Jak optimalizovat intralogistiku k zefektivnění a zrychlení dodavatelských řetězců Průmyslu 4.0 – část dva ze dvou

Část 1 této série o intralogistice se zabývala problémy souvisejícími s tím, jak se autonomní mobilní roboty („autonomous mobile robot“, AMR) a automaticky řízené vozíky („automated guided vehicle“, AGV) používají na systémové úrovni k implementaci intralogistiky a rychlému a bezpečnému přesunu materiálů podle potřeb. Tento článek se zaměřuje na případy použití a na to, jak AMR a AGV využívají senzory k identifikaci a sledování položek, jak strojové učení („machine learning“, ML) a umělá inteligence („artificial intelligence“, AI) podporují identifikaci materiálu, pohyb a dodávku materiálů ve skladech a výrobních závodech.

Intralogistika (vnitřní logistika) využívá autonomní mobilní roboty („autonomous mobile robot“, AMR) a automaticky řízené vozíky („automated guided vehicle“, AGV) k efektivnímu přesunu materiálů po skladech a výrobních závodech Průmyslu 4.0. K zefektivnění a urychlení dodavatelských řetězců potřebují intralogistické systémy znát aktuální umístění materiálu, zamýšlené místo určení materiálu a nejbezpečnější a nejúčinnější cestu, jak se materiál dostane na místo určení. Tato efektivní navigace vyžaduje rozmanité senzory.

AGV a AMR využívají v intralogistických řešeních ke zvýšení svého situačního povědomí senzory. Soustavy senzorů zajišťují bezpečnost pro blízký personál, ochranu dalších zařízení a efektivní navigaci a lokalizaci. V závislosti na požadavcích aplikace mohou senzorové technologie pro AMR zahrnovat kontaktní senzory, jako jsou koncové spínače zabudované do nárazníků, 2D a 3D detekce a měření vzdálenosti („light detection and ranging“, LiDAR), ultrazvuk, 2D a stereokamery, radar, kodéry, inerciální měřicí jednotky („inertial measurement unit“, IMU) a fotobuňky. U AGV mohou senzory zahrnovat magnetické, indukční nebo optické liniové senzory, stejně jako koncové spínače zabudované do nárazníků, technologii 2D LiDAR a kodéry.

První článek této série se zabývá otázkami souvisejícími s tím, jak se AMR a AGV používají na systémové úrovni k implementaci intralogistiky a k efektivnímu přesunu materiálů podle potřeby.

Tento článek se zaměřuje na fúzi senzorů a na to, jak AMR a AGV využívají kombinace senzorů plus AI a ML pro lokalizaci, navigaci a provozní bezpečnost. Článek začíná krátkým přehledem běžných senzorů nacházejících se v AGV, dále jsou v něm zkoumány algoritmy polohy robota a simultánní lokalizace a mapování („simultaneous location and mapping“, SLAM) pomocí fúze senzorů, dále se zabývá tím, jak lze zlepšit odhady SLAM pomocí porovnávání skenování s mapou a vzájemného porovnávání skenování a uzavírá se pohledem na to, jak fúze senzorů přispívá k bezpečnému provozu AMR a AGV. Společnost DigiKey ve všech těchto případech podporuje konstruktéry širokou škálou senzorů a spínačů pro robotiku a další průmyslové aplikace.

K podpoře autonomního provozu a bezpečnosti v AMR je zapotřebí řada senzorů a fúze senzorů, AI, ML a bezdrátové připojení. I když jsou požadavky na výkon u AGV nižší, stále se pro podporu bezpečného a efektivního provozu spoléhají na více senzorů. Existují dvě zastřešující kategorie senzorů:

• Proprioceptivní senzory měří vnitřní hodnoty robota, jako je rychlost kol, zatížení, nabití baterie a tak dále.
• Exteroceptivní senzory poskytují informace o prostředí robota, jako jsou měření vzdálenosti, umístění orientačních bodů a identifikace překážek, jako jsou lidé vstupující do cesty robotu.

Fúze senzorů v AGV a AMR se opírá o kombinace proprioceptivních a exteroceptivních senzorů. Příklady senzorů v AMR zahrnují následující položky (obrázek 1):

• Laserový skener k detekci objektů s dosahem přes 20 m
• IMU se šestiosým gyroskopem a akcelerometrem a někdy včetně magnetometru
• Kodéry s milimetrovým rozlišením na kolech
• Kontaktní senzor jako mikrospínač v nárazníku pro okamžité zastavení pohybu v případě kontaktu s neočekávaným předmětem
• Dvě dopředu mířící 3D kamery s dosahem 4 m
• Dolů směřující senzor pro detekci okraje plošiny (tzv. detekce útesu)
• Komunikační moduly k zajištění konektivity s volitelnou možností Bluetooth úhlu dopadu signálu („angle of arrival“, AoA) a úhlu odchozího signálu („angle of departure“, AoD) pro lokalizační služby v reálném čase („real-time location services“, RTLS) nebo 5G přenosové body / přijímací body („transmission points / reception points“, TRP) pro vykreslení mřížky s přesností na úrovni centimetrů
• Technologie 2D LiDAR k výpočtu blízkosti překážek před vozidlem
• Širokoúhlý 3D systém hloubkového vidění vhodný pro identifikaci a lokalizaci objektů
• Vysoce výkonný výpočetní procesor na desce pro fúzi senzorů, AI a ML

