မကြာသေးမီနှစ်များအတွင်း၊ စက်ရုပ်နယ်ပယ်သည် မတူညီသောပတ်ဝန်းကျင်ရှိ အရာဝတ္ထုများကို ဆုပ်ကိုင်ခြင်း၊ ခြယ်လှယ်ခြင်းနှင့် မှတ်မိခြင်းစသည့် ရှုပ်ထွေးသောအလုပ်များကို လုပ်ဆောင်နိုင်သည့် ဉာဏ်ရည်ဉာဏ်သွေးရှိသော စက်များကို တီထွင်ရာတွင် သိသာထင်ရှားသောတိုးတက်မှုကို ရရှိခဲ့သည်။ အာရုံစူးစိုက်မှုများစွာရရှိခဲ့သော သုတေသနနယ်ပယ်တစ်ခုမှာ 3D အမြင်အာရုံကို စည်းမဲ့ကမ်းမဲ့ ဆုပ်ကိုင်ခြင်းစနစ်များဖြစ်သည်။ ဤစနစ်များသည် မတူညီသော ပုံသဏ္ဍာန်များ၊ အရွယ်အစားနှင့် အသွင်အပြင်များရှိသော အရာဝတ္ထုများကို မည်သို့ကောက်ယူရမည်ကို လေ့လာရန် ရည်ရွယ်သည်။ ဤဆောင်းပါးတွင်၊ ကျွန်ုပ်တို့သည် ထိရောက်သော 3D အမြင်အာရုံခံဖမ်းဆုပ်မှုစနစ်အား တီထွင်ရန်အတွက် အဓိကဖွဲ့စည်းပုံအချက်များကို လေ့လာပါမည်။
1. အတိမ်အနက်အာရုံခံကိရိယာများ
တစ်ခုအတွက် ပထမဆုံးနှင့် အရေးကြီးဆုံး configuration point3D အမြင်အာရုံဖမ်းစနစ်အတိမ်အနက်အာရုံခံကိရိယာများဖြစ်သည်။ အတိမ်အနက်အာရုံခံကိရိယာများသည် အာရုံခံကိရိယာနှင့် အာရုံခံအရာဝတ္ထုကြားအကွာအဝေးကို ဖမ်းယူနိုင်ပြီး တိကျပြီးအသေးစိတ်အချက်အလက်များကို ပေးစွမ်းနိုင်သော ကိရိယာများဖြစ်သည်။ LIDAR နှင့် စတီရီယိုကင်မရာများ အပါအဝင် စျေးကွက်တွင် ရရှိနိုင်သော အတိမ်အနက် အာရုံခံကိရိယာ အမျိုးအစား အမျိုးမျိုးရှိသည်။
LIDAR သည် အကွာအဝေးများကို တိုင်းတာရန် လေဆာနည်းပညာကို အသုံးပြုသည့် ရေပန်းစားသော အတိမ်အနက်အာရုံခံကိရိယာဖြစ်သည်။ ၎င်းသည် လေဆာရောင်ခြည်များကို ထုတ်ပေးပြီး အာရုံခံအရာဝတ္တုမှ လေဆာပြန်ပြန်ထွက်ရန်အတွက် လိုအပ်သည့်အချိန်ကို တိုင်းတာသည်။ LIDAR သည် အရာဝတ္တု၏ ကြည်လင်ပြတ်သားသော 3D ရုပ်ပုံများကို ပေးစွမ်းနိုင်ပြီး ၎င်းသည် မြေပုံဆွဲခြင်း၊ လမ်းညွှန်ခြင်းနှင့် ဆုပ်ကိုင်ခြင်းကဲ့သို့သော အပလီကေးရှင်းများအတွက် စံပြဖြစ်စေသည်။
