Как выглядит коробка робот фото: новая версия с «роботом» — Авторевю

Boston Dynamics представила робота-грузчика Stretch для перекладывания коробок на складах

Компания Boston Dynamics, которая прославилась своими разработками в сфере робототехники, представила свой новый проект под названием Stretch. Это робот, предназначенный для перемещения товаров в складских помещениях. Об этом пишет The Verge.

Идея создания промышленного робота возникла после демонстрации гуманоидного Atlas. «Среди прочего мы показали как он может носить коробки и это вызвало большой интерес у владельцев складов. Мы подумали, что можем создать более простого робота, который может справиться со складскими задачами», — рассказал TechCrunch вице-президент Boston Dynamics по разработке продуктов Кевин Бланкеспур (Kevin Blankespoor).

В отличии от предыдущих проектов, новинка разработана в максимально практичном стиле. Робот имеет квадратную платформу с набором колёс, «мачту восприятия» с камерами и датчикам, а также огромную роботизированную руку с набором присосок для переноса товаров. Конструкция позволяет перемещать товары весом до 23 килограмм.

По словам вице-президента Boston Dynamics Майкла Перри (Michael Perry), главный плюс этой модели в том, что она помогает обеспечить автоматизацию в местах, где отсутствует инфраструктура. Робота можно поместить в грузовик, проход или установить рядом с конвейерами. Перри уточнил, что это расширяет список потенциальных клиентов. Это связано с тем, что некоторые избегают полной автоматизации производств, потому что это слишком дорого.

Представители компании уточнили, что скорость работы Stretch очень ограничена из-за сложной системы движений. Его «рука» прикреплена непосредственно к корпусу, который двигается вместе с ней, а сбалансировать это удалось благодаря умной системе противовесов, спрятанной в его основании. В результате, максимальная скорость робота составляет 800 коробок в час. Разработчики утверждают, что это сопоставимо со скоростью человека.

Создатели Stretch заявили, что управлять роботом может любой человек, который прошёл обучение продолжительностью в несколько часов. Запуск первых пилотных образцов на рынок запланирован на 2022 год.

Если вы заметили ошибку — выделите ее мышью и нажмите CTRL+ENTER.

Boston Dynamics представила робота-кладовщика — Inc. Russia

Американская компания Boston Dynamics показала робота под названием Stretch, который способен маневрировать в ограниченном пространстве и перемещать коробки без помощи человека. Об этом пишет The Verge.

Stretch способен разгружать грузовики и выполнять повторяющиеся действия, связанные с перемещением коробок. На его квадратном основании с колесами установлена большая роботизированная рука с семью степенями свободы и мачта с визуальными датчиками для навигации. На конце руки расположен набор присосок, который позволяет роботу захватывать и перемещать коробки весом до 23 кг.

Обычно, когда оборудование для автоматизации устанавливают на складах, оно крепится болтами в одном месте и рабочий процесс выстраивают вокруг него, отмечает издание. Stretch, для сравнения, можно поместить в любое место на складе, где нужно загрузить или разгрузить товар.

По словам вице-президента Boston Dynamics по развитию бизнеса Майкла Перри, робот позволит автоматизировать рабочие процессы на складах, где нет подходящей инфраструктуры. За счет машинного зрения Stretch может приспособиться к изменившейся планировке и найти именно те грузы, которые требуется переместить. Робота можно поставить в проходах между ящиками или рядом с конвейером, добавил Перри.

Boston Dynamics утверждает, что Stretch работает без подзарядки до 8 часов и способен перемещать до 800 коробок в час, что сопоставимо со скоростью работы человека. Компания уже ищет клиентов для пилотного тестирования робота и планирует начать коммерческие поставки Stretch клиентам в 2022 году. Стоимость робота пока неизвестна.

Ранее Inc. рассказывал, что южнокорейская автомобильная компания Hyundai купила Boston Dynamics у SoftBank Group за $921 млн. Hyundai выбрала робототехнику в качестве одного из новых драйверов роста, наряду с электромобилями и водородным транспортом.

Как это работает: роботизированная коробка передач

Одна из ветвей развития механических трансмиссий привела инженеров и конструкторов к созданию роботизированной коробки передач – устройства, в котором передачи переключает не человек (путем включения и выключения сцепления), а «робот» — управляемый электроникой механизм. На данный момент это одна из наиболее прогрессивных типов коробок передач, устанавливаемых на автомобили, у которой, тем не менее, есть свои плюсы и минусы.

Принцип устройства роботизированной КПП

Платформой для создания роботизированной трансмиссии послужила механическая коробка передач. Конструкторы посчитали, что нет смысла выдумывать абсолютно новый механизм, достаточно усовершенствовать уже существующий.

Как известно, принцип работы механической коробки передач заключается в передаче крутящего момента от двигателя через первичный вал на вторичный, от которого крутящий момент попадает на главную передачу, а затем – на ведущие колеса. Момент переключения передач на «механике» осуществляется при помощи механизма сцепления, которым оперирует водитель — выжимая и отпуская сцепление, он руководит переключением передач с пониженной на повышенную, либо в обратном порядке.

В механизме работы роботизированной трансмиссии этот механический момент переключения передачи инженеры решили доверить автоматике, убрав из цепи управления непосредственное участие человека. У «робота» сцеплением и переключением передач ведают специальные узлы-актуаторы, которые бывают двух типов – актуаторы сцепления и актуаторы переключения передач. Первые ответственны за размыкание/смыкание первичного вала с двигателем, вторые – за переключение передач. Актуаторы, в свою очередь, управляются электронным блоком управления, который четко рассчитывает момент, когда должен отключиться/подключиться первичный вал и когда – включиться повышенная или пониженная передача. Когда такой сигнал поступает (при этом, электронный блок управления учитывает скорость движения машины, обороты двигателя, крутящий момент и другие данные), актуатор сцепления отсоединяет первичный вал от двигателя, а актуатор включения передачи выбирает нужную ступень. Затем актуатор сцепления плавно соединяет первичный вал с двигателем и автомобиль двигается на повышенной передаче. Тот же процесс происходит и при переключении с повышенной на пониженную передачу, а также при езде задним ходом. Устанавливались такие трансмиссии на автомобили многих марок (например, Toyota, Peugeot и другие).

Первоначально такими «роботами» оснащались автомобили концерна Volkswagen (Volkswagen, Audi, Seat, Skoda), сегодня подобными трансмиссиями оборудуются машины и других марок (BMW, Ford, Fiat). В зависимости от типа сцепления такие коробки делят на КПП с сухим и мокрым сцеплением. Принцип работы такой коробки заключается в том, что четные и нечетные ступени разнесены по разным валам (первичным и вторичным), а их включением ведает отдельный блок сцепления. Механизм такой коробки заранее подготавливает к включению следующую ступень (отсюда и название «преселективная» — предваряющая выбор передачи), благодаря чему эта процедура происходит без отключения КПП от двигателя, тем самым, не прерывается крутящий момент от мотора к ведущим колесам.

Часто возникает вопрос: в чем же различия между автоматической и роботизированной трансмиссией? Ответ прост: в устройстве. Роботизированная коробка передач – это, как было указано выше, та же «механика», только включением/выключением сцепления и переключением передач тут занимаются приводы-актуаторы. В автоматической коробке передач присутствует важный агрегат – гидротрансформатор, который заменяет собой механизм сцепления и является он связующим звеном между двигателем и собственно коробкой передач.

Достоинства и недостатки «роботов»

Положительными сторонами роботизированных коробок передач первого поколения было отсутствие педали сцепления и более низкая, чем у автоматической трансмиссии, цена. Отрицательным аспектом этих КПП был несовершенный механизм включения последующих передач, из-за чего автомобиль дергался, что приносило дискомфорт водителю и пассажирам. Также минусом этой коробки была сложность и относительно высокая стоимость ее обслуживания, которая была выше, чем у традиционной механической трансмиссии.

К плюсам преселективной роботизированной КПП можно отнести скорость переключения передач, экономичность (ввиду отсутствия потери мощности при переключении передач), работу в полностью автоматическом либо «ручном» режиме. К минусам – наличие рывков при езде на первой передаче, дороговизну ремонта и обслуживания. Например, такой характерный для многих «роботов» минус, как откатывание автомобиля назад при трогании в гору (все же роботизированная трансмиссия, несмотря на отсутствие привычного механизма сцепления, является той же «механикой») изрядно нервирует владельцев машин с РКПП и требует привыкания к подобной особенности.

Читайте еще: Поломки Робота

Как сделать роботов-коробок: проект детской поделки из картонной коробки

Как сделать роботов из картонных коробок

Чтобы сделать этот фантастический костюм робота, вам понадобится большая коробка для тела робота, квадратная коробка для его головы и две меньшие коробки для его рук. Убедитесь, что коробки достаточно велики, чтобы их можно было носить. Вы будете использовать картонные круги и чашки, чтобы добавить уши и глаза робота.

Вам понадобится:

линейка
бумажные стаканчики
ножницы
большая тарелка
кисти
прочная лента
карандаши
краски
картонные коробки

1.

Поместите квадратную рамку над головой и отметьте положение глаз. Затем снимите рамку и обведите точки. Вырежьте эту форму, чтобы получилась прорезь, сквозь которую можно было видеть.

