Koristni nasveti

Avtomobili z roboti: kako ne usmeriti z lastnimi rokami

Pin
Send
Share
Send
Send


  • "onclick =" window.open (this.href, 'win2', 'status = ne, orodna vrstica = ne, drsne vrstice = da, naslovna vrstica = ne, menubar = ne, spreminjanje velikosti = da, w> Natisni
  • E-pošta
Datum Datum Kategorija: it

Nobena druga panoga ni bila bolj revolucionarna s pojavom robotov kot avtomobilska industrija. Roboti so pri takšnem monotonem dolgočasnem delu, ki je sestavljanje avtomobilov, veliko boljši od ljudi.

Na proizvodnih linijah roboti žigosajo dele avtomobilov, jih zvarijo, pobarvajo, namestijo dodatke, transportne komponente med delovnimi postajami. Roboti lahko celo preverijo kakovost svojega dela, njihovi senzorji ujamejo najmanjše pomanjkljivosti, ki lahko zdrsnejo s človeškega očesa. Uporaba robotov je znatno izboljšala uspešnost avtomobilske industrije. Samodejni podatki ne delujejo samo uro, ampak - če so pravilno programirani - skoraj ne delajo napak. Tako lahko hitreje in ceneje izdelujete avtomobile.

Najpogostejša vrsta robota v avtomobilski industriji je robotska roka. Širok razpon gibov in občutljivi manipulatorji takšnemu robotu omogočajo izvajanje različnih vrst operacij.

Med premikanjem okostja napol sestavljenih avtomobilov vzdolž tekočega transporterja se ročka robota raztegne za varjenje delov. Roboti izvajajo vsa varilna dela, potrebna za izdelavo avtomobila.

Lokalno varjenje je sestavni del avtomobilske proizvodnje. Roka robota stisne dve kovinski plošči na enem mestu, nato visoka napetost preide skozi kovinske dele in jih spremeni v spoj, ki se imenuje kopriva.

Tako kot programirani slikarji tudi dva robota športni avtomobil pokrijeta s plastjo rdeče barve standardne debeline pod določenim kotom in z določene razdalje. Rezultat presega vsa pričakovanja.

Roka robota v vozilo vstavi vetrobransko steklo. Montažni roboti za zavarovanje žic in baterij dobijo potrebne dele in sestavne dele od transportnega robota.

Robotski avto brez volana

Avtonomni avtomobili tekočih projektov uporabljajo naslednje sisteme za analizo stanja:

  • radar
  • lidar
  • GPS temelji
  • na podlagi odometra
  • računalniška analiza.

Sodobni nadzorni sistemi interpretirajo informacije, ki jih prejmejo od senzorjev in tako določijo ustrezne navigacijske poti, ovire, znake itd.

Avtonomni avtomobili so sposobni „čutno“ analizirati - na primer določiti različne vrste vozil, ki se vozijo po avtocesti.

Ta funkcija je pomemben dodatek pri načrtovanju potovanja do cilja.

Zgodovina razvoja robotskega avtomobila

Robotske stroje najdemo v demo dokumentih, ki jih še vedno zaznamuje obdobje 1920–30.

Vendar so se prvi robotski avtomobili, ki so res nekakšno avtonomno vozilo, pojavili šele sredi osemdesetih let.

To so bili predvsem izdelki ustvarjalnosti navdušencev univerze Carnegie Mellon (Navlab) in razvoja avstralskega podjetja ALV.

Češko podjetje Tesla je od leta 2014 že opazilo bolj zanimive zasnove.

Toda do celovitih projektov, ki ustrezajo peti stopnji avtomatizacije sistema, zadeva še ni dosegla.

Tesla Motors je izdelal prototipni avtomobilski robot, ki po strukturi ustreza le drugi stopnji.

Avtomobili na pol robotov

V resnici gre za napol avtonomni model prevoza, ki človekovega posredovanja ne izključuje v celoti. Medtem je Tesla Motors oktobra 2014 začel množično proizvodnjo avtomobilov s piloti.

Potencialni ekskluzivni lastniki morajo kupiti programsko opremo, ki izvaja funkcije avtopilota kot izbirno dodatno opremo.

Teslin avtopilot je zdaj razvrščen v robotiko ravni 2 in 3 na lestvici, ki jo je ustanovilo Društvo avtomobilskih inženirjev (SAE), skupnost avtomobilskih inženirjev.

Taka razvrstitev zlasti določa: avtopilot lahko deluje samostojno, vendar zahteva stalno človeško pozornost.

Vožnja v tej različici vključuje hitro spremembo iz samodejne v ročno v kritičnem trenutku.

