: ตัดสินใจว่าขั้นต่อไปต้องการอะไรจริงๆ: ชั้นเรียน ท่าทาง การประมาณพื้นที่ว่าง หรือกิจกรรมที่รับรองความมั่นใจ เผยแพร่บริบทเพียงพอที่จะปฏิเสธเอาต์พุตเก่าหรือไม่ถูกต้อง กำหนดวิธีการทำงานของระบบเมื่อ เซนเซอร์ ถูกบดบัง การแปลเป็นภาษาท้องถิ่นสูญหาย หรือความเชื่อมั่นต่ำกว่าเกณฑ์ของแอปพลิเคชัน

อินเทอร์เฟซงานและการเคลื่อนไหว: รักษาขอบเขตที่มองเห็นได้ระหว่างเป้าหมายที่เสนอและส่วนประกอบที่ได้รับอนุญาตให้ดำเนินการ ผู้วางแผนอาจขอย้าย ระบบควบคุมยังคงต้องบังคับใช้สภาพการทำงานที่ได้รับอนุญาต กำหนดการยกเลิก การหมดเวลา การแทนที่ และการกลับสู่สถานะที่ทราบ

ฟังก์ชันการป้องกันจำเป็นต้องมีการออกแบบด้านความปลอดภัยเฉพาะการใช้งาน ไม่ควรนำเสนอโมเดล AI หรือแพ็คเกจการนำทางทั่วไปเป็นฟังก์ชันความปลอดภัยที่ได้รับการรับรอง ตัวอย่างเช่น Nav2 อธิบาย Collision Monitor เป็นเลเยอร์ซอฟต์แวร์เพิ่มเติม การมีอยู่ของมันไม่ได้หมายความว่าการติดตั้งหุ่นยนต์นั้นปลอดภัย

วัดอายุของการตัดสินใจ ไม่ใช่แค่เวลาอนุมาน

โมเดลที่รวดเร็วยังคงสามารถดำเนินการกับข้อมูลเก่าได้ การเปิดเผยหรือการได้มา การถ่ายโอน การจัดคิว การประมวลผลล่วงหน้า การอนุมาน การวางแผน และการส่งมอบคำสั่ง ทั้งหมดนี้มีส่วนช่วยในยุคของการสังเกตเมื่อไปถึงเครื่อง กำหนดจุดเริ่มต้นและจุดสิ้นสุดของการวัดเวลาแฝงทุกครั้ง

บันทึกการกระจายเวลาแฝงและจุดสูงสุดภายใต้การจับภาพ การบันทึก และการสื่อสารของกล้องพร้อมกัน ตรวจสอบว่าจะเกิดอะไรขึ้นเมื่อผู้บริโภคตามหลัง คิวที่เก็บรักษาการสังเกตเก่าทั้งหมดอาจไม่เหมาะสมกับการตัดสินใจในสถานะปัจจุบัน ในขณะที่การละทิ้งการสังเกตอาจไม่เป็นที่ยอมรับสำหรับบันทึกหลักฐาน กำหนดนโยบายที่ชัดเจนให้กับเส้นทางข้อมูลแต่ละเส้นทาง

เลือกฮาร์ดแวร์ Edge ตามปริมาณงานทั้งหมด

แสดงรายการอินเทอร์เฟซของกล้อง อัตรา เซนเซอร์ ตัวดำเนินการโมเดล บริการ CPU สำเนาหน่วยความจำ การเขียนที่จัดเก็บข้อมูล และอินเทอร์เฟซการควบคุม ก่อนที่จะเลือกโปรเซสเซอร์ การเร่งความเร็วที่รองรับมีความสำคัญมากกว่าจำนวนการดำเนินการพาดหัว ทดสอบโมเดลและสแต็กซอฟต์แวร์ที่ต้องการบนแพลตฟอร์มตัวแทน

ระบบเคลื่อนที่ยังนำมาซึ่งข้อจำกัดด้านพลังงานและความร้อนด้วย พิจารณากระแสไฟฟ้าในการสตาร์ท พฤติกรรมของแบตเตอรี่ การระบายความร้อนอย่างต่อเนื่อง การยึดขั้วต่อ และพื้นที่สำหรับการเข้าถึงบริการ คณะกรรมการห้องปฏิบัติการที่ทำงานเป็นเวลาสั้นๆ บนโต๊ะยังไม่ได้แสดงให้เห็นรอบการทำงานที่เป็นประโยชน์ภายในหุ่นยนต์แบบปิด ตัวเรือนอุปกรณ์

ForgeEdge-Core เป็นจุดเริ่มต้นสำหรับการหารือเกี่ยวกับการบูรณาการการประมวลผลแบบกำหนดเอง ForgeEdge-Duo จัดเตรียมสถาปัตยกรรมเพื่อหารือเกี่ยวกับการประมวลผลแอปพลิเคชันควบคู่ไปกับการควบคุมแบบเรียลไทม์ ต้องตรวจสอบความเหมาะสมของผลิตภัณฑ์ การสนับสนุนซอฟต์แวร์ และฟังก์ชันการป้องกันโดยเทียบกับความต้องการของหุ่นยนต์ ที่ คู่มือ FPGA, NPU และ MPU ช่วยแยกบทบาทการประมวลผล