2.

Чтобы создать уши, обведите большую пластину на карточке. Отметьте центр круга крестиком, затем вырежьте круг.

3.

Вырежьте по одному плечу креста от внешней стороны круга к центру.

4.

Вырежьте короткие прорези на других плечах креста и загните их вверх, чтобы получились выступы.

5.

Вытяните каждый круг в форме конуса. Закрепите края конуса внахлест прочной лентой. Держите выступы в центре загнутыми. Повторите шаги 2–4, чтобы сделать второе ухо.

6.

Чтобы прикрепить уши, прикрепите выступы в центре каждого конуса к бокам коробки.

7.

А теперь нарисуйте глаза. Отрежьте основу от двух бумажных стаканчиков.

8.

Сделайте прорези вокруг дна каждой чашки для создания выступов.

9.

Отогните выступы наружу, чтобы можно было легко приставить глаза к голове робота.

10.

Прикрепите глаза к голове, приклеив язычки вниз.

11.

Нарисуйте форму антенны на картоне (вы можете использовать фотографию в качестве ориентира!) Вырежьте форму.

12.

Сделайте опору для антенны робота. Вырежьте небольшой прямоугольник с выступами на двух сторонах, как показано, и загните выступы вверх.

13.

Закрепите опору лентой на верхней части головы робота, затем придайте антенне опору.Прикрепите более длинный лоскут к голове, а антенну — к более короткому.

14.

Теперь сделайте тело робота. Отрежьте одну из сторон большой коробки. Затем нарисуйте U-образную форму на противоположной стороне и вырежьте ее.

15.

Используйте большую пластину, чтобы нарисовать круги на двух других сторонах коробки. Вырежьте круги, чтобы сделать отверстия для рук.

16.

Затем сделайте руки робота.Вырежьте из картона два прямоугольных куска, сверните их в трубочки и закрепите прочной лентой.

17.

Возьмите одну из маленьких коробок и обведите трубку с каждой более короткой стороны около дна. Затем прорежьте отверстия там, где вы нарисовали.

18.

Протолкните трубку через два отверстия, чтобы получились ручки, которые можно будет удерживать при ношении. Повторите шаги 15 и 16, чтобы сделать вторую руку.

19.

Наконец, украсьте каждую часть вашего робота! Сначала нанесите базовый слой и дайте ему высохнуть. Затем раскрасьте футуристические узоры яркими цветами. Сделайте ваши украшения похожими на кнопки, циферблаты, экраны и переключатели. А почему бы не сделать вашего робота еще более технологичным, добавив трехмерные функции? Попробуйте наклеить пластиковые крышки, части ящиков для яиц и другие картонные формы.

Почему мы отправляем роботов в космос?

Марсоход Curiosity делает автопортрет на марсианской песчаной дюне.Предоставлено: NASA / JPL-Caltech / MSSS

Мы можем отправить роботов для исследования космоса, не беспокоясь об их безопасности. Конечно, мы хотим, чтобы эти тщательно сконструированные роботы прослужили долго. Нам нужно, чтобы они оставались здесь достаточно долго, чтобы расследовать и прислать нам информацию о своих пунктах назначения. Но даже если роботизированная миссия потерпит неудачу, люди, участвующие в миссии, останутся в безопасности.

Отправить робота в космос намного дешевле, чем отправить человека. Роботам не нужно есть, спать или ходить в туалет.Они могут выжить в космосе многие годы, и их можно оставить там — не нужно возвращаться!

Кроме того, роботы могут делать много вещей, недоступных людям. Некоторые из них могут выдерживать суровые условия, такие как экстремальные температуры или высокий уровень радиации. Роботы также могут быть созданы для того, чтобы делать то, что было бы слишком рискованно или невозможно для космонавтов.

Какие роботы разрабатывает НАСА в настоящее время?

Вы, наверное, слышали о некоторых роботах НАСА: марсоходах, таких как Perseverance и Curiosity.Но это лишь некоторые из самых известных роботов. Инженеры НАСА постоянно работают над новыми роботами.

НАСА исследует Марс с помощью марсоходов с момента приземления миссии Pathfinder в 1997 году и развертывания небольшого марсохода под названием Sojourner. Предоставлено: НАСА / Лаборатория реактивного движения-Калтех.

Один из последних роботов получил прозвище A-PUFFER, сокращение от Autonomous Pop-Up Flat Folding Explorer Robot. Вдохновением для создания этого легкого двухколесного искателя приключений послужил дизайн оригами.Робот может расплющиться и пригнуться, чтобы исследовать узкие места.

Посмотрите это видео, чтобы увидеть Puffer в действии! Видео предоставлено: NASA / JPL-Caltech

Тогда есть BRUIE, плавучий вездеход для подводных исследований. Этот робот может плавать в воде и катиться колесами по ледяной поверхности, делая снимки и собирая данные.

Ученые надеются когда-нибудь использовать такого робота для поиска признаков жизни на ледяных телах в других частях Солнечной системы.Например, подземные океаны спутника Юпитера Европы или спутника Сатурна Энцелада.

Робот BRUIE катит колеса по ледяной поверхности. Изображение предоставлено NASA / JPL-Caltech

Все ли роботы НАСА вездеходы?

Конечно, нет! Взгляните на этого робота по имени Ежик.

Остроконечный робот-ежик в форме куба. Изображение предоставлено: НАСА / Лаборатория реактивного движения-Калтех / Стэнфорд

Этот остроконечный куб робота разрабатывается НАСА совместно со Стэнфордским университетом и Массачусетским технологическим институтом.Hedgehog предназначен для исследования небольших тел, таких как астероиды или кометы. У них очень небольшая гравитация и чрезвычайно пересеченная местность. Вместо того, чтобы кататься, Ежик подпрыгивает и кувыркается.

Что, если он приземлится вверх ногами? Ничего страшного. Он может действовать с любой стороны. Он мог даже выбраться из глубокого кратера, используя маневр, похожий на торнадо, который запускает робота в воздух.

Делает ли НАСА роботов, похожих на людей?

Да! Их называют гуманоидными роботами.Есть некоторые задачи, для которых лучше всего подойдет робот, который движется больше как человек. Например, нам может понравиться робот-гуманоид, который поможет подготовить будущее человеческое поселение на Марсе. С учетом этих задач Космический центр имени Джонсона НАСА разработал робота под названием R5, или Валькирия.

Гуманоидный робот по имени R5 или Валькирия. Изображение предоставлено: НАСА

Этот электрический робот использует камеры, датчики, множество двигателей и два компьютера. Эти инструменты помогают R5 ориентироваться в окружающей среде и двигаться как человек.

Будь то ходьба, кувырка, полет или катание, роботы играют важную роль в освоении космоса!

Связанные ресурсы для преподавателей

Задание в классе: Разработка роботизированного насекомого
Робототехника в Лаборатории реактивного движения: предшественники исследований человека

: как программировать простого робота

Примечание редактора: 16 октября 2018 г. эта статья была переработана для работы с новейшими технологиями.

Посмотрим правде в глаза, роботы — это круто. Они также собираются когда-нибудь править миром, и, надеюсь, тогда они пожалеют своих бедных мягкотелых создателей (также известных как разработчики робототехники) и помогут нам построить космическую утопию, наполненную изобилием. Я, конечно, шучу, но только вроде.

Стремясь хоть как-то повлиять на этот вопрос, в прошлом году я прошел курс теории управления автономными роботами, кульминацией которого стало создание симулятора робота на основе Python, который позволил мне практиковать теорию управления на простом, мобильном, программируемом устройстве. робот.

В этой статье я собираюсь показать, как использовать среду роботов Python для разработки управляющего программного обеспечения, описать схему управления, которую я разработал для своего смоделированного робота, проиллюстрировать, как он взаимодействует с окружающей средой и достигает своих целей, а также обсудить некоторые фундаментальные проблемы программирования робототехники, с которыми я столкнулся на этом пути.

Чтобы следовать этому руководству по программированию робототехники для начинающих, вы должны иметь базовые знания двух вещей:

• Математика — мы будем использовать некоторые тригонометрические функции и векторы
• Python — поскольку Python является одним из наиболее популярных базовых языков программирования роботов, мы будем использовать базовые библиотеки и функции Python.

Приведенные здесь фрагменты кода являются лишь частью всего симулятора, который опирается на классы и интерфейсы, поэтому для непосредственного чтения кода вам может потребоваться некоторый опыт в Python и объектно-ориентированном программировании.

Наконец, дополнительные темы, которые помогут вам лучше следовать этому руководству, — это знать, что такое конечный автомат и как работают датчики диапазона и энкодеры.

Проблема программируемого робота: восприятие против реальности и хрупкость управления

Основная проблема всей робототехники заключается в следующем: невозможно когда-либо узнать истинное состояние окружающей среды. Программное обеспечение для управления роботом может только предполагать состояние реального мира на основе измерений, возвращаемых его датчиками.Он может только попытаться изменить состояние реального мира посредством генерации управляющих сигналов.

Программное обеспечение для управления роботом может только предполагать состояние реального мира на основе измерений, возвращаемых его датчиками.

