11% oszczędności na personelu konserwacyjnym po zbudowaniu robota do automatycznego podlewania roślin

API

AWS

IoT

Dział robotyki Innowise opracował własnego inteligentnego robota do poruszania się po pomieszczeniach biurowych i podlewania roślin bez interwencji człowieka.

Klient

Przemysł

IT, Tworzenie oprogramowania na zamówienie

Region

Klient

Innowise

Innowise jest globalnym dostawcą kompleksowych usług rozwoju oprogramowania z ponad 1500 specjalistami IT na pokładzie. Nasza firma świadczy usługi tworzenia oprogramowania pod klucz, realizując ponad 850 projektów dla klientów z 30 krajów na całym świecie.

Wyzwanie: Wewnętrzny projekt Innowise mający na celu zaprezentowanie naszej wiedzy z zakresu robotyki

Robotyka to jeden ze stale rozwijających się trendów we współczesnych realiach IT. Sieci cyfrowe i sztuczna inteligencja rozwijają się wykładniczo, biorąc pod uwagę szybki postęp technologiczny w tych dziedzinach.

Koncentrując się na wykorzystaniu nowych technologii, Innowise przyjmuje zaawansowane rozwiązania w miarę ich pojawiania się na rynku. Jako dowód naszej doskonałości w tej dziedzinie, nasz dział robotyki stworzył od podstaw w pełni autonomicznego robota, który pomaga pracownikom w podlewaniu roślin. W tym autorskim projekcie zaprezentowaliśmy naszą wiedzę z zakresu robotyki klientom poszukującym Rozwiązania oparte na IoT w celu zautomatyzowania rutynowych zadań i wyeliminowania ludzkiego nadzoru.

Rozwiązanie: Samonawigujący robot podlewający rośliny z zaawansowanym systemem podnoszenia

Nasi sprawdzeni programiści robotyki zbudowali IRIS (Innowise Robotics Irrigation System) - autonomicznego, samonawigującego robota do podlewania roślin IoT w pomieszczeniach biurowych. Oprócz wdrożenia oprogramowania, takiego jak SLAM, ROS i LiDAR, zbudowaliśmy również sprzęt, w tym ruchomą platformę, zbiornik na wodę i system podnoszenia.

Mapowanie

Nasi eksperci od robotyki rozpoczęli od mapowania przestrzeni biurowych w celu stworzenia szczegółowego systemu monitorowania roślin IoT, identyfikując lokalizacje roślin, przeszkody, meble i inne obiekty, które mogą wpływać na ruch robota. Zapewniliśmy przewidywalne i bezproblemowe trasy w pomieszczeniach biurowych, wykorzystując technologię SLAM, która jednocześnie określa lokalizację robota i tworzy mapę środowiska przy użyciu algorytmów wizji komputerowej, LiDAR (skanerów laserowych) i innych narzędzi czujnikowych.

Nasi specjaliści od robotyki wykorzystali LiDAR podłączony do mikrokomputera Raspberry PI zamontowanego bezpośrednio na robocie do wykrywania przeszkód i identyfikacji roślin. ROS (Robotic Operating System) i główny komputer wykorzystują te informacje wizualne do przetwarzania danych nawigacyjnych, obliczania trasy i mapowania otoczenia biura.

Na tym etapie nasz zespół stanął przed wyzwaniem ograniczonej widoczności w wykrywaniu zwykłych obiektów, takich jak stoły, półki, krzesła i inne elementy wnętrza, które ograniczają widok robota lub mogą zostać błędnie zidentyfikowane. Dodatkowo musieliśmy radzić sobie z dynamicznymi przeszkodami w środowisku biurowym, ponieważ pracownicy i poruszające się obiekty nagle zmieniają pozycje i kierunki, zmuszając robota do podejmowania natychmiastowych decyzji w celu uniknięcia kolizji. Nasz zespół projektowy wykorzystał algorytmy wizji komputerowej i uczenia maszynowego, aby rozwiązać ten problem, w tym segmentację obrazu, wykrywanie obiektów, filtrowanie szumów i inne metody. Ponadto wyposażyliśmy naszego autonomicznego asystenta w algorytmy planowania ruchu, takie jak Rapidly-exploring Random Trees (RRT) i A* (A-star), które uwzględniają położenie i kształt przeszkód w identyfikacji optymalnej ścieżki w czasie rzeczywistym.

Wykrywanie roślin i kody QR

Głównym celem projektu było wyszkolenie robota do identyfikowania i lokalizowania obiektów na mapie. Początkowo planowaliśmy użyć kamer stereoskopowych do określenia lokalizacji roślin, obliczenia ich położenia i utworzenia trasy. W wyniku sesji burzy mózgów opracowaliśmy alternatywny schemat, w którym robot robił zdjęcie i zapisywał jego współrzędne w przestrzeni. Inżynierowie robotyki wykorzystali sieć neuronową do znalezienia rośliny w kadrze, obliczenia jej obwiedni i określenia kierunku kwiatu.