စတီရီယိုကင်မရာများသည် တစ်ခုနှင့်တစ်ခု ဘေးတွင်ချထားသော ကင်မရာနှစ်လုံးကို အသုံးပြု၍ 3D အချက်အလက်များကို ဖမ်းယူနိုင်သည့် အနက်ရောင်အာရုံခံကိရိယာတစ်မျိုးဖြစ်သည်။ ကင်မရာတစ်ခုစီမှ ရိုက်ကူးထားသော ပုံများကို နှိုင်းယှဉ်ခြင်းဖြင့်၊ စနစ်သည် ကင်မရာများနှင့် အာရုံခံအရာဝတ္ထုကြား အကွာအဝေးကို တွက်ချက်ပေးနိုင်သည်။ စတီရီယိုကင်မရာများသည် ပေါ့ပါးပြီး စျေးသက်သာကာ အသုံးပြုရလွယ်ကူသောကြောင့် ၎င်းတို့ကို မိုဘိုင်းစက်ရုပ်များအတွက် လူကြိုက်များသော ရွေးချယ်မှုတစ်ခုဖြစ်စေသည်။
2. အရာဝတ္ထုအသိအမှတ်ပြုမှု အယ်လဂိုရီသမ်
3D အမြင်အာရုံဆုပ်ကိုင်မှုစနစ်အတွက် ဒုတိယအရေးကြီးသော ဖွဲ့စည်းမှုပုံစံအမှတ်မှာ အရာဝတ္ထုမှတ်မိခြင်းဆိုင်ရာ အယ်လဂိုရီသမ်များဖြစ်သည်။ ဤ အယ်လဂိုရီသမ်များသည် စနစ်အား ၎င်းတို့၏ ပုံသဏ္ဍာန်၊ အရွယ်အစားနှင့် အသွင်အပြင်ပေါ်မူတည်၍ မတူညီသော အရာဝတ္ထုများကို ခွဲခြားခွဲခြားနိုင်စေပါသည်။ point cloud processing၊ surface matching၊ feature matching နဲ့ deep learning တို့အပါအဝင် object recognition algorithms အများအပြားရှိပါတယ်။
Point cloud processing သည် depth sensor မှဖမ်းယူထားသော 3D data ကို point cloud အဖြစ်သို့ ပြောင်းလဲပေးသည့် နာမည်ကြီး object recognition algorithm တစ်ခုဖြစ်သည်။ ထို့နောက် အာရုံခံအရာဝတ္ထု၏ ပုံသဏ္ဍာန်နှင့် အရွယ်အစားကို သိရှိနိုင်ရန် စနစ်သည် point cloud ကို ပိုင်းခြားစိတ်ဖြာသည်။ Surface matching သည် အာရုံခံအရာဝတ္ထု၏ 3D မော်ဒယ်ကို ယခင်သိထားသော အရာဝတ္ထုများ၏ စာကြည့်တိုက်တစ်ခုနှင့် နှိုင်းယှဉ်သည့် အခြားသော algorithm တစ်ခုဖြစ်သည်။
Feature matching သည် ထောင့်များ၊ အစွန်းများနှင့် မျဉ်းကွေးများကဲ့သို့သော အရာဝတ္ထု၏ အဓိကအင်္ဂါရပ်များကို ခွဲခြားသိရှိနိုင်ပြီး ၎င်းတို့ကို ယခင်က သိထားသည့်အရာများ၏ ဒေတာဘေ့စ်တစ်ခုနှင့် ကိုက်ညီစေသည်။ နောက်ဆုံးတွင်၊ နက်နဲသောသင်ယူမှုသည် အရာဝတ္တုများကိုလေ့လာရန်နှင့်မှတ်မိရန် အာရုံကြောကွန်ရက်များကိုအသုံးပြုသည့်အရာဝတ္တုအသိအမှတ်ပြုခြင်းဆိုင်ရာ algorithms တွင် မကြာသေးမီက ဖွံ့ဖြိုးတိုးတက်မှုတစ်ခုဖြစ်သည်။ နက်ရှိုင်းသောသင်ယူမှု အယ်လဂိုရီသမ်များသည် မြင့်မားသောတိကျမှုနှင့် အရှိန်အဟုန်ဖြင့် အရာဝတ္တုများကို မှတ်သားနိုင်ပြီး ဆုပ်ကိုင်ခြင်းကဲ့သို့သော အချိန်နှင့်တစ်ပြေးညီ အပလီကေးရှင်းများအတွက် စံပြဖြစ်စေသည်။