Таким образом, одним из первых шагов в разработке системы управления является создание абстракции реального мира, известной как модель , с помощью которой можно интерпретировать показания наших датчиков и принимать решения. Пока реальный мир ведет себя в соответствии с предположениями модели, мы можем делать хорошие предположения и контролировать ситуацию.Однако, как только реальный мир отклонится от этих предположений, мы больше не сможем делать правильные предположения, и контроль будет утерян. Часто, когда контроль теряется, его уже невозможно восстановить. (Если его не восстановит какая-нибудь доброжелательная внешняя сила.)

Это одна из основных причин того, что программирование робототехники так сложно. Мы часто видим в лаборатории видеоролики, на которых новейший исследовательский робот демонстрирует фантастические навыки ловкости, навигации или совместной работы, и у нас возникает соблазн спросить: «Почему это не используется в реальном мире?» Что ж, в следующий раз, когда вы посмотрите такое видео, посмотрите, насколько строго контролируется лабораторная среда.В большинстве случаев эти роботы могут выполнять эти впечатляющие задачи только до тех пор, пока условия окружающей среды остаются в узких рамках его внутренней модели. Таким образом, одним из ключей к развитию робототехники является разработка более сложных, гибких и надежных моделей, и это продвижение зависит от ограничений доступных вычислительных ресурсов.

Одним из ключей к развитию робототехники является разработка более сложных, гибких и надежных моделей.

[Боковое примечание: и философы, и психологи отметили бы, что живые существа также страдают от зависимости от собственного внутреннего восприятия того, что им говорят их чувства.Многие успехи в робототехнике достигаются благодаря наблюдению за живыми существами и их реакции на неожиданные раздражители. Думаю об этом. Какова ваша внутренняя модель мира? Он отличается от муравья, а от рыбы? (Надеюсь.) Однако, подобно муравью и рыбе, он, вероятно, слишком упрощает некоторые реалии мира. Когда ваши предположения о мире неверны, вы рискуете потерять контроль над ситуацией. Иногда мы называем это «опасностью». Так же, как наш маленький робот пытается выжить в неизвестной вселенной, мы все тоже.Это мощное открытие для робототехников.]

Программируемый симулятор робота

Симулятор, который я построил, написан на Python и очень умно назван Sobot Rimulator . Вы можете найти версию 1.0.0 на GitHub. В нем не так много наворотов, но он создан для одной цели очень хорошо: обеспечивает точное моделирование мобильного робота и дает начинающему робототехнику простую основу для практики программирования программного обеспечения роботов. Хотя всегда лучше иметь настоящего робота, чтобы играть с ним, хороший симулятор робота Python намного доступнее и является отличным местом для начала.

В реальных роботах программное обеспечение, генерирующее управляющие сигналы («контроллер»), должно работать на очень высокой скорости и производить сложные вычисления. Это влияет на выбор языков программирования роботов, которые лучше всего использовать: обычно для таких сценариев используется C ++, но в более простых робототехнических приложениях Python — очень хороший компромисс между скоростью выполнения и простотой разработки и тестирования.

Программное обеспечение, которое я написал, имитирует реального исследовательского робота под названием Khepera, но его можно адаптировать к ряду мобильных роботов с различными размерами и датчиками.Поскольку я пытался запрограммировать симулятор, максимально приближенный к возможностям реального робота, логику управления можно загрузить в настоящего робота Khepera с минимальным рефакторингом, и он будет работать так же, как моделируемый робот. Реализованные особенности относятся к Khepera III, но они могут быть легко адаптированы к новому Khepera IV.

Другими словами, программирование смоделированного робота аналогично программированию реального робота. Это очень важно, если симулятор должен быть полезен для разработки и оценки различных подходов к управляющему программному обеспечению.

В этом руководстве я опишу архитектуру программного обеспечения для управления роботами, которая поставляется с v1.0.0 из Sobot Rimulator , и предоставлю фрагменты из исходного кода Python (с небольшими изменениями для ясности). Тем не менее, я рекомендую вам погрузиться в источник и бездельничать. Симулятор был разветвлен и использовался для управления различными мобильными роботами, включая Roomba2 от iRobot. Точно так же, пожалуйста, не стесняйтесь разветвлять проект и улучшать его.

Управляющая логика робота ограничена следующими классами / файлами Python:

• модели / супервайзер.py — этот класс отвечает за взаимодействие между моделируемым миром вокруг робота и самим роботом. Он развивает конечный автомат нашего робота и запускает контроллеры для вычисления желаемого поведения.
• models / supervisor_state_machine.py — этот класс представляет различные состояния , в которых может находиться робот, в зависимости от его интерпретации датчиков.
• Файлы в каталоге models / controllers — эти классы реализуют различное поведение робота при известном состоянии окружающей среды.В частности, в зависимости от конечного автомата выбирается конкретный контроллер.

Цель

Роботам, как и людям, нужна цель в жизни. Цель нашего программного обеспечения, управляющего этим роботом, будет очень простой: он попытается добраться до заранее определенной целевой точки. Обычно это основная функция, которой должен обладать любой мобильный робот, от автономных автомобилей до роботов-пылесосов. Координаты цели программируются в управляющем программном обеспечении до активации робота, но могут быть сгенерированы из дополнительного приложения Python, которое контролирует движения робота.Например, представьте, что он проезжает через несколько путевых точек.

Однако, чтобы усложнить ситуацию, окружение робота может быть усыпано препятствиями. Робот НЕ МОЖЕТ столкнуться с препятствием на пути к цели. Следовательно, если робот сталкивается с препятствием, ему придется найти путь, чтобы продолжить свой путь к цели.

Программируемый робот

Каждый робот имеет разные возможности и особенности управления. Давайте познакомимся с нашим смоделированным программируемым роботом.

Прежде всего следует отметить, что в этом руководстве нашим роботом будет автономный мобильный робот . Это означает, что он будет свободно перемещаться в пространстве и будет делать это под собственным контролем. Это контрастирует, скажем, с роботом с дистанционным управлением (который не является автономным) или заводским роботом-манипулятором (который не является мобильным). Наш робот должен сам выяснить, как достичь своих целей и выжить в окружающей среде. Это оказывается удивительно сложной задачей для начинающих программистов-робототехников.

Управляющие входы: датчики

Есть много разных способов, которыми робот может быть оборудован для наблюдения за окружающей средой. Это могут быть датчики приближения, датчики света, бамперы, камеры и т. Д. Кроме того, роботы могут связываться с внешними датчиками, которые дают им информацию, которую они сами не могут наблюдать.

Наш эталонный робот оснащен девятью инфракрасными датчиками. — более новая модель имеет восемь инфракрасных и пять ультразвуковых датчиков приближения — расположенных в «юбке» во всех направлениях.Есть больше датчиков, обращенных к передней части робота, чем к задней части, потому что для робота обычно более важно знать, что находится перед ним, чем то, что находится за ним.

Помимо датчиков приближения, у робота есть пара бегунов колес, которые отслеживают движение колес. Они позволяют отслеживать, сколько оборотов делает каждое колесо, при этом один полный оборот колеса вперед составляет 2765 тиков. Повороты в обратном направлении считают обратный отсчет, уменьшая счетчик тиков вместо того, чтобы увеличивать его.Вам не нужно беспокоиться о конкретных цифрах в этом руководстве, потому что программное обеспечение, которое мы напишем, использует пройденное расстояние, выраженное в метрах. Позже я покажу вам, как вычислить его по тикам с помощью простой функции Python.

Управляющие выходы: мобильность

Некоторые роботы передвигаются на ногах. Некоторые катятся, как мяч. Некоторые даже скользят, как змеи.

Наш робот — это робот с дифференциальным приводом, то есть он передвигается на двух колесах. Когда оба колеса вращаются с одинаковой скоростью, робот движется по прямой.Когда колеса движутся с разной скоростью, робот поворачивается. Таким образом, управление движением этого робота сводится к правильному контролю скорости вращения каждого из этих двух колес.

API

В Sobot Rimulator разделение между роботом «компьютером» и (смоделированным) физическим миром воплощено в файле robot_supervisor_interface.py , который определяет весь API для взаимодействия с датчиками и двигателями «реального робота»:

• read_proximity_sensors () возвращает массив из девяти значений в собственном формате датчиков
• read_wheel_encoders () возвращает массив из двух значений, указывающих общее количество тиков с начала
• set_wheel_drive_rates (v_l, v_r) принимает два значения (в радианах в секунду) и устанавливает эти два значения для скорости левого и правого колес

Этот интерфейс внутренне использует объект-робот, который предоставляет данные от датчиков и возможность перемещать двигатели или колеса.Если вы хотите создать другого робота, вам просто нужно предоставить другой класс робота Python, который может использоваться с тем же интерфейсом, а остальная часть кода (контроллеры, супервизор и симулятор) будет работать из коробки!

Симулятор

Так же, как вы использовали бы настоящего робота в реальном мире, не уделяя слишком много внимания задействованным законам физики, вы можете игнорировать то, как моделируется робот, и просто перейти непосредственно к программированию программного обеспечения контроллера, поскольку это будет почти то же самое между реальным миром и симуляцией.Но если вам интересно, я кратко представлю его здесь.

