Sisälogistiikan optimointi Teollisuus 4.0 ‑toimitusketjujen virtaviivaistamiseksi ja nopeuttamiseksi – osa 2/2

Osassa 1 tätä sisälogistiikkaa koskevaa sarjaa käsiteltiin kysymyksiä, jotka liittyvät siihen, miten autonomisia mobiilirobotteja (AMR) ja automaattitrukkeja (AGV) käytetään järjestelmätasolla sisälogistiikan toteutukseen ja materiaalien nopeaan ja turvalliseen siirtämiseen tarpeen mukaan. Tässä artikkelissa keskitytään käyttötapauksiin ja siihen, miten AMR- ja AGV-laitteet käyttävät antureita kohteiden tunnistamiseen ja seurantaan sekä miten koneoppiminen (ML) ja tekoäly (AI) tukevat materiaalien tunnistamista, siirtämistä ja toimittamista varastoissa ja tuotantolaitoksissa.

Sisälogistiikassa käytetään autonomisia mobiilirobotteja (AMR) ja automaattitrukkeja (AGV) materiaalien tehokkaaseen siirtämiseen Teollisuus 4.0 ‑varastoissa ja tuotantolaitoksissa. Toimitusketjujen virtaviivaistamiseksi ja nopeuttamiseksi sisälogistiikkajärjestelmien on tiedettävä materiaalin nykyinen sijainti, sen haluttu määränpää sekä turvallisin ja tehokkain reitti sinne pääsemiseksi. Tämä virtaviivainen navigointi vaatii monia erilaisia antureita.

AGV- ja AMR-laitteet käyttävät sisälogistiikkaratkaisuissa antureita tilannetietoisuuden lisäämiseksi. Anturiryhmät tarjoavat turvallisuutta lähellä olevalle henkilöstölle, suojaavat muita laitteita sekä tehostavat navigointia ja paikannusta. Sovellusvaatimuksista riippuen AMR-laitteiden anturitekniikoita voivat olla puskureihin sisäänrakennettujen rajakytkimien kaltaiset kontaktianturit, 2D- ja 3D-valotutkat (LiDAR), ultraääni, 2D- ja stereokamerat, tutka, enkooderit, inertiamittausyksiköt (IMU) ja valokennot. AGV-laitteiden tapauksessa antureita voivat olla magneettiset, induktiiviset tai optiset viiva-anturit sekä puskureihin rakennetut rajakytkimet, 2D-LiDAR ja enkooderit.

Tämän sarjan ensimmäisessä artikkelissa käsitellään kysymyksiä, jotka liittyvät siihen, miten AMR- ja AGV-laitteita käytetään järjestelmätasolla sisälogistiikan toteuttamiseen ja materiaalien tehokkaaseen siirtoon tarpeen mukaan.

Tässä artikkelissa keskitytään anturitietojen yhdistämiseen (sensor fusion) ja siihen, miten AMR- ja AGV-laitteet käyttävät antureiden yhdistelmiä sekä tekoälyä ja koneoppimista paikannukseen, navigointiin ja käyttöturvallisuuteen. Artikkeli alkaa lyhyellä katsauksella yleisiin AGV-laitteissa käytettäviin antureihin ja tarkastelee robottien asemoinnin sekä samanaikaisen paikannuksen ja kartoituksen (SLAM) algoritmeja anturitietojen yhdistämisen avulla. Tämän jälkeen siinä tarkastellaan sitä, miten SLAM-arvioita voidaan parantaa skannauksen sovittamisella karttaan ja skannauksen sovittamisella skannaukseen, ja lopuksi tarkastellaan sitä, miten anturitietojen yhdistäminen parantaa AMR- ja AGV-laitteiden turvallisuutta. DigiKey tukee suunnittelijoita laajalla valikoimalla robotiikkaan ja muihin teollisuussovelluksiin tarkoitettuja antureita ja kytkimiä kaikissa näissä tapauksissa.

Autonomisen toiminnan ja turvallisuuden takaamiseksi AMR-laitteissa tarvitaan joukko antureita ja antureiden yhdistelmiä, tekoälyä, koneoppimista ja langattomia yhteyksiä. Vaikka AGV-laitteiden suorituskykyvaatimukset ovat alhaisemmat, ne vaativat silti useita antureita turvallisen ja tehokkaan toiminnan takaamiseksi. Antureita on kahta eri pääluokkaa:

• Asentotuntoanturit mittaavat robotin sisäisiä arvoja, kuten pyörien nopeutta, kuormitusta, akun latausta ja niin edelleen.
• Ulkoaistianturit antavat tietoa robotin ympäristöstä, kuten etäisyysmittaukset, maamerkkien sijainnit ja esteiden, esimerkiksi robotin liikeradalle tulevien ihmisten, tunnistaminen.

