Künstliche Intelligenz (KI), die zur Verarbeitung von IoT-Daten am Edge verwendet wird, trägt das Akronym AIoT. AMRs sind ein großartiges Beispiel für die Nutzung von AIoT für die hohen Datenverarbeitungsmengen, die für den Betrieb erforderlich sind. AMRs können den ganzen Tag, die ganze Nacht und das ganze Jahr über in Betrieb sein und nur zum Aufladen und zur Wartung anhalten, während sie möglicherweise auch mit Menschen zusammenarbeiten. Diese Funktionen bieten eine Vielzahl von Vorteilen für eine Industrie-, Automatisierungs- oder Fertigungsumgebung und erfordern KI, um Sicherheit für Mensch und Maschine zu gewährleisten.
AMRs sind mit zahlreichen Vorteilen ausgestattet und komplex in der Entwicklung und Herstellung; Vom Bildverarbeitungssystem (das allein enorme Mengen an Datenverarbeitung erfordert) über Navigationssysteme, Motorsteuerung, drahtlose Kommunikation bis hin zur Mensch-Maschine-Echtzeit-Interaktion gibt es viel zu beachten.
Stromversorgung Ihres AMR
Während die Komplexität des Aufbaus von AMR-Systemen viele Hindernisse darstellen kann, müssen Sie mit einem grundlegenden Element beginnen – der Stromversorgung des AMR. Wie bereits erwähnt, müssen die Roboter lange Zeit arbeiten, bevor sie aufgeladen werden können.
Wenn wir uns überlegen, wie wir den AMR mit Strom versorgen, müssen wir auch eine Plattform auswählen, die unzählige Aufgaben ausführen kann, wie z NVIDIAs Jetson, ein System-on-Module (SOM) mit CPU, GPU, PMIC, DRAM und Flash-Speicher. Die Plattform kann mit der Isaac-Robotikplattform des Unternehmens gekoppelt werden, zu der auch die Isaac SIM gehört. Diese SIM wird zum Simulieren und Trainieren von Robotern in virtuellen Umgebungen verwendet, bevor AMRs bereitgestellt werden. Darüber hinaus finden Benutzer das Isaac SDK, ein offenes Software-Framework für die Verarbeitung auf dem Jetson. Es ermöglicht benutzerdefiniertes Verhalten und Funktionen, die die Entwicklung der Robotik beschleunigen können.
NVIDIA bietet eine Plattform, die als hervorragender Ausgangspunkt für die AMR-Entwicklung dient. Sie bietet die erforderliche Steuerungs- und Recheneffizienz für alle Aspekte des Roboters mit hervorragender Energieeffizienz, was ihn wirklich hervorhebt.
Sensoren, Sensoren und mehr Sensoren
Es ist unglaublich wichtig, Sensoren in die AMRs zu integrieren. Diese Sensoren können unter anderem 2D/3D-Kameras, Time-of-Flight-Sensoren und LIDAR-Geräte umfassen, und die Sensoren müssen mit Hochgeschwindigkeits-I/Os verbunden werden. Natürlich kommt mit einer Fülle von Sensoren auch eine Fülle von Daten. Diese Daten müssen in Echtzeit auf dem Roboter verarbeitet werden, damit er in hektischen Umgebungen autonom navigieren kann. Es ist davon auszugehen, dass durch die Integration von KI-Funktionen Feld-Upgrades minimiert werden können.
Als Direktor des Produktmanagements für autonome Maschinen bei NVIDIA sagte Amit Goel: „Die Simulationsumgebung ist eine Schlüsselkomponente bei der Entwicklung und Bereitstellung von AMRs. Die Entwicklung der eigentlichen Hardware bringt einige Einschränkungen mit sich und beeinflusst, wie schnell AMRs entworfen werden können und wie viele Personen gleichzeitig an der AMR arbeiten können. Sobald Sie das Design in die Simulation übertragen haben, kann Ihr Entwicklungsteam überall sein.“
Jetzt stellt sich den Designern eine neue Frage: Welcher Prozessortyp soll eingesetzt werden? Auf diese Frage gibt es wirklich keine in Stein gemeißelte Antwort, aber der AMR muss unbedingt Informationen bezüglich seiner Umgebung akzeptieren, lesen und berechnen. Es muss dann das Verhalten kontrollieren. Am besten geeignet ist eine GPU. Wir brauchen auch einen Prozess, der genügend Flexibilität bietet, um hoch- und sogar herunterzuskalieren. Um mehr über das Entwerfen von AMRs mit ADLINK-Technologieplattformen und NVIDIA-GPUs zu erfahren, lesen Sie diesen Podcast mit Ihnen und Amit!