Файл world.py — это класс Python, который представляет смоделированный мир с роботами и препятствиями внутри. Функция step внутри этого класса заботится о развитии нашего простого мира:

• Применение правил физики к движениям робота
• Учет столкновений с препятствиями
• Предоставление новых значений для датчиков робота

В конце концов, он вызывает диспетчеров роботов, ответственных за выполнение программного обеспечения мозга робота.

Пошаговая функция выполняется в цикле, так что robot.step_motion () перемещает робота, используя скорость колеса, вычисленную супервизором на предыдущем шаге моделирования.

  # пошаговое моделирование через один временной интервал
def step (self):
dt = self.dt
# шагаем всем роботам
для робота в self.robots:
# шаг движения робота
robot.step_motion (dt)

# применяем физические взаимодействия
self.physics.apply_physics ()

# ПРИМЕЧАНИЕ: супервизоры должны бежать последними, чтобы убедиться, что они наблюдают за «текущим» миром.
# шаг все супервизоры
для руководителя в себе.руководители:
supervisor.step (dt)

# увеличить мировое время
self.world_time + = dt
  

Функция apply_physics () внутренне обновляет значения датчиков приближения робота, чтобы супервизор мог оценить окружающую среду на текущем этапе моделирования. Те же принципы применимы к кодировщикам.

Простая модель

Во-первых, у нашего робота будет очень простая модель. Он сделает много предположений о мире. Некоторые из важных включают:

• Рельеф всегда ровный и ровный
• Препятствий не бывает круглых
• Колеса не пробуксовывают
• Ничто и никогда не сможет толкнуть робота вокруг
• Датчики никогда не выходят из строя и не дают ложных показаний
• Колеса всегда поворачиваются, когда им говорят на

Хотя большинство из этих предположений разумны в условиях, подобных дому, могут присутствовать круглые препятствия.Наше программное обеспечение для предотвращения препятствий имеет простую реализацию и следует за границей препятствий, чтобы обойти их. Мы подскажем читателям, как улучшить систему управления нашим роботом с помощью дополнительной проверки, позволяющей избегать круговых препятствий.

Контур управления

Теперь мы войдем в ядро ​​нашего управляющего программного обеспечения и объясним поведение, которое мы хотим запрограммировать внутри робота. В эту структуру можно добавить дополнительные модели поведения, и вы должны попробовать свои собственные идеи после того, как закончите читать! Программное обеспечение для робототехники на основе поведения было предложено более 20 лет назад и до сих пор остается мощным инструментом для мобильной робототехники.Например, в 2007 году набор моделей поведения был использован в DARPA Urban Challenge — первом соревновании для автомобилей с автономным вождением!

Робот — это динамическая система. Состояние робота, показания его датчиков и влияние его управляющих сигналов постоянно меняются. Управление ходом событий включает следующие три этапа:

1. Подайте управляющие сигналы.
2. Измерьте результаты.
3. Генерировать новые управляющие сигналы, рассчитанные на то, чтобы приблизить нас к нашей цели.

Эти шаги повторяются снова и снова, пока мы не достигнем нашей цели. Чем больше раз мы сможем сделать это в секунду, тем более точным будет контроль над системой. Робот Sobot Rimulator повторяет эти шаги 20 раз в секунду (20 Гц), но многие роботы должны делать это тысячи или миллионы раз в секунду, чтобы иметь адекватный контроль. Вспомните наше предыдущее введение о разных языках программирования роботов для разных робототехнических систем и требований к скорости.

В общем, каждый раз, когда наш робот выполняет измерения с помощью своих датчиков, он использует эти измерения для обновления своей внутренней оценки состояния мира, например, расстояния от своей цели.Он сравнивает это состояние с эталонным значением того, что хочет, чтобы состояние было (для расстояния он хочет, чтобы оно было равно нулю), и вычисляет ошибку между желаемым состоянием и фактическим состоянием. Как только эта информация известна, создание новых управляющих сигналов может быть сведено к задаче , минимизируя ошибку , которая в конечном итоге приведет робота к цели.

Отличный трюк: упрощение модели

Чтобы управлять роботом, которого мы хотим запрограммировать, мы должны послать сигнал левому колесу, сообщая ему, с какой скоростью поворачивать, и отдельный сигнал правому колесу, сообщающий и , как быстро вращаться.Назовем эти сигналы v L и v R . Однако постоянно думать в терминах v L и v R очень громоздко. Вместо того, чтобы спрашивать: «С какой скоростью мы хотим, чтобы вращалось левое колесо, и с какой скоростью мы хотим, чтобы вращалось правое колесо?» естественнее спросить: «С какой скоростью мы хотим, чтобы робот двигался вперед, и с какой скоростью мы хотим, чтобы он поворачивался или менял свой курс?» Назовем эти параметры скоростью v и угловой (вращательной) скоростью ω (читается «омега»).Оказывается, мы можем основывать всю нашу модель на v и ω вместо v L и v R , и только после того, как мы определили, как мы хотим, чтобы наш запрограммированный робот двигался, математически преобразовывать эти два значения в v L и v R нам нужно на самом деле управлять колесами робота. Это известно как одноколесный велосипед , модель управления.

Вот код Python, реализующий окончательное преобразование в супервизоре .py . Обратите внимание, что если ω равно 0, оба колеса будут вращаться с одинаковой скоростью:

  # генерировать и отправлять роботу правильные команды
def _send_robot_commands (сам):
  # ...
  v_l, v_r = self._uni_to_diff (v, омега)
  self.robot.set_wheel_drive_rates (v_l, v_r)

def _uni_to_diff (self, v, omega):
  # v = поступательная скорость (м / с)
  # омега = угловая скорость (рад / с)

  R = self.robot_wheel_radius
  L = self.robot_wheel_base_length

  v_l = ((2.0 * v) - (омега * L)) / (2.0 * R)
  v_r = ((2,0 * v) + (омега * L)) / (2,0 * R)

  вернуть v_l, v_r
  

Оценка состояния: робот, познай себя

Используя свои датчики, робот должен попытаться оценить состояние окружающей среды, а также свое собственное состояние. Эти оценки никогда не будут идеальными, но они должны быть достаточно хорошими, потому что робот будет основывать все свои решения на этих оценках. Используя только свои датчики приближения и бегущие строки колес, он должен попытаться угадать следующее:

• Направление на препятствия
• Расстояние до препятствий
• Положение робота
• Заголовок робота

Первые два свойства определяются показаниями датчика приближения и довольно просты.Функция API read_proximity_sensors () возвращает массив из девяти значений, по одному для каждого датчика. Мы заранее знаем, что седьмое показание, например, соответствует датчику, который указывает на 75 градусов вправо от робота.

Таким образом, если это значение показывает значение, соответствующее расстоянию 0,1 метра, мы знаем, что есть препятствие на расстоянии 0,1 метра, 75 градусов влево. Если препятствий нет, датчик вернет значение максимальной дальности 0,2 метра.Таким образом, если мы прочитаем 0,2 метра на датчике 7, мы предположим, что на самом деле препятствий в этом направлении нет.

Из-за того, как работают инфракрасные датчики (измерение инфракрасного отражения), возвращаемые ими числа являются нелинейным преобразованием фактического обнаруженного расстояния. Таким образом, функция Python для определения указанного расстояния должна преобразовывать эти показания в метры. Это делается в supervisor.py следующим образом:

  # обновить расстояния, указанные датчиками приближения
def _update_proximity_sensor_distances (самостоятельно):
    себя.близости_sensor_distances = [0,02- (журнал (значение чтения / 3960,0)) / 30,0 для
        readval в self.robot.read_proximity_sensors ()]
  

Опять же, у нас есть конкретная модель датчика в этой среде роботов Python, в то время как в реальном мире датчики поставляются с сопутствующим программным обеспечением, которое должно обеспечивать аналогичные функции преобразования из нелинейных значений в счетчики.

Определение положения и курса робота (вместе известное как поза в программировании робототехники, ) является несколько более сложной задачей.Наш робот использует одометрию , чтобы оценить свою позу. Вот здесь-то и пригодятся бегущие строки колес. Измеряя, насколько каждое колесо повернулось с момента последней итерации цикла управления, можно получить хорошую оценку того, как изменилась поза робота, но только в том случае, если изменение небольшое. .

Это одна из причин, по которой важно очень часто повторять цикл управления в реальном роботе, где двигатели, вращающие колеса, могут быть несовершенными. Если бы мы слишком долго ждали, чтобы измерить тикеры колес, оба колеса могли бы сделать довольно много, и было бы невозможно оценить, где мы оказались.

Имея наш текущий программный симулятор, мы можем позволить выполнить расчет одометрии при 20 Гц — той же частоте, что и контроллеры. Но было бы неплохо иметь отдельный поток Python, работающий быстрее, чтобы улавливать более мелкие движения тикеров.

Ниже представлена ​​полная функция одометрии в файле supervisor.py , которая обновляет оценку позы робота. Обратите внимание, что поза робота состоит из координат x и y и заголовка theta , который измеряется в радианах от положительной оси X.Положительное значение x расположено на востоке, а положительное значение y — на севере. Таким образом, заголовок 0 указывает на то, что робот смотрит прямо на восток. Робот всегда принимает исходную позу (0, 0), 0 .

