Ing taun-taun pungkasan, bidang robotika wis ngalami kemajuan sing signifikan ing ngembangake mesin cerdas sing bisa nindakake tugas rumit kayata nangkep, manipulasi, lan pangenalan obyek ing lingkungan sing beda-beda. Salah sawijining area riset sing entuk perhatian akeh yaiku sistem grasping visual 3D sing ora diurutake. Sistem iki tujuane kanggo sinau carane njupuk obyek saka macem-macem wangun, ukuran, lan tekstur ing lingkungan unstructured. Ing artikel iki, kita bakal njelajah titik konfigurasi utama kanggo ngembangake sistem genggaman visual 3D sing ora teratur.
1. Sensor ambane
Titik konfigurasi pisanan lan paling kritis kanggo aSistem visual grasping 3Dyaiku sensor kedalaman. Sensor ambane yaiku piranti sing njupuk jarak antarane sensor lan obyek sing dirasakake, nyedhiyakake informasi spasial sing akurat lan rinci. Ana macem-macem jinis sensor ambane sing kasedhiya ing pasar, kalebu LIDAR, lan kamera stereo.
LIDAR minangka sensor ambane populer liyane sing nggunakake teknologi laser kanggo ngukur jarak. Iki ngirim pulsa laser lan ngukur wektu sing dibutuhake kanggo laser mumbul maneh saka obyek sing dirasakake. LIDAR bisa nyedhiyakake gambar 3D kanthi resolusi dhuwur saka obyek kasebut, saengga cocog kanggo aplikasi kayata pemetaan, navigasi, lan nangkep.
Kamera stereo minangka jinis sensor ambane liyane sing njupuk informasi 3D nggunakake rong kamera sing diselehake ing jejere. Kanthi mbandhingake gambar sing dijupuk saben kamera, sistem bisa ngetung jarak antarane kamera lan obyek sing dirasakake. Kamera stereo entheng, terjangkau, lan gampang digunakake, dadi pilihan populer kanggo robot seluler.
Titik konfigurasi kritis kapindho kanggo sistem genggaman visual 3D yaiku algoritma pangenalan obyek. Algoritma kasebut mbisakake sistem kanggo ngenali lan nggolongake obyek sing beda-beda adhedhasar wujud, ukuran, lan teksture. Ana sawetara algoritma pangenalan obyek sing kasedhiya, kalebu pangolahan awan titik, pencocokan permukaan, pencocokan fitur, lan sinau jero.
Pangolahan awan titik minangka algoritma pangenalan obyek populer sing ngowahi data 3D sing dijupuk dening sensor kedalaman dadi awan titik. Sistem banjur nganalisa awan titik kanggo ngenali wujud lan ukuran obyek sing dirasakake. Cocog lumahing minangka algoritma liyane sing mbandhingake model 3D saka obyek sing dirasakake menyang perpustakaan obyek sing sadurunge dikenal kanggo ngenali identitas obyek kasebut.
Pencocokan fitur minangka algoritma liya sing ngenali fitur utama obyek sing dirasakake, kayata sudhut, pinggir, lan kurva, lan cocog karo database obyek sing wis dikenal. Pungkasan, sinau jero minangka pangembangan anyar ing algoritma pangenalan obyek sing nggunakake jaringan saraf kanggo sinau lan ngenali obyek. Algoritma sinau jero bisa ngenali obyek kanthi akurasi lan kacepetan sing dhuwur, saengga cocog kanggo aplikasi wektu nyata kayata nangkep.
3. Algoritma grasping
Titik konfigurasi kritis katelu kanggo aSistem visual grasping 3Dyaiku algoritma grasping. Algoritma grasping minangka program sing ngidini robot njupuk lan ngapusi obyek sing dirasakake. Ana sawetara jinis algoritma grasping sing kasedhiya, kalebu algoritma grasp planning, algoritma grasp generation, lan algoritma distribusi force.
Algoritma perencanaan Grasp ngasilake dhaptar calon grasps kanggo obyek sing dirasakake adhedhasar wujud lan ukurane. Sistem banjur ngevaluasi stabilitas saben genggaman lan milih sing paling stabil. Algoritma generasi Grasp nggunakake teknik sinau jero kanggo sinau carane nangkep obyek sing beda-beda lan ngasilake grasps tanpa perlu ngrancang eksplisit.
Algoritma distribusi pasukan minangka jinis algoritma grasping liyane sing njupuk bobot lan distribusi obyek kanggo nemtokake gaya grasping sing optimal. Algoritma kasebut bisa mesthekake yen robot bisa njupuk obyek sing abot lan gedhe banget tanpa ngeculake.
4. Grip
Titik konfigurasi kritis pungkasan kanggo sistem genggaman visual 3D yaiku gripper. Gripper yaiku tangan robot sing njupuk lan ngolah obyek sing dirasakake. Ana sawetara jinis grippers kasedhiya, kalebu grippers rahang paralel, grippers telung driji, lan grippers nyedhot.
Grippers rahang paralel kasusun saka rong rahang paralel sing pindhah menyang saben liyane kanggo nangkep obyek. Iku prasaja lan dipercaya, dadi pilihan populer kanggo aplikasi kayata operasi Pick lan Panggonan. Grippers telung driji luwih serbaguna lan bisa nangkep obyek saka macem-macem wujud lan ukuran. Dheweke uga bisa muter lan ngapusi obyek kasebut, dadi becik kanggo tugas perakitan lan manipulasi.
Grippers nyedhot nggunakake cangkir nyedhot vakum kanggo masang menyang obyek sing sensed lan njupuk munggah. Padha becik kanggo nangani obyek kanthi permukaan sing alus kayata kaca, plastik, lan logam.
Ing kesimpulan, ngembangaken a3D visual unordered grasping systemmbutuhake pertimbangan ati-ati saka TCTerms konfigurasi tombol sistem. Iki kalebu sensor jero, algoritma pangenalan obyek, algoritma grasping, lan grippers. Kanthi milih komponen sing paling cocog kanggo saben titik konfigurasi kasebut, peneliti lan insinyur bisa ngembangake sistem genggaman sing efisien lan efektif sing bisa nangani macem-macem obyek ing lingkungan sing ora terstruktur. Pangembangan sistem kasebut nduweni potensi gedhe kanggo ningkatake efisiensi lan produktivitas saka macem-macem industri, kayata manufaktur, logistik, lan kesehatan.
Wektu kirim: Sep-18-2024
