Sensorfusion verbessert die Navigation und Sicherheit von autonomen mobilen Robotern.

Die Anwendungsaussichten von AMR sind vielversprechend, stehen jedoch auch vor Herausforderungen

AMR verfügt über Anwendungsmerkmale, die Kosten senken, die Sicherheit verbessern und die Effizienz steigern können, weshalb immer mehr Branchen beginnen, es zu übernehmen. Laut Umfragen wurde der globale AMR-Markt im Jahr 2022 auf 8,65 Milliarden Dollar geschätzt, und die durchschnittliche jährliche Wachstumsrate (CAGR) wird von 2022 bis 2028 voraussichtlich 18,3 % betragen. Obwohl die Entwicklungsaussichten von AMR vielversprechend sind, stehen der Einführung von AMR auch viele Herausforderungen gegenüber.

Die primäre Herausforderung bei der Einführung von AMR ist die Vielfalt der Anwendungen und Umgebungen, in denen es eingesetzt wird. Häufige Anwendungen von AMR umfassen Lagerhäuser, Agrartechnologie, gewerbliche Landschaftsgestaltung, Gesundheitswesen, intelligenter Einzelhandel, Sicherheit und Überwachung, Lieferung, Bestandsaufnahme sowie Kommissionierung und Sortierung. In all diesen unterschiedlichen Umgebungen wird erwartet, dass AMRs sicher in der Nähe von Menschen operieren.

Die Komplexität dieser Anwendungsszenarien macht die Arbeit von AMRs jedoch äußerst herausfordernd. Für Menschen sind einige Situationen selbstverständlich, aber AMRs können Schwierigkeiten haben, damit umzugehen. Stellen Sie sich zum Beispiel einen Lieferroboter vor, der ein Paket zustellt und einen Ball in der Mitte des Weges sieht. Es ist wahrscheinlich, dass der Roboter den Ball erkennen und ihm ausweichen kann, aber ist er klug genug, um vorherzusehen, dass ein Kind herauslaufen könnte, um den Ball zu holen? Es gibt viele komplexe Situationen wie diese. Können AMRs zum Beispiel einen 90-Grad-Reflexionsspiegel auf einem Straßenmast benutzen und erkennen, um die Situation um eine Ecke zu beobachten und den Verkehr im Voraus zu prognostizieren? Kann ein AMR verstehen, dass es nicht auf frisch gegossenem Beton laufen sollte? Diese Dinge sind für Menschen alltäglich, aber sie stellen Herausforderungen für AMRs dar.

Vielleicht sind diese Situationen, die für Menschen leicht verständlich sind, für Roboter anspruchsvoller. Mit den richtigen Sensoren könnten AMRs jedoch Objekte im grellen Sonnenlicht leichter erkennen als Menschen. Aber das Erkennen von frisch gegossenem Beton und verschütteten Flüssigkeiten könnte schwierig sein. Zudem stellen Kanten, Klippen, Rampen und Treppen Herausforderungen für AMRs dar. Es gibt auch spezielle Situationen, wie wenn jemand absichtlich das AMR sabotiert, was den Bedarf an der Gestaltung von Fluchtmanöversystemen inspirieren würde. Die Lösung vieler der oben genannten Herausforderungen würde erfordern, dass AI hochmoderne große Sprachmodelle (LLMs) und verschiedene Arten von Hochleistungssensoren verwendet.

Hochleistungssensoren für AMRs haben jeweils ihre eigenen Vor- und Nachteile

AMRs können verschiedene Sensortypen nutzen, um die Umgebung zu erkennen, und diese Sensoren müssen simultane Lokalisierung und Kartierung (SLAM) durchführen, während sie Abstands- und Tiefenmessungen liefern. Wichtige Sensormetriken umfassen Objekterkennung, Objektidentifikation, Farberkennung, Auflösung, Energieverbrauch, Größe, Kosten, Reichweite, Dynamikbereich, Geschwindigkeit sowie die Fähigkeit, unter unterschiedlichen Licht- und Wetterbedingungen zu arbeiten.

Zu den Sensortypen, die für AMRs verwendet werden können, gehören CMOS-Bildgebung, direkte Time-of-Flight-Erfassung (dToF) und indirekte Time-of-Flight-Erfassung (iToF) zur Tiefenerkennung, Ultraschall, Radar, induktive Positionierung, Bluetooth® Low Energy (Bluetooth LE)-Technologie, Inertialsensoren und andere. Jeder Sensortyp hat seine eigenen Vor- und Nachteile.