  # обновить расчетное положение робота, используя показания датчика положения колеса
def _update_odometry (самостоятельно):
  R = self.robot_wheel_radius
  N = плавающее (self.wheel_encoder_ticks_per_revolution)
  
  # считываем значения энкодера колеса
  ticks_left, ticks_right = self.robot.read_wheel_encoders ()
  
  # получить разницу в тиках с последней итерации
  d_ticks_left = ticks_left - self.prev_ticks_left
  d_ticks_right = ticks_right - self.prev_ticks_right
  
  # оценить движения колеса
  d_left_wheel = 2 * pi * R * (d_ticks_left / N)
  d_right_wheel = 2 * pi * R * (d_ticks_right / N)
  d_center = 0,5 * (d_left_wheel + d_right_wheel)
  
  # рассчитываем новую позу
  prev_x, prev_y, prev_theta = self.estimated_pose.scalar_unpack ()
  new_x = prev_x + (d_center * cos (prev_theta))
  new_y = prev_y + (d_center * sin (prev_theta))
  new_theta = prev_theta + ((d_right_wheel - d_left_wheel) / self.robot_wheel_base_length)
  
  # обновить оценку позы с новыми значениями
  self.estimated_pose.scalar_update (new_x, new_y, new_theta)
  
  # сохраняем текущий счетчик тиков для следующей итерации
  self.prev_ticks_left = ticks_left
  self.prev_ticks_right = ticks_right
  

Теперь, когда наш робот может дать точную оценку реального мира, давайте воспользуемся этой информацией для достижения наших целей.

Методы программирования роботов на Python: поведение к цели

Высшая цель существования нашего маленького робота в этом руководстве по программированию — добраться до цели.Так как же заставить колеса повернуться, чтобы добраться туда? Давайте начнем с небольшого упрощения нашего мировоззрения и предположим, что на пути нет препятствий.

Это становится простой задачей и может быть легко запрограммировано на Python. Если мы пойдем вперед, глядя на цель, мы доберемся до нее. Благодаря одометрии мы знаем наши текущие координаты и направление. Мы также знаем координаты цели, потому что они были запрограммированы заранее. Поэтому, используя небольшую линейную алгебру, мы можем определить вектор от нашего местоположения к цели, как в go_to_goal_controller.py :

  # вернуть вектор курса к цели в системе отсчета робота
def calculate_gtg_heading_vector (сам):
  # получаем обратную позу робота
  robot_inv_pos, robot_inv_theta = self.supervisor.estimated_pose (). inverse (). vector_unpack ()
  
  # вычисляем вектор цели в системе отсчета робота
  цель = self.supervisor.goal ()
  goal = linalg.rotate_and_translate_vector (цель, robot_inv_theta, robot_inv_pos)
  
  возвратный гол
  

Обратите внимание, что мы получаем вектор к цели в системе отсчета робота, а НЕ в мировых координатах.Если цель находится на оси X в системе отсчета робота, это означает, что она находится прямо перед роботом. Таким образом, угол этого вектора относительно оси X — это разница между нашим курсом и тем курсом, которым мы хотим быть. Другими словами, это ошибка между нашим текущим состоянием и тем, каким мы хотим видеть текущее состояние. Поэтому мы хотим настроить угол поворота на угол ω так, чтобы угол между нашим курсом и целью изменился в сторону 0. Мы хотим минимизировать ошибку:

  # вычислить условия ошибки
theta_d = atan2 (сам.gtg_heading_vector [1], self.gtg_heading_vector [0])

# вычислить угловую скорость
omega = self.kP * theta_d
  

self.kP в приведенном выше фрагменте реализации контроллера Python является усилением управления. Это коэффициент, который определяет, насколько быстро мы перейдем к соотношению , равному , к тому, насколько далеко от цели, которая стоит перед нами. Если ошибка в нашем заголовке 0 , то скорость поворота тоже 0 . В реальной функции Python внутри файла go_to_goal_controller.py , вы увидите больше аналогичных приростов, поскольку мы использовали ПИД-регулятор вместо простого пропорционального коэффициента.

Теперь, когда у нас есть угловая скорость ω , как нам определить нашу поступательную скорость v ? Хорошее общее эмпирическое правило — это то, которое вы, вероятно, знаете инстинктивно: если мы не делаем поворот, мы можем двигаться вперед на полной скорости, и чем быстрее мы поворачиваем, тем больше нам следует замедляться. Это обычно помогает нам поддерживать стабильность нашей системы и действовать в рамках нашей модели.Таким образом, v является функцией ω . В go_to_goal_controller.py уравнение:

  # вычислить поступательную скорость
# скорость равна v_max, когда omega равно 0,
# быстро падает до нуля, поскольку | omega | поднимается
v = self.supervisor.v_max () / (абс (омега) + 1) ** 0,5
  

Предлагается уточнить эту формулу, чтобы учесть, что мы обычно замедляемся, когда приближаемся к цели, чтобы достичь ее с нулевой скоростью. Как бы изменилась эта формула? Он должен каким-то образом включать замену v_max () чем-то, пропорциональным расстоянию.Хорошо, мы почти завершили единственный контур управления. Осталось только преобразовать эти два параметра модели одноколесного велосипеда в дифференциальные скорости колес и послать сигналы на колеса. Вот пример траектории робота под управлением контроллера перехода к цели без препятствий:

Как мы видим, вектор к цели является для нас эффективным ориентиром, на котором основываются наши контрольные вычисления. Это внутреннее представление о том, «куда мы хотим идти». Как мы увидим, единственное существенное различие между поведением к цели и другим поведением состоит в том, что иногда движение к цели — плохая идея, поэтому мы должны вычислить другой опорный вектор.

Методы программирования роботов на Python: поведение без препятствий

Показательный пример — движение к цели, когда в этом направлении есть препятствие. Вместо того чтобы бросаться с головой в препятствия на своем пути, давайте попробуем запрограммировать закон управления, который заставляет робота избегать их.

Чтобы упростить сценарий, давайте теперь полностью забудем о целевой точке и просто сделаем следующую нашу цель: Когда перед нами нет препятствий, двигайтесь вперед. Когда встретите препятствие, отворачивайтесь от него, пока оно не исчезнет перед нами.

Соответственно, когда перед нами нет препятствий, мы хотим, чтобы наш опорный вектор просто указывал вперед. Тогда ω будет нулевым, а v будет максимальной скоростью. Однако, как только мы обнаруживаем препятствие с помощью наших датчиков приближения, мы хотим, чтобы опорный вектор указывал в любом направлении от препятствия. Это заставит ω взлететь, чтобы отвратить нас от препятствия, и заставит v упасть, чтобы убедиться, что мы случайно не натолкнемся на препятствие в процессе.

Изящный способ сгенерировать желаемый опорный вектор — это преобразовать наши девять показаний близости в векторы и получить взвешенную сумму. Если препятствий не обнаружено, векторы будут суммироваться симметрично, в результате чего будет получен опорный вектор, указывающий прямо вперед по желанию. Но если датчик, скажем, на правой стороне улавливает препятствие, он вносит меньший вектор в сумму, и результатом будет опорный вектор, смещенный влево.

Для обычного робота с другим расположением датчиков можно применить ту же идею, но может потребоваться изменение веса и / или дополнительная осторожность, когда датчики симметричны спереди и сзади робота, поскольку взвешенная сумма может стать нуль.

Вот код, который делает это в escape_obstacles_controller.py :

  # коэффициент усиления (веса) датчика
self.sensor_gains = [1.0+ ((0.4 * абс (p.theta)) / пи)
                      для p в supervisor.proximity_sensor_placements ()]

# ...

# возвращаем вектор уклонения от препятствий в системе отсчета робота
# также возвращает векторы к обнаруженным препятствиям в системе отсчета робота
def calculate_ao_heading_vector (сам):
  # инициализировать вектор
  Препятствие_векторах = [[0.0, 0,0]] * len (self.proximity_sensor_placements)
  ao_heading_vector = [0,0, 0,0]
  
  # получаем расстояния, указанные по показаниям сенсоров робота
  sensor_distances = self.supervisor.proximity_sensor_distances ()
  
  # вычислить положение обнаруженных препятствий и найти вектор уклонения
  robot_pos, robot_theta = self.supervisor.estimated_pose (). vector_unpack ()
  
  для i в диапазоне (len (sensor_distances)):
    # вычисляем положение препятствия
    sensor_pos, sensor_theta = self.близости_sensor_placements [i] .vector_unpack ()
    vector = [sensor_distances [i], 0,0]
    vector = linalg.rotate_and_translate_vector (vector, sensor_theta, sensor_pos)
    Препятствие_вектора [i] = вектор # сохранить векторы препятствия в системе отсчета робота
    
    # накапливаем вектор курса в системе отсчета робота
    ao_heading_vector = linalg.add (ao_heading_vector,
                                 linalg.scale (вектор, self.sensor_gains [i]))
                                 
  вернуть ao_heading_vector, преподобный_вектор
  

Используя полученный результат ao_heading_vector в качестве эталона для робота, чтобы попытаться сопоставить, вот результаты запуска программного обеспечения робота в симуляции с использованием только контроллера избегания препятствий, полностью игнорируя целевую точку.Робот бесцельно подпрыгивает, но никогда не сталкивается с препятствием и даже умудряется перемещаться по очень тесным пространствам:

Методы программирования роботов на Python: гибридные автоматы (конечный автомат поведения)

До сих пор мы описали два поведения — стремление к цели и избегание препятствий — по отдельности. Оба они превосходно выполняют свои функции, но для того, чтобы успешно достичь цели в среде, полной препятствий, нам необходимо объединить их.

