Der u. a. von IEEE Rototics anerkannte Beitrag gibt einen Überblick über den parallelen Algorithmus, den Bodenkehrer bei der präzisen Navigation in Einzelhandelsgeschäften verwenden.

In der Juli-Ausgabe 2019 des IEEE Robotics and Automation Society Letters (RA-L) Journal wurde ein Überblick über die bewährte, präzise und sichere Bewegungsplanungsmethodik von BrainOS, einem Cloud-verbundenen Betriebssystem für kommerzielle autonome Roboter, veröffentlicht. Das von Experten begutachtete IEEE Robotics and Automation Letters (RA-L) Journal veröffentlicht innovative Anwendungsfallstudien und bedeutende Forschungsideen im Bereich der Roboterautomation.

Das 2009 gegründete Ingenieurteam der Brain Corp. stand vor der Herausforderung, eine kommerziell skalierbare Betriebssystemarchitektur für autonome Roboter zu entwickeln, die Rechenbeschränkungen beseitigt und sichere, effiziente Roboteroperationen in unübersichtlichen, mit Hindernissen übersäten Umgebungen ermöglicht. "Wir haben einen Low-Level-Algorithmus für die Pfad- und Bewegungsplanung mit dem Namen Tensor Dynamic Window Approach (TDWA) entwickelt, der dieses Problem angeht", erklärt Oleg Sinyavsky, Direktor für Forschung und Entwicklung bei Brain Corp. "Die wichtigste Neuerung von TDWA ist, dass seine Methodik uns die volle Flexibilität der modellprädiktiven Steuerung zur Verfügung stellt. Und da TDWA deterministisch ein Bewegungsprimitiv aus einer vordefinierten Menge auswählt, läuft es in konstanter Zeit."

Da der Roboter in konstanter Zeit läuft, unabhängig davon, wie die lokale Umgebung konfiguriert ist, gibt es keine Verzögerung bei der Fähigkeit des Roboters, in Echtzeit zu reagieren - er hält sofort an, wenn kein sicherer Motorbefehl verfügbar ist, ein entscheidender kommerzieller Vorteil für eine sichere Motorbefehlsauswahl und eine reibungslose Navigation.

Das Papier mit dem Titel "Parallel Algorithm for Precise Navigation Using Black-Box Forward Model and Motion Primitives" (Paralleler Algorithmus für präzise Navigation mit Black-Box-Vorwärtsmodell und Bewegungsprimitiven) beschreibt die Navigationsplanungsarchitektur, die das Ingenieurteam der Brain Corp. entwickelt hat. Durch den Einsatz dieser einzigartigen Architektur werden die rechnerischen Beschränkungen für die kommerzielle Nutzbarkeit aufgehoben, so dass das Navigationsverhalten des Roboters in Echtzeit präzise gesteuert werden kann.

Ein Beispiel für diese präzise Steuerung ist, dass unsere BrainOS-gesteuerten Roboter sofort anhalten, wenn unbekannte oder nicht erkannte Objekte plötzlich vor ihnen auftauchen. In solchen Situationen braucht ein Mensch ein paar Sekunden, um zu überlegen, was er tun soll, während ein BrainOS-gesteuerter Roboter sofort und konsequent reagiert.

"Unsere Methode hat mehrere Eigenschaften, die sie für kommerzielle Anwendungen gut geeignet machen: Sie ist deterministisch, rechnerisch effizient, läuft in konstanter Zeit und kann auf Plattformen beliebiger Form und Antriebsart eingesetzt werden", sagt Dr. Jean-Baptiste Passot, Vice President, Platform and AI bei Brain Corp.

Dem Papier zufolge verwenden die von der Architektur verwendeten Methoden eingehende lokalisierte Informationen von mehreren Sensorgeräten, die in konstanter Zeit zusammen mit vorberechneten Kostenkarten verarbeitet werden, die die Roboterbewegung vorgeben. Der Hauptvorteil der Verwendung eines Algorithmus mit konstanter Zeit im Gegensatz zu herkömmlichen Methoden besteht darin, dass die Reaktionszeit des Roboters dann sehr gut vorhersehbar ist, wodurch sichergestellt wird, dass BrainOS-gesteuerte Roboter immer die optimale Entscheidung zur rechten Zeit treffen.