W ramach projektów przetwarzania obrazu, obwiednie służą jako punkty odniesienia do wykrywania obiektów i tworzenia dla nich pól kolizji. Na podstawie współrzędnych robota, orientacji kamery i lokalizacji kwiatu narysowaliśmy promień łączący pozycję robota z rośliną. Po wielokrotnym powtórzeniu tego procesu uzyskaliśmy wiele promieni przecinających się w jednym punkcie i wykrywających roślinę, która wymagała podlania.

Nasi inżynierowie polegali na modelach wyszkolonych na zbiorach danych COCO i ImageNet, aby płynnie identyfikować kwiaty w doniczkach. W oparciu o ten model odfiltrowaliśmy wszystkie niepotrzebne klasy i opracowaliśmy niestandardowy detektor, który synchronizuje kierunek obwiedni ze współrzędnymi robota. Aby określić dokładne współrzędne przestrzenne pręta do podlewania, użyliśmy zestawu kamer i LiDAR.

Gdy robot wykryje roślinę, powinien zidentyfikować jej dokładną pozycję w przestrzeni i określić, czy należy ją podlać. W tym celu oznaczyliśmy wszystkie doniczki biurowe kodami QR połączonymi z bazami danych, w których przechowywana jest historia podlewania wszystkich roślin.

Ruchoma platforma

Jeśli chodzi o sprzęt, zespół robotyków zdecydował się na system modułowy, który obejmował ruchomą platformę zawierającą elektronikę, zbiornik na wodę, baterię i dwupoziomowy system windy. Wykorzystaliśmy aluminiowy profil formatu V-Slot do montażu ramy robota ze względu na jego trwałość i lekkość, umożliwiając lepszą manewrowość i mniejsze zużycie energii.

Zamiast standardowych napędów różnicowych zaimplementowaliśmy koła wielokierunkowe w rogach robota, aby zapewnić płynną nawigację. Koła omni-wheels lub koła wielokierunkowe to małe dyski (rolki) na obwodzie, które mogą obracać się wokół własnej osi lub prostopadle, z łatwością napędzając cały system. W ten sposób robot może poruszać się w dowolnym kierunku bez obracania głównej konstrukcji, wykorzystując jedynie różnicę prędkości między poszczególnymi kołami.

Winda i nawadnianie

Kwiaty są eksponowane na biurkach pracowników, półkach, regałach, wysokich regałach i innych trudno dostępnych dla pracowników miejscach. Zamiast budować wysokiego robota, nasi eksperci zmontowali mechanizm podnoszący oparty na rolkach ślizgowych, eliminując potrzebę pracochłonnej i ekonomicznie nieefektywnej konstrukcji o wysokości regału. Za pomocą części profilowych V-Slot firmy OpenBuilds sztywno przymocowaliśmy do siebie stopnie windy za pomocą wózków i rolek, które przesuwają się wzdłuż mechanizmu podnoszącego. Ostatecznie wózki są przesuwane za pomocą paska rozciągniętego między silnikiem a jednostką napinającą zamontowaną po drugiej stronie.

Na szczycie ostatniego stopnia windy zaimplementowaliśmy serwomotor, który rozwija pręt z włókna węglowego do podlewania kwiatów połączony z pompą perystaltyczną zainstalowaną w zbiorniku na wodę. W przeciwieństwie do standardowych pomp obrotowych, które są wrażliwe na objętość cieczy, zastosowaliśmy pompy perystaltyczne, które ściskają elastyczną rurkę przez rolki na obwodzie i wypychają ciecz. W porównaniu do standardowych pomp, mechanizmy te mają znacznie mniejszą prędkość pompowania, ale mogą podnosić ciecz na znacznie większą wysokość.

Technologie i narzędzia

Back-end

Python, Django(DRF), FastAPI, AWS IoT Core, pandas, Loki, Prometheus, Grafana, API Gateway, AWS (Route, Lambda, RDS, S3, SQS, SES, EKS, ECR)

Front-end

JavaScript, TypeScript, React, Redux, Leaflet, Webpack, Axios, Material UI, Cube.js, AWS CloudFront

Wbudowany

AVR, Raspberry Pi, SPI, UART, USB, I2C, HTTP, Solidworks, ROS, SLAM, LiDAR, Altium Designer

ML/DS

OpenCV, TensorFlow, TFLite, ONNX, NumPy

DevOps

Terraform, Weave, Docker. Docker Compose, Kubernetes, BitBucket Pipelines

Baza danych

PostgreSQL, AWS Timestream

Proces

Nasz dział robotyki postępował zgodnie z metodologią zwinną podczas całego projektu, ściśle współpracując ze specjalistami od uczenia maszynowego, wizji komputerowej i nauki o danych, aby osiągnąć pożądane rezultaty. Dążyliśmy do dostarczenia kompleksowego rozwiązania bez rozrostu zakresu, demonstrując wiedzę branżową potencjalnym klientom w złożonym i wymagającym obszarze. Podczas regularnych spotkań, sesji burzy mózgów i analiz retrospektywnych, nasi eksperci od robotyki na bieżąco śledzili postępy projektu i rozwiązywali wszystkie problemy.