3. ဆုပ်ကိုင်ထားသော အယ်ဂိုရီသမ်များ
တတိယအရေးပါသော ဖွဲ့စည်းမှုပုံစံတစ်ခုအတွက် အချက်ဖြစ်သည်။3D အမြင်အာရုံဖမ်းစနစ်ဆုပ်ကိုင်ခြင်းဆိုင်ရာ အယ်လဂိုရီသမ်များဖြစ်သည်။ Grasping algorithms များသည် စက်ရုပ်သည် အာရုံခံအရာဝတ္တုကို ကောက်ယူပြီး ကိုင်တွယ်နိုင်စေမည့် ပရိုဂရမ်များဖြစ်သည်။ ဆုပ်ကိုင်ခြင်းဆိုင်ရာ အယ်လဂိုရီသမ်များ၊ ဆုပ်ကိုင်ခြင်းဆိုင်ရာ အယ်လဂိုရီသမ်များနှင့် အင်အားဖြန့်ဝေမှုဆိုင်ရာ အယ်လဂိုရီသမ်များ အပါအဝင် ဖမ်းဆုပ်မှုဆိုင်ရာ အယ်လဂိုရီသမ် အမျိုးအစားများစွာရှိပါသည်။
Grasp Planning algorithms သည် အရာဝတ္တု၏ ပုံသဏ္ဍာန်နှင့် အရွယ်အစားအပေါ်အခြေခံ၍ အာရုံခံနိုင်သော ဖမ်းဆုပ်မှုစာရင်းကို ထုတ်ပေးပါသည်။ ထို့နောက် စနစ်သည် ဆုပ်ကိုင်မှုတစ်ခုစီ၏ တည်ငြိမ်မှုကို အကဲဖြတ်ပြီး အတည်ငြိမ်ဆုံးတစ်ခုကို ရွေးချယ်သည်။ Grasp generation algorithms သည် မတူညီသော အရာဝတ္ထုများကို ဆုပ်ကိုင်နည်းနှင့် ရှင်းလင်းပြတ်သားစွာ စီစဉ်ရန်မလိုအပ်ဘဲ ဆုပ်ကိုင်နည်းကို လေ့လာရန် နက်နဲသောသင်ယူမှုနည်းစနစ်များကို အသုံးပြုပါသည်။
Force distribution algorithms သည် အကောင်းဆုံး ဆုပ်ကိုင်နိုင်အားကို ဆုံးဖြတ်ရန် အရာဝတ္တု၏ အလေးချိန်နှင့် ဖြန့်ဖြူးမှုကို ထည့်သွင်းစဉ်းစားသော ဆုပ်ကိုင်ခြင်းဆိုင်ရာ အယ်လဂိုရီသမ်၏ အခြားအမျိုးအစားဖြစ်သည်။ အဆိုပါ အယ်လဂိုရီသမ်များသည် စက်ရုပ်သည် လေးလံပြီး ထုထည်ကြီးမားသော အရာများကို ပစ်ချခြင်းမပြုဘဲ ကောက်ယူနိုင်ကြောင်း သေချာစေပါသည်။
4. Grippers
3D အမြင်အာရုံဆုပ်ကိုင်မှုစနစ်အတွက် နောက်ဆုံးအရေးကြီးသော ဖွဲ့စည်းမှုပုံစံအမှတ်မှာ ဂရစ်ပါဖြစ်သည်။ Gripper သည် အာရုံခံအရာဝတ္တုကို ကောက်ကိုင်ပြီး ကိုင်တွယ်ထိန်းချုပ်သည့် စက်ရုပ်လက်ဖြစ်သည်။ မျဉ်းပြိုင်မေးရိုး၊ လက်သုံးချောင်းညှပ်နှင့် စုပ်ခွက်များ အပါအဝင် ဂရစ်ကတ်အမျိုးအစားများစွာရှိသည်။