Решение, которое мы разработаем, относится к классу машин, который имеет в высшей степени классное обозначение гибридных автоматов .Гибридный автомат запрограммирован с несколькими различными поведениями или режимами, а также с контролирующим конечным автоматом. Конечный автомат контроля переключается из одного режима в другой в дискретные моменты времени (когда цели достигнуты или окружающая среда внезапно изменилась слишком сильно), в то время как каждое поведение использует датчики и колеса для непрерывной реакции на изменения окружающей среды. Решение было названо hybrid , потому что оно развивается как дискретным, так и непрерывным образом.

Наша платформа роботов Python реализует конечный автомат в файле supervisor_state_machine.py .

При наличии двух удобных вариантов поведения простая логика напрашивается сама собой: Если препятствие не обнаружено, используйте поведение перехода к цели. При обнаружении препятствия переключитесь на поведение избегания препятствий до тех пор, пока препятствие не перестанет обнаруживаться.

Однако оказывается, что эта логика вызовет множество проблем. Что эта система будет иметь тенденцию делать, когда сталкивается с препятствием, так это отвернуться от него, а затем, как только она отошла от него, развернуться назад и снова столкнуться с ним.В результате получается бесконечный цикл быстрого переключения, который делает робота бесполезным. В худшем случае робот может переключаться между поведениями с на каждой итерации контура управления — состояние, известное как условие Зенона .

Есть несколько решений этой проблемы, и читатели, которые ищут более глубокие знания, должны проверить, например, архитектуру программного обеспечения DAMN.

Для нашего простого смоделированного робота нам нужно более простое решение: еще одно поведение, специализированное на задаче обойти вокруг препятствия и достичь другой стороны.

Методы программирования роботов на Python: поведение следования за стеной

Вот идея: когда мы сталкиваемся с препятствием, снимаем показания двух датчиков, которые находятся ближе всего к препятствию, и используем их для оценки поверхности препятствия. Затем просто установите наш опорный вектор параллельно этой поверхности. Продолжайте следовать по этой стене, пока A) препятствие больше не будет между нами и целью, и B) мы не приблизимся к цели, чем были в начале. Тогда мы можем быть уверены, что правильно преодолели препятствие.

Имея ограниченную информацию, мы не можем с уверенностью сказать, будет ли быстрее объехать препятствие слева или справа. Чтобы определиться, мы выбираем направление, которое сразу приблизит нас к цели. Чтобы выяснить, в каком направлении это происходит, нам нужно знать опорные векторы поведения движения к цели и поведения избегания препятствий, а также оба возможных опорных вектора следования за стеной. Вот иллюстрация того, как принимается окончательное решение (в этом случае робот решит пойти налево):

Определение опорных векторов следящей стены оказывается немного сложнее, чем опорные векторы обхода препятствий или движения к цели.Взгляните на код Python в follow_wall_controller.py , чтобы увидеть, как это делается.

Дизайн окончательного контроля

Окончательный дизайн управления использует поведение следящей стены почти для всех столкновений с препятствиями. Однако, если робот окажется в труднодоступном месте, опасно близко к столкновению, он переключится в режим чистого избегания препятствий, пока не окажется на более безопасном расстоянии, а затем вернется к следящей стене. После успешного преодоления препятствий робот переходит к цели.Вот диаграмма конечного состояния, которая запрограммирована внутри supervisor_state_machine.py :

Вот робот, успешно перемещающийся в многолюдной среде, используя эту схему управления:

Дополнительная функция конечного автомата, которую вы можете попробовать реализовать, — это способ избежать круговых препятствий, переключившись на достижение цели как можно скорее вместо того, чтобы следовать за границей препятствия до конца (чего не существует для круглых объектов. !)

Твик, твик, твик: пробная версия и ошибка

Схема управления, поставляемая с Sobot Rimulator, очень точно настроена.Потребовалось много часов, чтобы настроить одну маленькую переменную здесь и другое уравнение там, чтобы заставить ее работать так, как я был удовлетворен. Программирование робототехники часто связано с большим количеством простых старых проб и ошибок. Роботы очень сложны, и есть несколько способов заставить их вести себя оптимальным образом в среде симулятора роботов … по крайней мере, не намного меньше машинного обучения, но это целая баня червей.

Робототехника часто включает в себя множество простых старых проб и ошибок.

Я рекомендую вам поиграть с контрольными переменными в Sobot Rimulator, понаблюдать и попытаться интерпретировать результаты. Все изменения следующих элементов оказывают сильное влияние на поведение моделируемого робота:

• Ошибка прироста кПа в каждом контроллере
• Коэффициент усиления датчика, используемый контроллером объезда препятствий
• Вычисление v как функции ω в каждом контроллере
• Расстояние отрыва от препятствий, используемое контроллером следящей стены
• Условия переключения, используемые supervisor_state_machine.ру
• Практически все остальное

Когда программируемые роботы выходят из строя

Мы проделали большую работу, чтобы добраться до этого момента, и этот робот кажется довольно умным. Тем не менее, если вы запустите Sobot Rimulator на нескольких случайных картах, вскоре вы найдете ту, с которой этот робот не сможет справиться. Иногда он заезжает прямо в крутые повороты и сталкивается. Иногда он просто бесконечно колеблется взад и вперед не с той стороны препятствия. Иногда его законно заключают в тюрьму без возможности достижения цели.После всего нашего тестирования и настройки иногда мы должны прийти к выводу, что модель, с которой мы работаем, просто не подходит для работы, и мы должны изменить дизайн или добавить функциональность.

Во вселенной мобильных роботов «мозг» нашего маленького робота находится на более простом конце спектра. Многие из возникающих сбоев можно было бы преодолеть, добавив в систему более совершенное программное обеспечение. Более продвинутые роботы используют такие методы, как отображение , чтобы запоминать, где он был, и избегать повторения одних и тех же вещей снова и снова; эвристика , чтобы генерировать приемлемые решения, когда идеальное решение не может быть найдено; и машинное обучение , чтобы более точно настроить различные параметры управления, управляющие поведением робота.

Пример того, что будет дальше

Роботы уже так много делают для нас, и только в будущем они будут делать еще больше. Хотя даже базовое программирование робототехники — сложная область изучения, требующая большого терпения, это также увлекательная и очень полезная область.

В этом руководстве мы узнали, как разработать программное обеспечение реактивного управления для робота, используя язык программирования высокого уровня Python. Но есть много более сложных концепций, которые можно быстро изучить и протестировать с помощью фреймворка роботов Python, аналогичного тому, который мы здесь прототипировали.Я надеюсь, что вы подумаете об участии в формировании будущего!

Благодарность: Я хотел бы поблагодарить доктора Магнуса Эгерштедта и Жан-Пьера де ла Круа из Технологического института Джорджии за то, что они научили меня всему этому, и за их энтузиазм по поводу моей работы над Sobot Rimulator.

Три года назад еле еле могла ходить. Сейчас робот-гуманоид Атлас занимается гимнастикой.

Если недавно загруженное технологической компанией видео является каким-либо признаком, Атлас за несколько месяцев превратился из гимнастического класса средней школы во что-то вроде профессионального спортсмена.В 38-секундном видео прочная машина с батарейным питанием — высотой 4 фута 9 дюймов и весом 176 фунтов — демонстрирует чрезвычайно маневренную рутину (используя свои ноги, руки и туловище) с грациозностью, которую вы ожидаете от человек с годами обучения.

«Мы создали маневры, используя новые методы, которые упрощают процесс разработки», — написала Boston Dynamics в описании видео. «Во-первых, алгоритм оптимизации преобразует высокоуровневые описания каждого маневра в динамически выполнимые опорные движения.Затем Atlas отслеживает движения с помощью прогнозирующего контроллера модели, который плавно переходит от одного маневра к другому ».

Несмотря на такую ​​плавность, робот не идеален, по словам тех, кто его обслуживает.

«Используя этот подход, мы разработали процедуру значительно быстрее, чем предыдущие процедуры Atlas, с показателем эффективности около 80%», — говорится в описании.

В течение нескольких часов после публикации в сети последнее видео Атласа собрало почти 1,5 миллиона просмотров и тысячи комментариев, многие из которых предполагали, что новообретенный атлетизм робота был свидетельством того, что власть человечества над машинами подходит к концу.

«Значит, мы будем продолжать вести себя так, как будто никогда не видели Терминатора?» написал один комментатор.

«Совершенно потрясающе!» добавил еще один. «Я чувствую запах будущего, в котором роботы бродят вместе с нами по улицам!»

В последние годы Boston Dynamics стала известна двумя вещами: созданием роботов, чьи движения имитируют движения людей и животных с точностью, которую многие находят удивительной, если не пугающей. А затем, без предупреждения, размещение в Интернете загадочных видеороликов этих роботов, где они быстро становятся вирусными, запечатлевая некоторую смесь возбуждения и ужаса по поводу быстрого роста автономных машин.