"Im Vergleich zu den traditionellen Algorithmen des Dynamic Window Approach, die die Kosten jedes einzelnen Befehls separat berechnen, bewertet TDWA die Kosten aller Bewegungsprimitive in einer einzigen Tensor-Operation und beschleunigt damit diese Berechnung erheblich", erklärt Sinyavsky. "Dies ermöglicht eine feinere Kostendiskriminierung zwischen einer größeren Anzahl von Bewegungsprimitiven mit längeren Zeithorizonten, was hilft, Sackgassensituationen zu vermeiden, ohne die Sicherheit zu beeinträchtigen."

Dieser neuartige Ansatz hat dazu geführt, dass BrainOS-betriebene Roboter seit ihrem kommerziellen Einsatz eine beeindruckende Erfolgsbilanz aufweisen können. BrainOS-betriebene Roboter in verschiedenen Formfaktoren haben bereits 100.000 Stunden sicheren, autonomen Betrieb in Einkaufszentren, Lebensmittelgeschäften, Flughäfen, Lagerhäusern und mehr auf der ganzen Welt geleistet.

BrainOS steht kommerziellen Herstellern von autonomen Robotern und mobilen Geräten zur Lizenzierung zur Verfügung und arbeitet mit dem De-facto-Standard für Nachrichtenübermittlung und Serialisierung in Robotikanwendungen, dem Robot Operating System (ROS), so dass diese Hersteller die Möglichkeit haben, bestehende ROS-gestützte Projekte zu nutzen. Die BrainOS-Dienste sind über ROS-Serviceaufrufe, Aktionen oder Nachrichtenthemen zugänglich, aber BrainOS geht über die Möglichkeiten von ROS hinaus. Zusätzliche Funktionen, die BrainOS bietet, verdeutlichen die Skalierbarkeit der BrainOS-Lösung. Dazu gehören die Sensortreiber-Hardware-Abstraktionsschicht, die aus anwendungsspezifischer Firmware und Simulationswerkzeugen besteht, eine BrainOS-Sicherheitsschicht, zentrale Middleware-Bibliotheken sowie weitere grundlegende Robotikfunktionen wie Odometrie, Wahrnehmung, Lokalisierung, Kartierung und Bewegungsplanung. Und das ist nur das, was für die Grundfunktionen des Roboters bereitgestellt wird.

Brain Corp weiß, dass der nächste Schritt die Skalierbarkeit des Betriebs ist. Um die Skalierbarkeit voranzutreiben und den Erfolg sicherzustellen, wird ein API-Framework mit benutzerfreundlichen Autonomie-, Fertigungs- und Bereitstellungsanwendungen bereitgestellt, das unseren Partnern das in den letzten 10 Jahren hart erarbeitete Wissen zur Verfügung stellt. Um diese Partner noch weiter zu unterstützen, bietet BrainOS auch Cloud-Services für das Flotten-Lebenszyklusmanagement, die Berichterstattung und mehr.

Da die Architektur hardwareunabhängig ist, kann sie problemlos an verschiedene Formfaktoren und Antriebssysteme angepasst werden: Dreiräder, Differentialantriebe und andere Lenkplattformen. Jedes dieser motorisierten Fahrzeuge mit Rädern erfüllt verschiedene, spezialisierte Funktionen in unterschiedlichen Umgebungen.

Autonome mobile Roboter sind in einer Vielzahl von Branchen zu finden, z. B. im Einzelhandel, im Gesundheitswesen, im Gastgewerbe und in der gewerblichen Reinigung, wo sie eine Mischung aus Lager- und Industrieanwendungen ausführen. Zu den Herstellern von mit BrainOS betriebenen autonomen Robotern gehören Softbank Robotics, ein weltweit führender Anbieter von Robotiklösungen, sowie die globalen Marken Tennant Company, Nilfisk, Minuteman International und Intelligent Cleaning Equipment für die industrielle Bodenpflege. Es ist nicht bekannt, ob eines dieser Unternehmen die prognostizierte Wachstumsrate von 60 % in der Branche der autonomen mobilen Roboter von 2019 bis 2025* erreichen wird, aber mit BrainOS unter der Haube" sind die Roboterhersteller in der Lage, maßgeschneiderte autonome mobile Produkte in einem beschleunigten Zeitrahmen zu entwickeln und auf den Markt zu bringen.

• Commercial & Industrial Robotics Report, ABI Research, 2018

Jetzt herunterladen

‍