Osma različica avtopilota

Kanadski in hkrati ameriški inženir Elon Musk (Elon Musk) je konec avgusta 2016 napovedal novo programsko opremo za avtopilot (različica 8.0).

Program vključuje uporabo radarskih (lidar) signalov za ustvarjanje orientacije v razmerah slabe vidljivosti.

Septembra 2016 so strokovnjaki Tesla Motors lansirali že 8. različico vdelane programske opreme, ki je kot glavni senzor uporabila radarsko namestitev.

Obstaja funkcija za izračun radarskih podatkov, pridobljenih z odsevanjem radijskih valov s cestišča in vozil spredaj.

Vendar zmogljivosti radarskega "železa" niso bile dovolj. Zdaj oblikovalci računajo na uporabo NVIDIA CUDA tehnologije. Kaj bo iz tega, bo pokazal čas.

Montažni roboti pri Mercedesu

Roboti zbirajo avtomobile Mercedes. Proces proizvodnje brez osebe.

Transportni Mercedes-Benz. Avtomatizacija

Ob gledanju teh videoposnetkov želim občudovati lepoto robotske tehnologije. Niti en dodaten premik, popolna natančnost namestitve. Lepota v izvedbi elektronsko-mehanskega dela. Toda navsezadnje so to lepoto sprva ustvarili ljudje. Zakaj jih potem praktično ni v kadru?

Paradoksi avtomatizacije

Obratna stran avtomatizacije je izselitev ljudi iz proizvodnje. Ljudje v svetu ljudi postanejo odveč!
In glavni paradoks - zdaj je Mercedes daleč od legendarnega primera nemške kakovosti in zanesljivosti. Povratne informacije o izrednem vzdrževanju zaradi napak v proizvodnji so postale norma. Resnično zanesljivi Merces so izpustili šele v času, ko so ljudje delali na montažni liniji ...

Roboti so začeli izgubljati ljudi

Vodstvo koncerna Daimler AG je po študiju poslabšanja kakovosti sprejelo odločitev brez primere - opustiti robotske transporterje in zamenjati absolutno vse robote z ljudmi. Paradoksalno odločitev je izrazil vodja proizvodnje Marcus Schäfer in temelji na dejstvu, da je postava Mercedes-Benza v zadnjih letih postala tako spremenljivo razširjena, da se "brezdušna avtomatizacija" ni mogla hitro spopasti z ogromno različnimi možnostmi, ki so na voljo.

Zbirni roboti so bili ekonomsko neugodni pri zagotavljanju individualnega pristopa k reševanju večjega števila nalog.

Avtomatizacija je izpodrinila ljudi

Prestrukturiranje se bo začelo v največji tovarni v Sindelfingenu. Vsako leto se z montažne linije te divizije Daimler AG odpravi 400 tisoč novih avtomobilov. Proizvodni procesi čakajo dramatične spremembe, ki bodo zahtevale pomembne gospodarske injekcije, vendar imajo Nemci tudi napoleonske načrte za ta transporter. Po posodobitvi tehnologije bo obrat v naslednjih štirih letih predstavil takoj 30 novih modelov. Vsi novi izdelki bodo dodeljeni kategoriji "ročna montaža". Dober udarec za tekmovalce.

Seveda je hype okoli zamenjave robotov z ljudmi le zapleteno oglaševanje. Nihče se ne bo 100% znebil avtomatizacije. Nekateri roboti bodo ostali, kot je obljubljeno, zdaj pa bodo delovali pod nadzorom ljudi in izvajali le monotono, težko in nezapleteno rutino.

Zakaj se je pojavil Duckietown in kako so urejeni avtonomni avtomobili z igračami

Leta 2016 je Massachusetts Institute of Technology (MIT) prejel nepovratna sredstva za razvoj avtopilotov za avtomobile. Raziskovalci so dobili idejo, da bo ista programska oprema delovala tako na pravih kot na igračah, ki jih je mogoče naučiti samostojnega delovanja v vzorčnem mestu. Tako je nastal študentski projekt Duckietown.

Učitelji z MIT so sestavili skupino učencev z različnimi znanji in si zadali nalogo, da bodo zgradili mesto igrač, v katerem se avtomobili vozijo popolnoma avtonomno. Študenti so dobili škatle z žlezami, čipi, krmilniki in sestavljenimi avtomobili.

Nato so na vsakega od njih namestili krmilnik koles in miniaturni računalnik na osnovi Raspberry Pi - tako se je avto naučil voziti.

Naslednji korak: V ta majhen računalnik je bil nameščen operacijski sistem Robot (ROS). To je nabor orodij za različne robotske rešitve - tako industrijske kot igrače. Vsak študent ima avtonomni mobilni robot z imenom "Dakibot".