ใช้การจำลองเพื่อตอบคำถามเฉพาะ

สร้างการจำลองการตัดสินใจ: ความสามารถในการเข้าถึง ตำแหน่ง เซนเซอร์ ลอจิกเส้นทาง หรืองานการจัดการที่ทำซ้ำได้ เปลี่ยนแปลงปัจจัยที่อาจทำลายการออกแบบ เช่น ท่าทางของวัตถุ สมมติฐานด้านแรงเสียดทาน เสียง เซนเซอร์ หรือสิ่งกีดขวางที่ไม่คาดคิด เก็บเวอร์ชันการจำลองและคำจำกัดความของสถานการณ์พร้อมกับผลการทดสอบ

NVIDIA's ตัวอย่างซิมสู่จริง สาธิตเส้นทางจากงานจำลองไปสู่หุ่นยนต์จริง สำหรับโปรแกรมผลิตภัณฑ์ การถ่ายโอนยังคงเป็นสิ่งที่ต้องทดสอบ เปรียบเทียบหุ่นยนต์ทางกายภาพกับสมมติฐานในแบบจำลอง รวมถึงเวลา การปฏิบัติตามข้อกำหนดทางกลไก และเซ็นเซอร์ที่ติดตั้ง

อย่าใช้ความสำเร็จในการจำลองมาทดแทนการทดสอบเดินเครื่อง ขั้นตอนต่อไปที่ดีคือการทดลองทางกายภาพแบบจำกัดด้วยเอาต์พุตแบบมีอุปกรณ์ควบคุมและแฮนด์ออฟของผู้ปฏิบัติงานที่ตกลงกันไว้ ขยายขอบเขตปฏิบัติการหลังจากตรวจสอบหลักฐานแล้วเท่านั้น

ความล้มเหลวในการทดสอบและการสาธิตที่ประสบความสำเร็จ

เก็บบันทึกฮาร์ดแวร์ เฟิร์มแวร์ รุ่น เวอร์ชันการสอบเทียบ และการกำหนดค่าสำหรับการทำงานแต่ละครั้ง อัตราความสำเร็จโดยรวมนั้นยากต่อการตีความหากไม่มีหมวดหมู่งานและความล้มเหลว รายงานประสิทธิภาพตามสถานการณ์ และเก็บกรณีที่ยากไว้ในชุดการประเมินเมื่อทำการปรับปรุงระบบ

สิ่งที่ต้องนำไปอภิปรายทางวิศวกรรม

แชร์วิดีโอหรือแผนผังสั้นๆ ของงาน อินเทอร์เฟซของหุ่นยนต์หรือเครื่องจักร เซ็นเซอร์ที่มีอยู่ และข้อจำกัดด้านพื้นที่ กำลัง และการทำความเย็น ระบุว่าใครเป็นเจ้าของหุ่นยนต์ควบคุม ใครเป็นผู้ให้ข้อมูลการใช้งาน และใครยอมรับระบบที่เสร็จสมบูรณ์ ขอบเขตเหล่านี้ทำให้ข้อเสนอต้นแบบและการพึ่งพามีความชัดเจนยิ่งขึ้น

Alvexis สามารถพูดคุยเกี่ยวกับ บอร์ดฐาน แบบกำหนดเอง, อินเทอร์เฟซการตรวจจับ, การประมวลผลแบบฝัง, ตัวเรือนอุปกรณ์ และงานบูรณาการที่จำเป็นสำหรับแพลตฟอร์มที่เลือก สำหรับหุ่นยนต์ทางการแพทย์ เริ่มต้นด้วยแบบแยก คู่มือวิศวกรรมการดูแลสุขภาพ ดังนั้นวัตถุประสงค์ทางคลินิกและความรับผิดชอบในการตรวจสอบจึงถูกกำหนดขึ้นตั้งแต่เนิ่นๆ

ROS 2, SLAM และการรับรู้สำหรับหุ่นยนต์เคลื่อนที่อัตโนมัติ

หุ่นยนต์เคลื่อนที่อัตโนมัติ (AMR) ต้องการมากกว่าการตรวจจับวัตถุ มันจะต้องประมาณตำแหน่ง ตีความสิ่งกีดขวางในบริเวณใกล้เคียง และสร้างคำสั่งการเคลื่อนไหวภายในขอบเขตที่กำหนด SLAM หมายถึงการแปลและการทำแผนที่พร้อมกัน บทบาทของมันแตกต่างจากการจดจำวัตถุในภาพจากกล้อง LiDAR, กล้อง, การวัดระยะทางของล้อ และข้อมูล IMU สามารถสนับสนุนได้ตามสถาปัตยกรรมที่เลือก

ในโปรเจ็กต์การนำทาง ROS 2 ให้ยอมรับเฟรมพิกัด การจัดการการประทับเวลา อัตราข้อความ และอายุข้อมูลสูงสุดก่อนการรวม ทดสอบการทำแผนที่และการแปลตำแหน่งที่หุ่นยนต์จะทำงาน รวมถึงการเปลี่ยนแปลงสิ่งกีดขวางและลักษณะการมองเห็นที่อ่อนแอ ซอฟต์แวร์การนำทางและฮาร์ดแวร์การรับรู้ไม่ได้แทนที่การประเมินความเสี่ยงและมาตรการความปลอดภัยของหุ่นยนต์โดยอิสระ

การออกแบบกล้อง การซิงโครไนซ์ LiDAR และ IMU