Teknologi Lanxin Memecahkan Tantangan Penyimpanan 3000+ Gudang Bertumpuk

Pada tahun 1996, AGV berpemandu laser diperkenalkan ke Tiongkok, dan selama beberapa dekade berikutnya, dengan kemajuan teknologi laser yang berkelanjutan, navigasi laser telah menjadi salah satu metode navigasi utama di industri. Solusi AMR berdasarkan navigasi laser SLAM telah diterapkan dalam berbagai skenario.

Dibandingkan dengan robot seluler navigasi SLAM laser, yang telah berkembang selama bertahun-tahun,visual SLAM memiliki keunggulan signifikan dalam kemampuan beradaptasi adegan, terutama di lingkungan yang menantang seperti adegan yang kompleks dan dinamis serta lingkungan produksi yang luas.

Dalam lingkungan yang kompleks dan dinamisdimana posisi barang terus berubah dan hanya ada sedikit titik referensi tetap, robot bergerak yang menggunakan solusi laser SLAM menghadapi kesulitan dalam penentuan posisi yang andal karena kontur yang selalu berubah akibat seringnya masuk dan keluarnya barang.

Di bengkel yang besar dan luasdengan kolom struktur baja dan jarak kolom yang lebar, robot seluler navigasi SLAM laser mungkin mengalami awan titik jarang akibat pemindaian laser. Kurangnya titik referensi penentuan posisi yang efektif mengurangi keandalan penentuan posisi robot.

Sebaliknya, navigasi visual SLAM menangkap gambar sekitar melalui kamera kedalaman yang dipasang pada robot, menghasilkan peta titik awan yang padat. Informasi lingkungan yang dikumpulkan cukup kaya sehingga perubahan lokal di lingkungan tidak mempengaruhi posisi robot, sehingga memberikan kemampuan adaptasi pemandangan yang tinggi.

Mengambil contoh skenario pergudangan dari perusahaan manufaktur kontrak besar di Tiongkok, perusahaan tersebut memiliki gudang dengan lebih dari 3000 lokasi penyimpanan. Barang sering masuk dan keluar, dan palet serta barang terus berubah tanpa titik acuan yang tetap. Selain itu, robot mungkin akan bertemu dengan pekerja dan kotak kardus yang tertinggal di lorong. Untuk menjaga estetika keseluruhan dan kenyamanan penerapan, pelanggan memilih untuk tidak menggunakan kode QR di lantai.

Dalam situasi ini, pilihan bagi perusahaan terbatas, hanya laser SLAM dan visual SLAM AGV sebagai pilihan yang layak. Namun, untuk robot bergerak yang menggunakan laser SLAM, mencapai posisi yang andal dalam lingkungan yang terus berubah merupakan suatu tantangan. Pada akhirnya, perusahaan memilih solusi visual SLAM AGV dari Lanxin Technology.

SLAM AGV visual dari Lanxin Technology mengintegrasikan navigasi pemosisian visual 3D, docking visual 3D, dan teknologi penghindaran rintangan visual 3D milik perusahaan.

Untuk navigasi posisi,AGV mengadopsi solusi SLAM visual 3D. Ia menggunakan kamera kedalaman untuk mengumpulkan informasi tentang lingkungan tiga dimensi yang tidak ditandai, menghasilkan peta titik awan yang padat. Informasi ini kemudian dikorelasikan dengan posisi sebenarnya robot untuk mencapai navigasi posisi otonom. Keunggulannya mencakup keandalan dan stabilitas yang tidak terpengaruh oleh orang/kendaraan/logistik, kemampuan beradaptasi terhadap perubahan besar di lokasi tanpa terpengaruh oleh penyesuaian tata letak dalam ruangan atau perubahan penempatan barang, dan presisi tinggi sekitar +/-1cm dalam lingkungan umum.

Untuk docking palet,AGV menggunakan solusi docking visual 3D. Menggunakan kamera docking yang dikembangkan sendiri untuk menangkap gambar dan menghasilkan peta titik awan palet, dikombinasikan dengan algoritma persepsi visual Lanxin, sistem menghitung nilai deviasi palet, memandu AGV untuk secara otomatis menyesuaikan pose dan arah pendekatannya agar palet berhasil. pengambilan.

Selain itu, visual SLAM AGV juga menggunakan solusi penghindaran rintangan visual 3D. Kamera penghindar rintangan dapat mendeteksi rintangan gantung dan rintangan rendah dalam bidang pandang, memastikan keamanan pergerakan robot.

Didukung oleh sistem visi mendalam LX-MRDVS dari Lanxin Technology untuk robot bergerak, visual SLAM AGV memberi perusahaan solusi logistik pergudangan tak berawak cerdas dan komprehensif yang sepenuhnya memenuhi persyaratan proyek.