Boston Dynamics был приобретен японским Softbank у Alphabet в 2017 году. В последние годы он произвел четвероногих роботов с такими именами, как Spot, Wildcat и BigDog, которые могут открывать двери, перевозить тяжелые грузы и бегать со скоростью почти 20 миль в час. , но его наиболее узнаваемым продуктом является Атлас, человекоподобный атлет, которого Boston Dynamics называет «самым динамичным гуманоидным роботом в мире».

Управляемый лидаром — датчиком, который использует импульсный лазерный датчик для измерения расстояния между объектами — и стереозрением, компактный робот может тянуть почти 25 фунтов.Boston Dynamics заявляет, что Atlas также может манипулировать объектами в окружающей среде, перемещаться по пересеченной местности, сохранять равновесие при толкании и подниматься обратно при опрокидывании.

Не далее как три года назад было зафиксировано, что Атлас неуклюже шагал по снегу на медленной скорости, его механическому телу не хватало текучести и маневренности, которые он демонстрирует сейчас.

Любопытство по поводу Atlas усилилось в прошлом году, когда Boston Dynamics разместила на YouTube 34-секундный клип, показывающий, как ранее останавливающийся робот совершает небрежную и гладкую пробежку в зеленом жилом районе.Видео, в котором запечатлен отчетливый звук, похожий на звук копировального аппарата, создаваемый движениями робота, казалось, застал врасплох многих зрителей, в том числе Daily Mail, в которой рассказывалось о физических подвигах Атласа в то время.

«Если вы думали, что сможете убежать от ужасающего нового поколения роботов, — писала газета, — это плохие новости».

Amazon.com: Vector Robot от Anki, домашний робот, который тусуется и помогает, со встроенным Amazon Alexa: компьютеры и аксессуары

Скажи «Привет, вектор.«Знающий и отзывчивый, Vector зависает и помогает. Теперь со встроенным Alexa. Повышенная полезность робота.

Живой с индивидуальностью.
Vector — необычный домашний робот. Обладая технологиями, которые оживляют его, он любопытен и внимателен. Он реагирует на звук, зрение и прикосновения и очень рад видеть вас, когда вы вернетесь домой.

Всегда рад помочь.
Vector покажет вам погоду, сфотографирует вас, пообедает, поиграет в блэкджек и ответит на ваши вопросы.
Если вы решите настроить Alexa на своем векторе, у него будет доступ к постоянно растущему числу навыков, которые сделают его полезнее в вашем доме. С помощью стандартной голосовой команды «Alexa» вы сможете: добавлять товары в список покупок, устанавливать напоминания, управлять устройствами умного дома, такими как освещение, динамики и термостаты, и многое другое.

Независимый и бдительный.
Вектор счастлив с вами, но он может позаботиться о себе и провести время самостоятельно. Он самозаряжается, перемещается по объектам и избегает краев.

Умный и умный.
Vector — это платформа обновления, облачная, подключенная через Wi-Fi, поэтому он постоянно учится и обновляется, приобретая новые навыки и функции.

Вектор знает, что происходит.
ОН МОЖЕТ ВИДЕТЬ. Vector использует камеру HD, чтобы увидеть мир. Используя компьютерное зрение, он может идентифицировать людей, видеть и запоминать лица и перемещаться по своему пространству, не натыкаясь на предметы.
ОН МОЖЕТ ДУМАТЬ. Процессор Vector на уровне смартфона и возможность подключения к облаку составляют единый мощный мозг.
ОН МОЖЕТ СЛЫШАТЬ. Vector имеет мощную решетку из четырех микрофонов для направленного прослушивания. Когда вы садитесь рядом с ним, он готов принять направление. А если будет громкий шум, он испугается не меньше вас.
ОН МОЖЕТ ОБЩАТЬСЯ. Вектор обладает уникальным голосом, состоящим из сотен синтезированных звуков, чтобы создать собственный язык. Когда вы задаете Вектору вопрос, он использует собственный голос для преобразования текста в речь, чтобы говорить непосредственно с вами.
ОН ЧУВСТВУЕТ. В векторе есть сенсорные датчики и акселерометр, поэтому он знает, когда к нему прикасаются и когда его трогают.Вы можете погладить его, и он расслабится, но постарайтесь не трясти его.

Что такое внутренний вектор? Искусственный интеллект и передовая робототехника: платформа Qualcomm 200 для вычислений на уровне смартфона. Емкостный сенсорный датчик для распознавания прикосновений и удержаний. Система формирования луча из 4 микрофонов для распознавания естественной речи и источника. Сверхширокая камера HD для обнаружения движения и идентификации людей. 4 датчика падения для обнаружения краев и предотвращения падений. Инфракрасный лазерный сканер для отслеживания расстояния и картографирования окружающей среды. 6-осевой инерциальный измерительный блок, чтобы знать, когда он поднимается или перемещается.Цветной IPS-дисплей высокого разрешения для передачи самых разных эмоций. Облачное соединение с поддержкой WiFi, открывающее новые возможности.