Obrázek 1: Ukázkový AMR ukazující rozmanitost a polohy vestavěných senzorů. (Zdroj obrázku: společnost Qualcomm)

Poloha robotu a fúze senzorů

Navigace AMR je složitý proces. Jedním z prvních kroků je, aby AMR věděl, kde je a jakým směrem je otočený. Tato kombinace dat se nazývá poloha robota. Koncept polohy lze aplikovat také na ramena a koncové efektory víceosých stacionárních robotů. K určení polohy kombinuje fúze senzorů vstupy z IMU, kodérů a dalších senzorů. Algoritmus polohy odhaduje polohu (x, y) robota a úhel orientace θ vzhledem k souřadnicovým osám. Polohu robotu definuje funkce q = (x, y, θ). Pro AMR mají informace o poloze různé využití, včetně následujících:

• Poloha vetřelce, jako je osoba vstupující do blízkosti robotu, vzhledem k vnější referenční soustavě nebo vzhledem k robotu
• Odhadovaná poloha robotu po pohybu danou rychlostí po předem stanovenou dobu
• Výpočet rychlostního profilu potřebného k tomu, aby se robot přesunul ze své aktuální polohy do druhé polohy

Poloha je v několika prostředích pro vývoj softwaru pro roboty předdefinovanou funkcí. Součástí operačního systému robotů („Robot Operating System“, ROS), open-source vývojové platformy, je například balíček robot_pose_ekf. Balíček robot_pose_ekf lze použít k odhadu 3D polohy robotu na základě (částečných) měření polohy z různých senzorů. Využívá rozšířený Kalmanův filtr s 6D modelem (3D poloha a 3D orientace) ke kombinaci měření z kodéru pro odometrii kol, kamery pro vizuální odometrii a IMU. Vzhledem k tomu, že různé senzory pracují s různou rychlostí a latencí, robot_pose_ekf nevyžaduje, aby všechna data senzoru byla dostupná nepřetržitě nebo současně. Jednotlivé senzory se používají k poskytnutí odhadu polohy s kovariancí. Robot_pose-ekf identifikuje dostupné informace ze senzoru v libovolném okamžiku a podle toho se přizpůsobí.

Fúze senzorů a SLAM

Mnoho prostředí, ve kterých AMR fungují, obsahuje různé překážky, které se mohou čas od času pohybovat. I když je základní mapa závodu užitečná, je potřeba více. Při pohybu v průmyslovém závodu potřebují AMR více než jen informace – k zajištění efektivního provozu používají také SLAM. K podpoře navigace přidává SLAM mapování prostředí v reálném čase. Dva základní přístupy k SLAM jsou:

• Vizuální SLAM, který spáruje kameru s IMU
• LiDAR SLAM, který kombinuje laserový senzor jako 2D nebo 3D LiDAR s IMU

LiDAR SLAM může být přesnější než vizuální SLAM, ale jeho implementace je obecně dražší. Alternativně lze k poskytování informací o lokalizaci pro zlepšení vizuálních odhadů SLAM použít síť 5G. Využití privátních sítí 5G ve skladech a továrnách může rozšířit vestavěné senzory pro SLAM. Některé AMR implementují k vykreslení mřížky přesné určování polohy uvnitř budov pomocí 5G přenosových/přijímacích bodů („transmission points/reception points“, TRP) pro přesnost na osách x, y a z v řádu centimetrů.

Úspěšná navigace závisí na schopnosti AMR přizpůsobit se měnícím se prvkům prostředí. Navigace kombinuje vizuální SLAM anebo LiDAR SLAM, překryvné technologie jako 5G TRP a ML, aby detekovala změny v prostředí a poskytovala neustálé aktualizace polohy. Fúze senzorů podporuje SLAM několika následujícími způsoby:

• Průběžné aktualizace prostorového a sémantického modelu prostředí na základě vstupů z různých senzorů pomocí AI a ML
• Identifikace překážek, což umožňuje algoritmům plánování cesty provést potřebné úpravy a najít nejefektivnější cestu prostředím
• Implementace plánu trasy, která vyžaduje kontrolu v reálném čase ke změně plánované trasy, včetně rychlosti a směru AMR, podle toho, jak se mění prostředí

Když SLAM nestačí

SLAM je zásadní nástroj pro efektivní navigaci AMR, ale samotná SLAM nestačí. Podobně jako algoritmy polohy jsou i SLAM implementovány s rozšířeným Kalmanovým filtrem, který poskytuje odhadované hodnoty. Odhadované hodnoty SLAM rozšiřují data polohy přidáním mimo jiné lineárních a rotačních rychlostí a lineárních zrychlení. Odhad SLAM je dvoustupňový proces – počáteční krok zahrnuje sestavení predikcí pomocí interní analýzy senzorů založené na fyzikálních zákonech pohybu. Zbývající krok v odhadu SLAM vyžaduje k upřesnění počátečních odhadů údaje z externího senzoru. Tento dvoustupňový proces pomáhá eliminovat a opravovat malé chyby, které se mohou v průběhu času zkompilovat a způsobit významné chyby.