Naloge so bile še razdeljene: ena skupina študentov se je ukvarjala z razvojem algoritmov za iskanje oznak na cesti, druga z algoritmi za prepoznavanje prometnih signalov, nekdo pa je moral izdelati protokol, po katerem se avtomobili »dogovorijo« o prometnem redu v križiščih. Tekom leta so učenci rešili osnovne naloge avtonomne vožnje po markirani cesti.

Februarja sem se srečal z Liamom Paulom (enim od avtorjev projekta Duckietown - približno "članki") in vprašal, kaj je treba storiti, da bi se v okviru tega projekta vključili v raziskave avtonomnega avtomobilskega prometa v Rusiji. Rekel je: "Nič, organizirajte, ni težav."

Sprva smo s dvema študentoma iz LETI in AU poskušali hitro iti po isti poti kot zadnji študent na MIT: od začetka smo zgradili en avto, cesto, okolje, zagnali in odpravili osnovne algoritme. Iz MIT so vzeli glavno idejo, opise in izvorne kode.

V letu 2017 smo v Centru računalniških znanosti začeli tečaj, kjer so študentje in šolarji ustvarili že polno obsežno vzorčno mesto z ducatom avtonomnih "duckbotov" in rešili več novih algoritmičnih težav.

Lahko naredite analogijo Duckietown z Linuxom: ko je bila prvotna koda tega OS prvič objavljena, je imela potem zelo malo priložnosti. Toda vsi, ki so bili zainteresirani za nastanek novih funkcij, so temu projektu dodali svoje zasnove. Tu je ista ideja, le cilj je standardna odprta platforma za avtonomno navigacijo in brezpilotna vozila. In vključili smo se v ta projekt: obvladali smo to, kar imamo, in začeli dodajati nove funkcije.

Duckietown je zasnovan tako, da je vstopni prag za delo z njim zelo nizek: na univerzi vam ni treba študirati pet let, lahko ste celo šolar, da bi se ukvarjal z osnovnimi stvarmi. Vsi, ki vas ta tema zanima, se lahko povežejo s projektom, začnejo nekaj ustvarjati in takoj vidijo rezultat svojih prizadevanj.

Kako roboti plujejo po vesolju

Avtonomni avto je robot, ki mora biti sposoben rešiti nerešljivo težavo - krmariti v neznanih razmerah in delovati neodvisno. Zdaj je tega sposoben le človek in mnogi raziskovalci sanjajo o ustvarjanju avtonomnih algoritmov.

Obstaja plast nalog SLAM - Hkratna lokalizacija in preslikava (metoda hkratne lokalizacije in izdelave zemljevidov - približno "Papers"), katerega splošna formulacija je zelo preprosta. Obstaja mobilni robot z naborom senzorjev - na primer kamera, daljinomer. Robot je nameščen v okolju, ki mu ni znano, on pa se ob pogledu na odčitke senzorjev nekako premika in hkrati rešuje dve težavi: na tem zemljevidu zgradi vesoljski zemljevid in določi svoje koordinate.

Če vzamete dober robotski sesalnik in ga postavite v sobo, potem bo po vrsti gibov razumel, kako deluje prostor in bo lahko sestavil zemljevid in svojo pot. Toda to skoraj vedno ni dovolj, saj je v sobi nekaj predmetov, ki jih je prav tako treba prepoznati in reagirati na njihov videz.

Podobna naloga velja tudi za avtomobile: avtomobil vozi, izpopolnjuje zemljevid, se v njem lokalizira - za to ima označevalce, ki jih lahko prepozna avtonomni navigacijski sistem. Dakibot na primer gleda predvsem na oznako. Če jo vidi, si misli: "V redu, nekje sem na traku. Moramo iti vzporedno s to črto." A še vedno ne ve, kako sestaviti globalni zemljevid.

Toda naloga navsezadnje ni zgolj premikanje po voznem pasu - treba je upravljati. Včasih obstajajo proge ali ovire in stroj se mora odzvati na okoliščine. "S pogledom" gleda na svet, vidi na primer zaustavitveno linijo in postanke. Analizira, kako je križišče urejeno, ali je na tem semaforju ali drugih avtomobilih, kako lahko zapustite. Nato mora načrtovati smer, ki vam bo omogočila, da prečkate križišče in se spet podate na vozni pas.

Če govorimo o avtonomni vožnji po vsem svetu, imajo resnični avtomobili zmogljivejše pomočnike - na primer sistem GPS. Toda daje netočne koordinate, razlika včasih doseže 3-5 metrov, na cesti pa je lahko prihajajoči vozni pas. Zato GPS ni dovolj. Obstajajo elektronski zemljevidi, ki jih navigator naloži, vendar obstajajo težave: tu so kopali, tu postavili znak - to se na zemljevidih ​​ne odraža v trenutku.