Революция робототехники уже наступила, и она меняет наш образ жизни

 Использование роботов для разгрузки грузов на приемных доках — не новая идея. Быстрый поиск на YouTube вернет множество результатов. Но многие из этих предыдущих подходов сдерживались высокими затратами и неспособностью обрабатывать растущее разнообразие пакетов.
 Конечно, робототехнические компании все еще работают над этой проблемой, которая является одной из основных проблем для складских операторов. Dextrous Robotics, стартап робототехники из Мемфиса, разрабатывает свою систему Chopstick, которая, как он надеется, сможет более успешно разгружать грузы и за небольшую часть стоимости, чем предыдущие решения. Соучредитель Эван Драмрайт обсудил этот подход на прошлой неделе на сессии RoboBusiness Direct «Достижения в области роботизированного сбора, захвата и манипуляции».
 Теперь Boston Dynamics выбрасывает на ринг свою инновационную шляпу.Он представил своего новейшего робота, Stretch, мобильного манипулятора, предназначенного для перемещения ящиков из грузовиков и по складским помещениям. Когда он поступит в продажу в 2022 году, по пока не названной цене, Stretch сначала сосредоточится на разгрузке грузовиков, а затем добавит паллетирование в свой репертуар. Stretch в настоящее время тестируется несколькими партнерами. Boston Dynamics ищет клиентов для пилотирования Stretch с задачами разгрузки грузовиков.
 Ручка нового поколения 
 Stretch — это новое поколение Handle, робота Boston Dynamics, представленного в 2017 году, который сочетал в себе колеса и ноги.У Stretch нет ног, но у него есть всенаправленная мобильная база с четырьмя независимо управляемыми колесами, специальная рука промышленного робота с 7 степенями свободы, которая может поднимать до 50 фунтов, индивидуальный захват для всасывания и многое другое. Пневматическая система захвата находится на мобильной базе. Stretch имеет 8-часовое время автономной работы, но будет вариант с 16-часовым аккумулятором и возможностью подключения Stretch для непрерывного питания.
 Stretch использует систему технического зрения Pick, которую Boston Dynamics приобрела при покупке Kinema Systems в апреле 2019 года.Pick использует двухмерное и трехмерное зрение с высоким разрешением и алгоритмы машинного обучения для роботизированного депалетирования. Кевин Бланкеспур, вице-президент Boston Dynamics по разработке продуктов, сказал, что Stretch может забирать до 800 ящиков в час. Его рука имеет семь футов досягаемости и может дотянуться до коробок высотой до 10 футов. Stretch весит 2650 фунтов.
  Робот-стретч, разгружающий контейнер. | Фото: Boston Dynamics 
 По словам Бланкеспур,
 Stretch является полуавтономным, и уровень автономности зависит от приложения.Например, когда дело доходит до разгрузки грузовика, человеку все равно нужно открыть дверь грузовика, проверить содержимое и переместить робота Stretch в нужное положение, управляя им внутри грузовика с помощью джойстика. «В этот момент вы нажимаете« Go », и Stretch полностью автономно выполнит остальную работу по разгрузке коробок», — сказал Бланкеспур.
 Строительство поддонов будет вторым приложением для Stretch, и Blankespoor предполагает большую автономию в этой задаче. «Stretch будет перемещаться по проходам склада.Он будет переходить на разные поддоны, которые представляют собой поддоны с одним артикулом, и захватывать несколько коробок, составляя исходящий поддон. Для этой задачи Stretch возьмет на себя больше возможностей локализации и навигации, которые вы видите в некоторых других AMR [автономных мобильных роботах], которые перемещаются по складу и обладают большей автономностью ».
 Бланкеспур сказал, что коллаборативным роботам-манипуляторам не хватает скорости и силы, чтобы поднимать количество тяжелых ящиков в час, на которое рассчитывала Boston Dynamics. Поэтому компания построила специальный манипулятор промышленного робота.В целях безопасности Stretch использует мониторинг скорости и разделения. «По мере приближения людей к роботу он замедляется», — сказал он. «Если они подойдут еще ближе, это прекратится. И таким образом мы можем позволить руке быстро перемещать тяжелые ящики без риска причинить кому-либо вред ».
 Hello Robot также имеет мобильный манипулятор под названием Stretch, который разработан как исследовательская платформа. Согласно  IEEE Spectrum , соучредитель Hello Robot Аарон Эдсингер, который также работал над робототехникой в ​​Google, пока Google владела Boston Dynamics, не в восторге. « Мы разочарованы тем, что они выбрали наше имя для своего робота. Мы серьезно обеспокоены этим и рассматриваем наши варианты «.
 Ручка разнообразия ключом 
 Как вы могли заметить в видеороликах компании Boston Dynamics о Stretch, все коробки внутри грузовика и на поддоне выглядят одинаково и идеально сложены. Большинство, если не все грузовики, которые нужно разгружать в реальном мире, не будут выглядеть так. Таким образом, успех Stretch, как и других попыток решения до него, может определяться его способностью обрабатывать самые разные пакеты.
 «Это проницательное наблюдение», — сказал Бланкеспур. «Очень легко обнаружить коробку, которая сидит сама по себе. Но обнаружить коробку, когда они плотно упакованы или когда их много, — задача гораздо сложнее. Но именно здесь на помощь приходит наше программное обеспечение для обнаружения Pick Box. И это одна из вещей, которые вы увидите в следующей работе с Stretch. Мы начинаем с более простых грузовиков, но в следующем году мы перейдем к более сложным типам ящиков, к различным типам ящиков.”
 Аарон Пратер из службы
 FedEx в своем недавнем выступлении по программе RoboBusiness Direct рассказал, что самая большая проблема в решении проблемы разгрузки грузовиков — это высокий уровень разнообразия пакетов, с которым должно справиться решение. Пратер начал свою карьеру в FedEx, занимаясь разгрузкой грузовиков, еще во время учебы в колледже.
 «При разгрузке бестарного грузовика вы можете начать с ящиков определенного размера, затем вы попадете в слой больших или меньших ящиков, затем в слой ковриков (потому что сейчас люди покупают коврики в Интернете), а затем обратно к тем же размер коробки, с которой вы начали.Вот почему так сложно автоматизировать этот процесс ».
 Робот-стретч — только начало? 
 Boston Dynamics в 2020 году приобрела множество патентов на автоматизацию складских помещений от X Development, LLC, научно-исследовательской организации, основанной Google. Boston Dynamics принадлежала Google с 2013 по 2017 год. Конечно, часть интеллектуальной собственности помогла с Stretch, но, вероятно, указывает на более широкий интерес к сфере автоматизации логистики.
 Industrial Perception, компания, приобретенная Google в 2013 году, сотрудничала с Винрайтом в исследованиях по разгрузке грузовиков.Вот видео партнерства в действии.
 «Ну, мы определенно интересовались складскими помещениями со времен Atlas. Именно тогда мы выяснили, что это за большой рынок и насколько велик потенциал для мобильных роботов на складских площадях. Я не хочу много говорить о патентах, но у нас есть быстрорастущая команда складской робототехники, которую я возглавляю. И это включает в себя разработку робота Stretch, у нас есть наша система технического зрения Pick, у нас есть система программного обеспечения для управления автопарком, которая может объединять разных роботов для выполнения скоординированных действий.Так что это действительно вписывается в более широкую картину того, что Boston Dynamics усердно продвигается в сфере складских помещений ».
 Учимся на месте 
 Boston Dynamics представила в феврале 2021 года Spot Arm, роботизированную руку для четвероногих Spot, которая обеспечивает максимальную грузоподъемность 24,3 фунта. Хотя Spot Arm сильно отличается от манипулятора промышленного робота Stretch, Бланкеспур сказал, что основные технологические строительные блоки такие же.
 «Если вы посмотрите на лучезапястный сустав в Stretch, то на самом деле он такой же, как и тазобедренный сустав в Spot.Таким образом, он использует одни и те же электродвигатели и те же коробки передач, те же датчики, даже одно и то же программное обеспечение », — сказал он. «Мы используем одни и те же камеры и датчики глубины на разных платформах. Что еще более важно, мы используем то же программное обеспечение, что и ниже, чтобы понять, что видят эти датчики — от обнаружения ящиков до обнаружения препятствий. Таким образом, несмотря на то, что он действительно отличается от Atlas или Spot, Stretch построен на большинстве тех же технологий. И это позволило нам очень быстро построить прототип.”
 Atlas остается платформой для исследований и разработок, а Boston Dynamics продала более 400 спотовых роботов с тех пор, как в прошлом году в продажу поступил первый четвероногий робот. Boston Dynamics выиграла награду RBR50 Innovation Award 2020 в категории Spot, поскольку она открыла рынок коммерческих четвероногих.
 
 Управление автопарком, интеграция с WMS 
 Boston Dynamics и OTTO Motors в марте 2020 года выпустили видео, в котором демонстрируется их видение будущего автоматизации логистики. В видеоролике робот Boston Dynamics ‘Handle собирал ящики и собирал поддоны поверх сверхмощного AMR OTTO 1500.Бланкеспур сказал, что две компании продолжают сотрудничать, и это сыграло важную роль в разработке менеджера автопарка для Stretch.
 «Важной частью демонстрации с OTTO Motors было заставить гетерогенных роботов работать вместе. Есть много компаний AMR, которые контролируют своих собственных роботов, и для этого у них может быть менеджер парка. Но не так много менеджеров автопарка, которые могут управлять множеством разных типов роботов, скоординированных для выполнения разных задач.Одна из причин, по которой мы работаем с OTTO, — это координация движения поддонов и ящиков с помощью разных роботов ».
 Бланкеспур также сообщил, что интеграция с системами управления складом входит в планы Boston Dynamics. Но он сказал, что это станет более важным позже, когда Boston Dynamics начнет заниматься построением заказов.
 «Разгрузка грузовиков — это хорошо, потому что она немного более изолирована с точки зрения интеграционных задач. Как только робот окажется перед грузовиком и вы скажете « Поехали », наша система обнаружения ящиков сообщит Stretch, где находятся все ящики, какого они размера, мы даже взвешиваем ящики, когда сначала поднимаем их, поэтому мы можем переместить их как можно быстрее.Это означает, что нам необязательно выполнять столько работы по интеграции ».
 «Вторая задача, которую мы собираемся откусить, — это создание порядка. И для этого вам нужна интеграция системы управления складом, но это должно быть похоже на то, что вы делаете с людьми, верно? Вот приказ, иди, сделай мне поддон из пяти таких ящиков и четырех таких ящиков, и сложи все это вместе. Нам нужно будет передать эту информацию нашим роботам, чтобы они могли выполнять эти задачи ».
  Приложения для паллетирования внутри склада — это будущее компании Stretch.| Фото: Boston Dynamics 
 Эволюция робота, перемещающего коробки 
 Вы можете подумать, что логистический робот — это непривычный для Boston Dynamics робот, но какое-то время он проявляет интерес к этой области. В 2016 году в одном из первых видеороликов робота Atlas нового поколения было показано, как гуманоид наклоняется, берет коробку и кладет ее на тележку. Затем, в 2017 году, Boston Dynamics представила Handle, гибридного робота, сочетающего колеса и ноги. Stretch — это ручки нового поколения.
 «Мы вызвали большой интерес [к Atlas] со складов», — сказал Бланкеспур.«Мы знали, что можем спроектировать более простого робота, и именно здесь действительно появился Хэндл. Ручка была ответвлением Atlas.
 «Мы разошлись и разработали Handle по нескольким причинам. Во-первых, мы хотели сделать что-то более специализированное для склада. И еще одна причина заключалась в том, что мы всегда хотели совместить колеса и ноги. Ручка была возможностью исследовать обе эти вещи. Итак, мы создали пару версий Handle и начали выполнять складские задачи ».
 «Сначала мы занимались сборкой поддонов, и это работало очень хорошо.Затем мы начали разгрузку грузовиков с помощью Handle. И в тот момент это был потрясающий опыт — Хэндл справился со своей работой. Он мог схватить коробки и сдвинуть их, но на это требовалось слишком много времени. А чтобы создать экономичного робота для клиентов, вам нужно быстро перемещать кейсы. Stretch может перемещать ящики примерно в пять раз быстрее, чем Handle, так что это одна из причин, по которой мы совершили следующий прыжок ».
 Hyundai ранний покупатель? 
 Hyundai Motor приобрела контрольный пакет акций Boston Dynamics у Softbank в декабре 2020 года примерно за 880 миллионов долларов.Дочерняя компания Softbank сохранила остальные 20%. Spot Arm стал важным объявлением, поскольку фактически превратил Spot в мобильный манипулятор, а не только в платформу для сбора данных. Но появление Stretch — самое крупное заявление Boston Dynamics с момента приобретения. Так будет ли Hyundai первым тестовым покупателем Stretch?
 «Они абсолютно могут быть такими», — сказал Бланкеспур. «Мы очень рады работать с Hyundai. Очевидно, что они производитель мирового класса. У Hyundai есть собственные логистические компании в Корее, и они определенно могут стать для нас нашими клиентами в будущем.”
   Примечание редактора:  Мы узнаем больше о Stretch из нашего разговора с Кевином Бланкеспуром позже на этой неделе в подкасте The Robot Report. 
 .