Anturitietojen yhdistäminen AGV- ja AMR-laitteissa perustuu näihin erityyppisiin antureihin. Esimerkkejä AMR-laitteissa käytettävistä antureista (kuva 1):

• Laserskanneri objektien tunnistukseen yli 20 metrin (m) etäisyydellä.
• IMU, jossa on 6-akselinen gyroskooppi ja kiihtyvyysmittari, toisinaan myös magnetometri.
• Millimetritarkkuuden enkooderit pyörissä.
• Puskurissa olevan mikrokytkimen kaltainen kosketusanturi, joka pysäyttää liikkeen välittömästi odottamattomaan esineeseen osuttaessa.
• Kaksi eteenpäin suunnattua 3D-kameraa, joiden kantama on 4 m.
• Alaspäin suunnattu anturi, joka havaitsee työskentelytason reunan.
• Viestintämoduulit tarjoavat verkkoyhteyden sekä mahdollisesti myös Bluetooth-tulokulman (AoA) ja -lähtökulman (AoD) paikannuksen reaaliaikaisia paikannuspalveluita (RTLS) varten. Ne saattavat tarjota myös 5G-lähetyspisteet/vastaanottopisteet (TRP) senttimetrin tarkkuudella tehtävää paikannusta varten.
• 2D-LiDAR ajoneuvon edessä olevien esteiden etäisyyden laskemiseksi.
• Laajakulmainen 3D-syvyysnäköjärjestelmä, joka soveltuu esineiden tunnistamiseen ja paikantamiseen.
• Tehokas suoritin anturitietojen yhdistämistä, tekoälyä ja koneoppimista varten.

Kuva 1: Esimerkki AMR-laitteesta, jossa esitetään erilaisia upotettuja antureita niiden sijainnit mukaan lukien. (Kuvan lähde: Qualcomm)

Robotin asento ja anturitietojen yhdistäminen

AMR-laitteen navigointi on monimutkainen prosessi. Yksi ensimmäisistä askeleista on se, että AMR tietää, missä se on ja mihin suuntaan se osoittaa. Tätä datayhdistelmää kutsutaan robotin asennoksi. Asennon käsitettä voidaan soveltaa myös moniakselisten kiinteiden robottien käsivarsiin ja päätetyövälineisiin. Anturitietojen yhdistäminen määrittää asennon yhdistämällä IMU:n, enkooderien ja muiden anturien syötteet. Asentoalgoritmi arvioi robotin (x, y) -sijainnin ja suuntakulman θ suhteessa koordinaattiakseleihin. Funktio q = (x, y, θ) määrittelee robotin asennon. AMR-laitteissa on useita käyttötarkoituksia asentotiedoille, kuten

• tunkeilijan asento, kuten robotin lähelle saapuva henkilö, suhteessa ulkoiseen viitekehykseen tai suhteessa robottiin
• robotin estimoitu asento sen jälkeen, kun se on liikkunut tietyllä nopeudella ennalta määrätyn ajan
• sen nopeusprofiilin laskenta, joka vaaditaan robotin siirtymiseen nykyisestä asennostaan toiseen asentoon

Asento on valmiiksi määritelty toiminto useissa robottiohjelmistojen kehitysympäristöissä. Esimerkiksi robot_pose_ekf-paketti sisältyy Robot Operating Systemiin (ROS), joka on avoimen lähdekoodin kehitysalusta. Robot_pose_ekf-pakettia voidaan käyttää arvioimaan robotin 3D-asento eri antureiden (osittaisten) asentomittausten perusteella. Se käyttää laajennettua Kalman-suodatinta ja 6D-mallia (3D-asento ja 3D-suunta), joka yhdistää mittaukset enkooderin tarjoamasta pyörien nopeudesta, kameran tarjoamasta visuaalisesta nopeusmittauksesta ja IMU-yksiköstä. Koska eri anturit toimivat eri nopeuksilla ja viiveillä, robot_pose_ekf-paketti ei edellytä, että kaikki anturitiedot ovat jatkuvasti tai samanaikaisesti saatavilla. Kutakin anturia käytetään estimoidun arvion antamiseen kovarianssilla. Robot_pose-ekf-paketti tunnistaa kullakin hetkellä käytettävissä olevat anturitiedot ja mukautuu tarpeen mukaan.

