Compreendendo a aplicação da visão 3D no campo AGV/AMR

Conclusão principal:

A visão 3D permite que robôs móveis vejam, entendam e interajam com seu ambiente. É uma tecnologia multidisciplinar que combina computação gráfica, visão computacional e inteligência artificial. A tecnologia de visão 3D captura as coordenadas tridimensionais de cada ponto dentro de seu campo de visão por meio de câmeras 3D, reconstruindo uma imagem 3D usando algoritmos. Comparada à imagem 2D, a visão 3D é mais estável, resiliente a mudanças ambientais e de iluminação, e oferece uma melhor experiência ao usuário e maior segurança.

Caminhos da tecnologia de visão 3D

Sensores 3D agem como os "olhos" da visão 3D, usando combinações de múltiplas câmeras e sensores de profundidade para coletar dados sobre a posição tridimensional e o tamanho dos objetos. Os principais sensores de visão 3D disponíveis atualmente são câmeras binoculares, câmeras de luz estruturada e câmeras TOF (Time of Flight).

• Tecnologia de luz estruturada 3D: Este método usa luz infravermelha, que é projetada em um objeto com uma certa codificação. Quando a luz reflete de volta, o padrão se deforma dependendo da distância do objeto. O sensor de imagem captura o padrão deformado e, usando triangulação, a deformação de cada pixel é calculada para derivar a disparidade correspondente e calcular ainda mais o valor da profundidade.

• Princípio TOF (Tempo de Voo): Esta técnica usa uma fonte de luz infravermelha para emitir pulsos de luz de alta frequência em um objeto, então recebe os pulsos refletidos e calcula a distância da câmera até o objeto medindo o tempo de viagem dos pulsos de luz. Atualmente, existem duas soluções TOF tradicionais no mercado: dTOF e iTOF. Especialistas do setor acreditam que o dTOF substituirá gradualmente o iTOF devido ao seu desempenho superior em aspectos-chave como resolução, precisão, consumo de energia ultrabaixo, fortes capacidades anti-interferência e calibração simples. No entanto, o dTOF tem altas barreiras técnicas, alta integração de sistemas e recursos limitados da cadeia de suprimentos.

• Tecnologia de visão estéreo binocular: Este método simula a visão humana observando o mesmo objeto de dois pontos de vista, obtendo imagens do objeto de diferentes perspectivas. Usando triangulação, o desvio posicional (disparidade) entre pixels nas imagens é calculado para obter uma imagem 3D do objeto. A estrutura de hardware da visão estéreo binocular normalmente usa duas câmeras como dispositivos de aquisição de sinal visual. Essas câmeras se conectam a um computador por meio de uma placa de aquisição de imagem de canal de entrada dupla, e os sinais analógicos coletados pelas câmeras são amostrados, filtrados, aprimorados e convertidos para a forma digital, finalmente fornecendo dados de imagem ao computador.

Aplicações da Visão 3D em Robôs Móveis

À medida que a tecnologia de visão evolui de 2D para 3D, os sensores de visão 3D estão se tornando cruciais em robôs móveis, oferecendo percepção de profundidade e permitindo detecção em tempo real em espaços tridimensionais, reconhecimento preciso de objetos, detecção e prevenção de múltiplos obstáculos, tomada de decisão inteligente e orientação automatizada. Essas capacidades estão sendo cada vez mais aplicadas em logística, comércio eletrônico, automação, manufatura, robôs industriais e de serviço, ambientes comerciais e muito mais, com limites de aplicação em expansão.

Na robótica móvel, a visão 3D é usada principalmente para navegação, prevenção de obstáculos e reconhecimento e acoplamento de materiais finais.

• Navegação: A detecção ambiental precisa é a principal tarefa dos robôs móveis. O "ambiente" aqui inclui vários fatores, como interferência de diferentes condições de iluminação em ambientes internos e externos, obstáculos no caminho, se a rota é limpa e plana, os tipos de objetos no ambiente, se há pessoas que podem fazer o robô desacelerar ou parar, se o palete à frente está vazio ou cheio, onde estão os slots de inserção de um palete carregado e como planejar a rota para coleta. Simplificando, a lógica é que um robô móvel baseado em visão precisa reconhecer com precisão seus arredores, evitar obstáculos dinâmicos e estáticos, abordar o objeto alvo dinamicamente (navegação) e interagir corretamente com o objeto alvo (detecção de objetos e reconhecimento de posicionamento).

• Evitação de Obstáculos: O mercado oferece uma variedade de sensores de prevenção de obstáculos, como LiDAR de linha única, ultrassom e faixas de colisão. As faixas de colisão são geralmente a última linha de defesa para prevenção de colisões violentas; a prevenção de obstáculos por ultrassom geralmente resulta em falsos positivos; o LiDAR de linha única tem pontos cegos significativos (detectando apenas obstáculos em um plano bidimensional, incapaz de detectar obstáculos abaixo ou acima do laser, representando um risco à segurança). Os sensores de visão 3D podem compensar essas deficiências. A melhor solução atual de prevenção de obstáculos para robôs móveis é uma combinação de sensores de visão 3D e LiDAR, com sensores de visão 3D fornecendo prevenção precisa de obstáculos de curto e médio alcance e LiDAR para prevenção de obstáculos bidimensionais de longo alcance. Como as câmeras TOF praticamente não têm pontos cegos, elas são atualmente as câmeras de visão 3D mais amplamente utilizadas para prevenção de obstáculos AGV.

• Fim do reconhecimento e encaixe: Em alguns armazéns, a colocação de mercadorias é complexa, e a colocação manual ou por veículo de paletes é frequentemente imprecisa. Essa imprecisão dificulta que uma empilhadeira não tripulada identifique com precisão o palete usando limites mecânicos tradicionais ou reconhecimento de câmera monocular, levando a erros frequentes de posicionamento durante o encaixe do palete e, consequentemente, baixa eficiência operacional. Usando a visão 3D para capturar imagens de paletes, combinada com algoritmos de processamento de imagem apropriados, a empilhadeira pode identificar a posição do palete e as coordenadas de postura, ajustar de forma inteligente a direção para inserção e obter manuseio inteligente de paletes não tripulado, resolvendo o problema de desvio angular significativo durante o encaixe de paletes por empilhadeira não tripulada. Além disso, algoritmos de IA podem ser usados ​​para fortalecer e aprender profundamente os modelos de reconhecimento de paletes, aumentando ainda mais a precisão do reconhecimento e rastreamento de paletes.
•  

Direções futuras: maior resolução, taxas de quadros mais rápidas, melhor adaptabilidade ambiental

À medida que as aplicações de robôs móveis continuam a se aprofundar, a demanda por maiores capacidades de detecção aumentou, impulsionando o desenvolvimento da tecnologia de visão 3D nessa direção. No entanto, a aplicação atual da visão 3D em robôs móveis ainda está em seus estágios iniciais. À medida que os robôs móveis continuam a evoluir, com ambientes de aplicação mais diversos, os requisitos para sistemas de visão 3D se tornarão mais rigorosos, impulsionando mais atualizações na tecnologia de visão 3D.

Clique no link abaixo para ler mais:

Apresentando o chassi do robô Reeman Moon Knight

Apresentando o Flash Food Delivery Robot

Apresentando o robô de entrega de enfermagem do hospital