SLAM závisí na dostupnosti vstupů ze senzorů. V některých případech nemusí relativně levný 2D LiDAR fungovat, například když v přímém zorném poli senzoru nejsou žádné předměty. V těchto případech mohou výkon systému zlepšit 3D stereokamery nebo 3D LiDAR. 3D stereokamery nebo 3D LiDAR jsou však dražší a vyžadují k implementaci větší výpočetní výkon.

Další alternativou je použití navigačního systému, který integruje SLAM s technikami porovnávání skenování s mapou a vzájemného porovnávání skenování, které lze implementovat pouze pomocí 2D senzorů LiDAR (obrázek 2):

• Při porovnávání skenování s mapou se využívají data vzdálenosti LiDAR k odhadu polohy AMR porovnáním naměřených vzdáleností s uloženou mapou. Účinnost této metody závisí na přesnosti mapy. V průběhu času nedochází k posunu, ale v opakujících se prostředích může mít za následek chyby, které se obtížně identifikují, způsobují nespojité změny ve vnímané poloze a je obtížné je odstranit.
• Vzájemné porovnávání skenování využívá k odhadu polohy AMR mezi skenováními sekvenční data rozsahu LiDAR. Tato metoda poskytuje aktualizované informace o umístění a poloze pro AMR nezávisle na jakékoli existující mapě a může být užitečná při vytváření mapy. Je to však inkrementální algoritmus, který může být v průběhu času vystaven posunu bez schopnosti identifikovat nepřesnosti, které tento posun přináší.

Obrázek 2: Algoritmy porovnávání skenování s mapou a vzájemného porovnávání skenování lze použít k doplnění a zlepšení výkonu systémů SLAM. (Zdroj obrázku: společnost Aethon)

Bezpečnost vyžaduje fúzi senzorů

Bezpečnost je klíčovým zájmem pro AGV i AMR a je třeba zohledňovat několik norem: například Bezpečnostní standard pro automaticky řízené průmyslové vozíky bez řidičů a automatizované funkce průmyslových vozíků s řidičem B56.5 – 2019 Amerického národního standardizačního institutu / Nadace pro vývoj standardů průmyslových vozíků („American National Standards Institute / Industrial Truck Standards Development Foundation“, ANSI/ITSDF), Standard pro průmyslové mobilní roboty – bezpečnostní požadavky R15.08-1-2020 od ANSI / Průmyslové asociace robotiky („Robotic Industrial Association“, RIA), několik norem Mezinárodní organizace pro standardizaci („International Standards Organization“, ISO) a další.

Bezpečný provoz AGV a AMR vyžaduje fúzi senzorů, které kombinují bezpečnostně certifikované 2D LiDAR senzory (někdy nazývané bezpečnostní laserové skenery) s kodéry na kolech. Technologie 2D LiDAR podporuje současně dvě vzdálenosti detekce, může mít úhel snímání 270° a koordinuje se s rychlostí vozidla hlášenou kodéry. Když je objekt detekován ve vzdálenější detekční zóně (v závislosti na senzoru až 20 m daleko), lze vozidlo podle potřeby zpomalit. Pokud objekt vstoupí do bližší detekční zóny v linii pohybu, vozidlo se zastaví.

Bezpečnostní laserové skenery se často používají v sadách po 4, přičemž v každém rohu vozidla je umístěn jeden. Mohou fungovat jako jedna jednotka a komunikovat přímo s bezpečnostní řídicí jednotkou ve vozidle. Skenery jsou dostupné a certifikované pro použití v aplikacích bezpečnostní kategorie 3, výkonnostní úrovně d („Performance Level“, PLd) a úrovně integrity bezpečnosti 2 („Safety Integrity Level 2“, SIL2) a jsou umístěny v pouzdru s krytím IP65 vhodném pro většinu venkovních i vnitřních aplikací (obrázek 3). K podpoře fúze senzorů obsahují tyto skenery vstup pro informace inkrementálního kodéru z kol.

Obrázek 3: 2D LiDAR senzory, jako je tento, lze kombinovat s kodéry na kolech v systému fúze senzorů, který zajišťuje bezpečný provoz AMR a AGV. (Zdroj obrázku: společnost Idec)

Závěr

Intralogistika podporuje rychlejší a efektivnější dodavatelské řetězce ve skladech a továrnách Průmyslu 4.0. Důležitými nástroji pro intralogistiku k včasnému a bezpečnému přesunu materiálu z místa na místo jsou AMR a AGV. Pro podporu funkcí AMR a AGV je nezbytná fúze senzorů včetně určování polohy, výpočtu dat SLAM, zlepšování navigačního výkonu pomocí porovnávání skenování s mapou a vzájemného porovnávání skenování a zajištění bezpečnosti pro personál a předměty v celém závodu.