Anturitietojen yhdistäminen ja SLAM

Monissa AMR-laitteiden toimintaympäristöissä on erilaisia ajoittain liikkuvia tekijöitä. Vaikka tilaa koskeva peruskartta on hyödyllinen, tarvitaan enemmän. Teollisuuslaitoksessa liikkuessaan AMR-laitteet tarvitsevat muutakin kuin asentotiedon. Ne käyttävät lisäksi SLAM-kartoitusta voidakseen toimia tehokkaasti. SLAM lisää reaaliaikaisen ympäristökartoituksen navigoinnin tueksi. SLAM-kartoituksella on kaksi peruslähestymistapaa:

• Visuaalinen SLAM, joka yhdistää kameran ja IMU-yksikön
• LiDAR SLAM, joka yhdistää laseranturin, kuten 2D- tai 3D-LiDAR, ja IMU-yksikön

LiDAR SLAM voi olla tarkempi kuin visuaalinen SLAM, mutta sen toteuttaminen on yleensä kalliimpaa. Vaihtoehtoisesti 5G-paikannustietoja voidaan käyttää visuaalisten SLAM-arvioiden parantamiseksi. Yksityisten 5G-verkkojen käyttö varastoissa ja tehtaissa voi parantaa upotettujen antureiden toimintaa SLAM-kartoituksessa. Joissakin AMR-laitteissa on toteutettu tarkka sisäasemointi käyttämällä 5G-lähetys-/-vastaanottopisteitä (TRP) X-, Y- ja Z-akseleiden kartoittamiseen senttimetritarkkuudella.

Onnistunut navigointi perustuu AMR-laitteen kykyyn sopeutua muuttuviin ympäristöelementteihin. Navigoinnissa visuaalinen SLAM ja/tai LiDAR SLAM, 5G TRP:n kaltaiset peittokuvateknologiat ja koneoppiminen yhdistyvät ympäristön muutosten havaitsemiseen ja jatkuvien sijaintipäivitysten tarjoamiseen. Anturitietojen yhdistäminen tukee SLAM-kartoitusta useilla tavoilla:

• ympäristön spatiaalisen ja semanttisen mallin jatkuvat päivitykset eri antureiden syötteiden perusteella käyttäen tekoälyä ja koneoppimista
• esteiden tunnistaminen, jolloin reitinsuunnittelualgoritmit voivat tehdä tarvittavat muutokset ja löytää tehokkaimman reitin ympäristön halki
• reittisuunnitelman toteuttaminen, joka edellyttää reaaliaikaista ohjausta muutoksien tekemiseksi suunniteltuun reittiin ympäristön muuttuessa, mukaan lukien AMR-laitteen nopeuden ja suunnan muutokset

Kun SLAM ei riitä

SLAM on tärkeä työkalu AMR-laitteiden tehokkaan navigoinnin kannalta, mutta pelkkä SLAM ei riitä. Asentoalgoritmien tavoin SLAM on toteutettu käyttäen laajennettua Kalman-suodatinta estimaattien saamiseksi. SLAM-kartoituksesta saadut estimaatit laajentavat asentotietoja lisäämällä niihin muun muassa lineaarisia nopeustietoja, kiertonopeustietoja sekä lineaarisia kiihtyvyystietoja. SLAM-arviointi on kaksivaiheinen prosessi: ensimmäisessä vaiheessa laaditaan ennusteita käyttämällä fysiikan liikelakeihin perustuvaa sisäistä anturianalytiikkaa. SLAM-arvioinnin toisessa vaiheessa haetaan ulkoisia anturilukemia alustavien arvioiden tarkentamiseksi. Tämä kaksivaiheinen prosessi auttaa poistamaan ja korjaamaan pieniä virheitä, jotka voivat ajan mittaan kertautua ja aiheuttaa merkittäviä virheitä.

SLAM riippuu anturitulojen saatavuudesta. Joissakin tapauksissa suhteellisen edullinen 2D-LiDAR ei välttämättä toimi, esimerkiksi jos anturin havaintoalueella ei ole esineitä. Näissä tapauksissa 3D-stereokamerat tai 3D-LiDAR voivat parantaa järjestelmän suorituskykyä. 3D-stereokamerat ja 3D-LiDAR-kamerat ovat kuitenkin kalliimpia, ja niiden toteuttaminen vaatii enemmän laskentatehoa.