Beispielsweise bietet Radar eine hervorragende Reichweite und Geschwindigkeitsleistung bei schlechten Lichtverhältnissen oder widrigen Wetterbedingungen, hat jedoch eine schlechte Farberkennungsfähigkeit, höhere Anfangskosten und eine relativ große Größe (ein wichtiger Aspekt für AMRs). LiDAR, bedingt durch seinen hochvolumigen CMOS-Silizium-Fundyprozess, hat relativ niedrigere Anfangskosten und funktioniert sowohl bei Nacht als auch im direkten Sonnenlicht gut, ist jedoch weniger effektiv bei der Objekterkennung. Auf der anderen Seite bieten iToF-Tiefensensoren eine exzellente Auflösung und energieeffiziente Verarbeitungskapazitäten.

Offensichtlich kann die Verwendung eines einzelnen Sensortyps allein nicht alle Informationen liefern, die AMRs benötigen, um all die oben genannten Herausforderungen zu bewältigen. Abhängig von der Anwendung und Umgebung werden AMRs mehrere oder sogar verschiedene Sensortypen benötigen. Diese Sensoren arbeiten nicht isoliert, sondern zusammen in einem Prozess, der als Sensorfusion bekannt ist.

Wie erreichen autonome mobile Roboter Sensorfusion

Sensorfusion ist der Prozess der Kombination von zwei oder mehr Datenquellen (von Sensoren und/oder einem Algorithmus oder einem Modell), um ein besseres Verständnis des Systems und seiner Umgebung zu erlangen. Sensorfusion in AMRs ist entscheidend, da sie eine bessere Zuverlässigkeit, Redundanz und letztendlich Sicherheit bietet und gleichzeitig sicherstellt, dass die Auswertungsergebnisse konsistenter, genauer und zuverlässiger sind.

Sensorfusion kombiniert zwei Funktionalitäten: Datenerfassung und Dateninterpretation. Der Schritt "Daten interpretieren" in der Sensorfusion erfordert die Implementierung eines Algorithmus oder eines Modells. Manchmal sind die Ergebnisse der Sensorfusion für menschliche Gewohnheiten ausgelegt, wie etwa als Hilfe in Autos, und manchmal sind sie für weitere maschinelle Anwendungen vorgesehen, wie etwa Gesichtserkennung in Sicherheitssystemen.

Sensorfusion bietet verschiedene Vorteile, wie die Reduzierung von Signalrauschen. Homogene Sensorfusion kann unkorreliertes Rauschen reduzieren, während heterogene Sensorfusion korreliertes Rauschen verringern kann. Aufgrund ihrer inhärenten Natur verbessert Sensorfusion durch Redundanz die Zuverlässigkeit. Da es mindestens zwei Sensoren gibt, kann die Erkennungsqualität zwar abnehmen, wenn die Daten eines Sensors verloren gehen, aber da die Daten anderer Sensoren noch verfügbar sind, wird sie nicht vollständig ausfallen. Sensorfusion kann auch zur Schätzung nicht gemessener Zustände verwendet werden, zum Beispiel, wenn ein Objekt oder ein Teil eines Objekts von einer Kamera verdeckt wird und wenn ein Objekt oder eine Oberfläche Licht von einer Kamera zur anderen reflektiert, erhält die Sensorfusion ein gewisses Erkennungsleistungsniveau aufrecht.

Aufgrund dieser Vorteile und der beschleunigten Markteinführung gibt es einige aufkommende Trends in der Sensorfusion, darunter der Einsatz von KI-gestützten Algorithmen, verbesserte Objekt-erkennung und -klassifizierung, die Kombination von Sensorfusion mit mehreren Sensormodalitäten für kollaborative Wahrnehmung und Umweltwahrnehmung unter ungünstigen Bedingungen. Sensorfusion kann eine 360-Grad-Rundumsicht erreichen und die Echtzeitkalibrierung von Sensoren ermöglichen, neben anderen Funktionen.

Eine komplette Lösung für Sensorfusion bereitstellen

Die Sensorfusion in AMR zielt darauf ab, einen signifikanten Einfluss auf Industrie- und Transportanwendungen zu haben. Im Zuge des Fortschritts hin zu Industrie 5.0 hat sich onsemi verpflichtet, Sensoren und Subsysteme bereitzustellen, um eine effektive Implementierung sicherzustellen. Die Subsystemlösungen von onsemi sind ebenfalls sehr vielfältig und reichen von robusten hochauflösenden Bildgebungssystemen bis hin zu leistungsstarker Motorsteuerung und kompakten, effizienten Batterie-Ladelösungen, die alle auf jahrzehntelanger Erfahrung in der Automobilindustrie basieren. Die Lösungen von onsemi arbeiten zusammen, um sicherzustellen, dass die Entwicklung einfacher wird und dass Industrieroboter anpassungsfähig und zuverlässig genug sind, um in den härtesten Umgebungen zu arbeiten.