Obecnie testujemy system podlewania i wykrywania roślin oraz polski algorytm, który automatycznie znajduje i dociera do roślin biurowych na różnych wysokościach bez kolizji. Zidentyfikowaliśmy również problemy projektowe podczas opracowywania i stworzyliśmy szkic, aby rozwiązać te skutki uboczne przed zaprezentowaniem robota inwestorom. Ponadto nasi specjaliści opracowali bazę techniczną dla robota, w tym stację ładującą podłączoną do sieci wodociągowej i sieci 220 V, umożliwiającą robotowi ładowanie akumulatora pokładowego i automatyczne uzupełnianie wbudowanego zbiornika na wodę.

Zespół

Programiści back-end

Programiści front-end

Kierownik projektu

Analityk biznesowy

Architekt oprogramowania

Kierownik zespołu

Inżynierowie sprzętu

Programiści oprogramowania układowego

Inżynier DevOps

Inżynier ML/DS

3D Modeller

Inżynier projektu

Wyniki: 34% zmniejszył uszkodzenia roślin dzięki inteligentnemu systemowi nawadniania roślin IoT

Zespół robotyków Innowise zbudował IRIS - zautomatyzowanego robota opartego na IoT do podlewania roślin i nawigacji w otoczeniu biurowym. Wyposażyliśmy urządzenie w zaawansowany system mapowania do tworzenia dokładnych tras za pomocą technologii SLAM, LiDAR (skanerów laserowych) i innych czujników. Dodatkowo nasi inżynierowie wyposażyli robota w mechanizm podnoszący oparty na rolkach ślizgowych i pręcie z włókna węglowego na górze.

W rezultacie zaprojektowaliśmy system nawadniania, który umożliwia regularne podlewanie roślin bez udziału człowieka. IRIS dba o zdrowie kwiatów, poprawiając jakość powietrza i promując zieloną atmosferę w biurze. Ponadto zmniejsza obciążenie pracowników, którzy wcześniej musieli ręcznie podlewać rośliny, pozwalając im skupić się na swoich podstawowych obowiązkach bez rozpraszania się rutynowymi zadaniami.

Czas trwania projektu

Luty 2023 r. - w toku

11%

oszczędności na personelu konserwacyjnym

34%

zmniejszone uszkodzenia roślin

Powiązane przypadki

Potrzebujesz rozwiązania technologicznego? Skontaktuj się z nami!

Nazwa

Firma

E-mail

Telefon

Wiadomość Prosimy o podanie szczegółów projektu, czasu trwania, stosu technologicznego, potrzebnych specjalistów IT i innych istotnych informacji.

Nagraj wiadomość głosową na temat
projekt, który pomoże nam lepiej go zrozumieć

W razie potrzeby dołącz dodatkowe dokumenty

Prześlij plik

Można załączyć maksymalnie 1 plik o łącznej wielkości 2 MB. Ważne pliki: pdf, jpg, jpeg, png

Informujemy, że po kliknięciu przycisku Wyślij Innowise będzie przetwarzać Twoje dane osobowe zgodnie z naszą Polityką prywatności w celu dostarczenia Ci odpowiednich informacji.

Co będzie dalej?

Po otrzymaniu i przetworzeniu Twojego zgłoszenia skontaktujemy się z Tobą wkrótce, aby wyszczególnić potrzeby projektu i podpisać umowę o zachowaniu poufności, aby zapewnić poufność informacji.

Po przeanalizowaniu wymagań, nasi analitycy i programiści opracowują projekt z zakresem prac, wielkością zespołu, czasem i kosztami szacunki.

Umówimy się z Tobą na spotkanie, aby omówić ofertę i dojść do porozumienia porozumienia.

Podpisujemy umowę i rozpoczynamy pracę nad projektem tak szybko, jak to możliwe możliwe.

11% oszczędności na personelu konserwacyjnym po zbudowaniu robota do automatycznego podlewania roślin

Klient

Wyzwanie: Wewnętrzny projekt Innowise mający na celu zaprezentowanie naszej wiedzy z zakresu robotyki