Duckietown je zanimiv po tem, da je tu poudarek na samostojnosti - zunanjega sistema ni. Številni navigacijski projekti pomenijo, da v bližini stoji nek močan strežnik, ki spremlja in upravlja vse. Tu je vsak avto popolnoma avtonomen.

Kakšna naj bo infrastruktura za avtonomne avtomobile

Infrastruktura seveda pomaga, čeprav 100 odstotkov ne bo rešila problema avtonomne vožnje. Najprej poglejmo, kakšna je težava lokalizacije na terenu. Na primer vzemite navigacijo v zaprtih prostorih: mobilni robot se premika, gleda v steno, meri svoje senzorje in se zaradi podatkovnih napak lokalizira z napako. To napako lahko odpravimo tako, da na sliki s kamere poiščemo določene točke, recimo na sliki.

Vendar tukaj ni vse gladko. Na primer, gledam v steno, vidim nekaj nepravilnosti, a sonce je začelo sijati na drugi strani - in teh nepravilnosti ne vidim več, vidim pa nekaj drugega. Velika večina algoritmov trpi zaradi pomanjkanja robustnosti: robot pride do točke, na kateri je bil prej, vendar je ne more prepoznati. Pogoji opazovanja so se spremenili - in misli, da je bil v drugem delu prostora.

Na ulici jutro, večer, poletje, jesen. Pozimi je vse pokrito s snegom, jeseni - z listi. Začelo je deževati - vse je videti povsem drugače. Kako ga prepoznati? Infrastruktura lahko pomaga na ta način: prostor lahko označite z umetnimi oznakami, na primer QR kodami, ki v sebi vsebujejo natančne koordinate. Nato brezpilotno vozilo zagleda QR kodo, prebere koordinate in lahko radikalno popravi nakopičeno napako.

Človek ima zelo pomembno sposobnost, ki jo roboti še nimajo: slike dobro prepozna - na primer predmete. Pogledam stol in vem, da je stol. To je dovolj, da razumem njegovo obliko, si predstavljam, da so spodaj noge, da razumem, kako daleč je od mene. V glavi imam tridimenzionalni model. Toda robot ga nima - gradi ga in gleda na ravno sliko, ki je videti različna z različnih vidikov.

Obstaja še ena težava, ki bo morda kmalu rešena. Obstaja razred algoritmov Struktura iz gibanja (SFM) - to je identifikacija strukture prostora iz opazovanj med gibanjem. Lahko opazujete posamezne točke predmetov in obnovite njihovo strukturo. Pri reševanju tega problema bodo pomagale metode strojnega učenja, katerih cvetenje zdaj opazujemo. Nevronske mreže so sposobne precej dobro prepoznati slike, kar pomeni, da lahko pomagajo pri orientaciji v resničnem okolju. Zdaj je bilo za njihovo usposabljanje nabranih kar nekaj začetnih podatkov.

Tehnično je ustvariti infrastrukturo, ki pomaga brezpilotnim vozilom, da se počutijo samozavestno v mestnem okolju, povsem preprosto. Za take stroje je na primer mogoče dodeliti ločene pasove. To ni težko storiti niti zdaj. Toda težava, ki jo je treba še rešiti, je, da se avtomobila naučimo premikati v neznanem dinamičnem okolju, ki temelji na prometnih razmerah.

Povezava avtomobilskih igrač z globalno znanostjo

Duckietown - to je prava tehnologija, prav to je lepota projekta. Tu se uporablja vse, kar se uporablja v industriji. Poleg tega, če se je zunaj projekta pojavila kakšna nova metoda ali algoritem, zakaj ne bi poskusili v Duckietownu. Omejitev ni. In če je ta novi algoritem tudi odprtokoden, ga je na splošno mogoče vzeti in integrirati.

Projekt Duckietown je mogoče razumeti kot platformo za eksperimentiranje. Če izide kakšen nov znanstveni članek, lahko njegove določbe uporabite tukaj. Ali pa, nasprotno, če se v projektu pojavi nekaj bistveno novega, potem lahko to sestavite v članek, ga oddate na konferenci in ga objavite. Eden izmed ciljev projekta je raziskava na njegovi podlagi in ustvarjanje znanstvenih del.

Če govorimo o vrednosti Duckietown za študente, ki sodelujejo v njem, potem so lahko prepričani, da je njihovo znanje v ospredju tehnologije.

Oglejte si video: Stress, Portrait of a Killer - Full Documentary 2008 (September 2020).

Pin
Send
Share
Send
Send