Autonome mobile Roboter haben ähnliche Funktionen wie autonome Fahrzeuge und sind komplexe Entwürfe, die aus mehreren Subsystemen bestehen, die es den Robotern ermöglichen, sich zu bewegen, zu beobachten und sicher zu arbeiten, mit minimaler menschlicher Interaktion. onsemi minimiert diese Komplexität durch zuverlässige intelligente Strom- und Sensorlösungen und bietet die notwendigen Bausteine für Ihr Design.

Der Kern der Sensorfusion sind die Sensoren. Wenn die Daten der Sensoren nicht gut sind, werden selbst die besten Algorithmen keine hochwertigen Ergebnisse liefern. Glücklicherweise bietet onsemi erstklassige Sensoren und Toolkits zur Unterstützung der Sensorfusion in AMR.

onsemi ist ein führender Anbieter von intelligenter Sensortechnologie und bietet ein breites Portfolio an Rolling Shutter- und Global Shutter- Bildsensoren mit branchenführender Leistung in Merkmalen wie Dynamikbereich und Wake on Motion, die die Anforderungen verschiedener möglicher Endanwendungen erfüllen, von Wearables und Unterhaltungselektronik bis hin zu anspruchsvollen industriellen und automobile Anwendungen.

Neben Bildsensoren bietet onsemi auch SiPM zur Reichweitenerfassung (LiDAR) an. Dieses Produktportfolio umfasst Ultraschallsensoren, Induktionssensoren und Mikrocontroller, die Bluetooth® LE-Technologie unterstützen, mit Unterstützung für AoA (Angle of Arrival) und AoD (Angle of Departure) zur Positionsbestimmung.

Ein spezifisches Beispiel ist der NCV75215, ein anwendungsspezifisches Standardprodukt (ASSP) für Ultraschall-Parkabstandsmessungsanwendungen. Er kann mit piezoelektrischen Ultraschallsensoren betrieben werden, um die Flugzeitmessung der Hindernisentfernung während des Fahrzeugs/AMR-Parkens bereitzustellen. Er zeichnet sich durch hohe Empfindlichkeit und einen geräuscharmen Betrieb aus und ermöglicht die Erkennung von 0,25 m bis 4,5 m an einem standardmäßigen 75 mm Pfosten, wobei die tatsächlich minimale Entfernung durch die Länge des Nachhalls bestimmt wird. Unter idealen Bedingungen, mit perfekt abgestimmten und angepassten externen Schaltungen, kann eine minimale Entfernung von 0,2 m erreicht werden, wobei der tatsächliche Erfassungsbereich von dem piezoelektrischen Ultraschallwandler und den externen analogen Bauteilen abhängt.

Dieses Gerät treibt den Ultraschallwandler mit einer programmierbaren Frequenz über einen Transformator an. Das empfangene Echo wird verstärkt, in ein digitales Signal umgewandelt, gefiltert, erkannt und mit einem in einem internen RAM gespeicherten, zeitabhängigen Schwellenwert verglichen. Die Entfernung zum Hindernis wird durch die Zeit vom Sendeburst bis zur Echokennung bestimmt. Die eingebaute bidirektionale I/O-Leitung kann zur Kommunikation mit dem Master (ECU) verwendet werden. Der Master sendet I/O-Leitungsbefehle an den NCV75215, und die Daten werden über dieselbe Leitung zurückgemeldet.

Fazit

Autonome mobile Roboter (AMRs) haben zahlreiche Anwendungsfälle, und ihre Einführung beschleunigt sich, wobei eine Reihe von Best Practices entsteht, um diese schnelle Einführung zu unterstützen. Zunächst ist es wichtig, die Umgebung zu kontrollieren, um potenzielle Kollisionen, denen AMRs begegnen könnten, zu reduzieren. Ein Beispiel dafür ist die Festlegung von Wegen für AMRs/automatisierte geführte Fahrzeuge (AGVs) in Fertigungs- oder Lageranlagen. Zweitens ist es entscheidend, während des Entwicklungsprozesses digitale Zwillinge zu verwenden, um genaue Anwendungsfälle, einschließlich extremer Szenarien, zu simulieren. Schließlich ist die Integration von Sensorfusion mit intelligenten Sensoren, Algorithmen und Modellen entscheidend. onsemi kann eine umfassende Lösung für die Sensorfusion bereitstellen, einschließlich hochauflösender Bildgebungssysteme in Kombination mit Bildsensoren, Hochleistungs-Motorsteuerung und effizienten kompakten Batterieladelösungen, die alle die verschiedenen Bedürfnisse von AMR-Anwendungen erfüllen. Wenn Sie diesbezüglich Bedarf haben, wenden Sie sich bitte an Arrow oder onsemi für weitere Produkt- und Anwendungsinformationen.