Toinen vaihtoehto on käyttää navigointijärjestelmää, joka yhdistää SLAM-kartoituksen skannauksen ja kartan kohdistamiseen sekä skannauksen ja skannaukseen kohdistamiseen, jotka voidaan toteuttaa pelkillä 2D-LiDAR-antureilla (kuva 2):

• Skannauksen ja kartan kohdistaminen käyttää LiDAR-etäisyystietoja AMR-laitteen sijainnin arvioimiseen vertaamalla etäisyysmittauksia tallennettuun karttaan. Tämän menetelmän tehokkuus riippuu kartan tarkkuudesta. Se ei kärsi ajan mittaan tapahtuvasta ryöminnästä, mutta toistuvissa ympäristöissä se voi johtaa virheisiin, joita on vaikea tunnistaa, jotka aiheuttavat epäjatkuvia muutoksia havaittuun asentoon ja joiden poistaminen on haastavaa.
• Skannauksen ja skannauksen kohdistaminen käyttää sarjamuotoisia LiDAR-etäisyystietoja AMR-laitteen sijainnin arvioimiseen skannausten välillä. Tämä menetelmä tarjoaa ajantasaisia sijainti- ja asentotietoja AMR-laitteelle riippumatta siitä onko karttaa käytettävissä vai ei. Se on myös hyödyllinen kartan luonnin aikana. Se on kuitenkin inkrementaalinen algoritmi, jossa voi esiintyä ajan mittaan ryömintää. Tekniikka ei tarjoa työkaluja ryöminnän aiheuttamien epätarkkuuksien tunnistamiseen.

Kuva 2: SLAM-järjestelmien suorituskykyä voidaan täydentää ja parantaa käyttämällä skannauksen ja kartan kohdistamisen sekä skannauksen ja skannauksen kohdistamisen algoritmeja. (Kuvan lähde: Aethon)

Turvallisuus vaatii anturitietojen yhdistämistä

Turvallisuus on oleellisen tärkeä osa AGV- ja AMR-laitteita. Tämä vaatii useiden standardien huomioon ottamista. Esimerkiksi American National Standards Institute / Industrial Truck Standards Development Foundation (ANSI/ITSDF) B56.5 – 2019, Turvallisuusstandardi kuljettajattomille, automaattiohjatuille teollisuusajoneuvoille ja miehitettyjen teollisuusajoneuvojen automatisoiduille toiminnoille, ANSI / Robotic Industrial Association (RIA) R15.08-1-2020 – Standardi teollisille mobiiliroboteille – Turvallisuusvaatimukset, useat ISO-standardit ja niin edelleen.

AGV- ja AMR-laitteiden turvallinen käyttö edellyttää anturitietojen yhdistämistä sekä turvallisuussertifioitujen 2D-LiDAR-anturien (joita kutsutaan joskus turvalaserskannereiksi) yhdistämistä pyörissä oleviin enkoodereihin. 2D-LiDAR tukee samanaikaisesti kahta tunnistusetäisyyttä, sillä voi olla 270 asteen havaintosektori ja se koordinoi enkoodereiden ilmoittaman ajoneuvon nopeuden kanssa. Kun kohde havaitaan kauempana olevalla havaintoalueella (anturista riippuen jopa 20 metrin päässä), ajoneuvoa voidaan tarvittaessa hidastaa. Jos kohde siirtyy lähemmälle havaintoalueelle ajolinjalla, ajoneuvo lakkaa liikkumasta.

Turvalaserskannereita käytetään usein neljän skannerin sarjana, yksi skanneri ajoneuvon kussakin nurkassa. Ne voivat toimia yhtenä yksikkönä ja kommunikoida suoraan ajoneuvon turvaohjaimen kanssa. Skannereita on saatavana sertifioituina käytettäväksi turvallisuusluokan 3, PLd-tason ja SIL2-tason sovelluksissa. Ne käyttävät IP65-koteloja, jotka soveltuvat useimpiin ulko- ja sisäkäyttötarkoituksiin (kuva 3). Skannereissa on tulo pyöristä saatavalle inkrementaaliselle enkooderitiedolle, joka tukee anturitietojen yhdistämistä.

Kuva 3: Tällaiset 2D-LiDAR-anturit voidaan yhdistää pyörissä oleviin enkoodereihin anturitietojen yhdistämistä hyödyntävässä järjestelmässä, joka mahdollistaa AMR- ja AGV-laitteiden turvallisen käytön. (Kuvan lähde: Idec)

Yhteenveto

Sisälogistiikka tukee nopeampia ja tehokkaampia toimitusketjuja Teollisuus 4.0 ‑varastoissa ja ‑tehtaissa. AMR- ja AGV-laitteet ovat tärkeitä työkaluja sisälogistiikassa materiaalin siirtämiseksi paikasta toiseen oikea-aikaisesti ja turvallisesti. Anturitietojen yhdistämistä tarvitaan AMR- ja AGV-toiminnoissa, kuten asennon määrittäminen, SLAM-tietojen laskeminen, navigoinnin parantaminen käyttämällä skannauksen ja kartan kohdistamista sekä skannauksen ja skannauksen kohdistamista sekä henkilöstön ja esineiden turvallisuuden varmistaminen koko laitoksessa.