Parallel jaw grippers သည် အရာဝတ္တုကို ဆုပ်ကိုင်ရန်အတွက် တစ်ခုနှင့်တစ်ခုဆီသို့ ရွေ့လျားနေသော အပြိုင်မေးရိုးနှစ်ခုပါရှိသည်။ ၎င်းတို့သည် ရိုးရှင်းပြီး ယုံကြည်စိတ်ချရသောကြောင့် ၎င်းတို့ကို ရွေးချယ်ခြင်းနှင့် နေရာဆိုင်ရာ လုပ်ဆောင်မှုများကဲ့သို့သော အပလီကေးရှင်းများအတွက် ရေပန်းစားသော ရွေးချယ်မှုတစ်ခု ဖြစ်စေသည်။ လက်သုံးချောင်း ဂရစ်ပါများသည် စွယ်စုံရရှိပြီး မတူညီသော ပုံသဏ္ဍာန်နှင့် အရွယ်အစားရှိ အရာဝတ္ထုများကို ဆုပ်ကိုင်နိုင်သည်။ ၎င်းတို့သည် အရာဝတ္တုကို လှည့်ပတ်ပြီး ခြယ်လှယ်နိုင်စေပြီး စုဝေးခြင်းနှင့် ခြယ်လှယ်ခြင်းလုပ်ငန်းများအတွက် စံပြဖြစ်စေသည်။
Suction grippers သည် အာရုံခံ အရာဝတ္ထုနှင့် တွဲ၍ ကောက်ယူရန် ဖုန်စုပ်ခွက်များကို အသုံးပြုသည်။ ၎င်းတို့သည် ဖန်၊ ပလပ်စတစ်နှင့် သတ္တုကဲ့သို့ ချောမွေ့သော မျက်နှာပြင်များဖြင့် အရာဝတ္ထုများကို ကိုင်တွယ်ရန်အတွက် စံပြဖြစ်သည်။
နိဂုံးချုပ်အနေနဲ့ကတော့ ဖွံ့ဖြိုးဆဲပါ။3D ရုပ်ထွက်စနစ်ဖြင့် ဖမ်းဆုပ်ခြင်းစနစ်စနစ်၏ အဓိကဖွဲ့စည်းပုံစနစ်ဆိုင်ရာ အချက်များအား ဂရုတစိုက် ထည့်သွင်းစဉ်းစားရန် လိုအပ်သည်။ ၎င်းတို့တွင် အတိမ်အနက်အာရုံခံကိရိယာများ၊ အရာဝတ္ထုအသိအမှတ်ပြုမှုဆိုင်ရာ အယ်လဂိုရီသမ်များ၊ ဆုပ်ကိုင်ထားသော အယ်လဂိုရီသမ်များနှင့် လက်ကိုင်ပရိုများ ပါဝင်သည်။ ဤဖွဲ့စည်းပုံစနစ်တစ်ခုစီအတွက် အသင့်လျော်ဆုံးအစိတ်အပိုင်းများကို ရွေးချယ်ခြင်းဖြင့်၊ သုတေသီများနှင့် အင်ဂျင်နီယာများသည် ဖွဲ့စည်းတည်ဆောက်ပုံမထားသောပတ်ဝန်းကျင်ရှိ အရာဝတ္တုများကို ကျယ်ပြန့်စွာကိုင်တွယ်နိုင်သည့် ထိရောက်ပြီး ထိရောက်သောဆုပ်ကိုင်မှုစနစ်များကို တီထွင်နိုင်မည်ဖြစ်သည်။ ဤစနစ်များ ဖွံ့ဖြိုးတိုးတက်မှုသည် ကုန်ထုတ်လုပ်မှု၊ ထောက်ပံ့ပို့ဆောင်ရေးနှင့် ကျန်းမာရေးစောင့်ရှောက်မှုကဲ့သို့သော လုပ်ငန်းအမျိုးမျိုး၏ စွမ်းဆောင်ရည်နှင့် ကုန်ထုတ်စွမ်းအားကို မြှင့်တင်ရန် အလားအလာကောင်းများရှိပါသည်။
စာတိုက်အချိန်- စက်တင်ဘာ-၁၈-၂၀၂၄
