11% besparingar på underhållspersonal efter att ha byggt en automatisk växtvattningsrobot

Innowise robotavdelning utvecklade en egen smart robot som kan navigera i kontorslokaler och vattenverk utan mänsklig inblandning.

Kund

Industri

IT, utveckling av kundanpassad programvara

Region

Kund

Innowise

Innowise är en global leverantör av mjukvaruutveckling med 1500+ IT-specialister ombord. Vårt företag erbjuder nyckelfärdiga tjänster för mjukvaruutveckling och har levererat 850+ projekt till kunder från 30 länder över hela världen.

Utmaning: Innowise:s interna projekt för att visa upp vår expertis inom robotteknik

Robotics är en av de ständigt växande trenderna i den moderna IT-verkligheten. Digitala nätverk och artificiell intelligens växer exponentiellt med tanke på de snabba tekniska framstegen inom dessa områden.

Med fokus på att använda ny teknik tar Innowise till sig avancerade lösningar när de kommer ut på marknaden. Som ett bevis på vår spetskompetens inom området skapade vår robotavdelning en fullfjädrad autonom robot från grunden för att hjälpa anställda att vattna växter. I detta egenutvecklade projekt visade vi upp vår robotexpertis för kunder som letar efter IoT-drivna lösningar för att automatisera rutinuppgifter och eliminera mänsklig övervakning.

Lösning: Självnavigerande robot som vattnar växter med avancerat upphöjningssystem

Våra godkända robotutvecklare byggde en IRIS (Innowise Robotics Irrigation System) - en autonom självnavigerande robot för IoT-vattning av växter i kontorslokaler. Förutom att implementera programvara som SLAM, ROS och LiDAR byggde vi även hårdvara, inklusive en rörlig plattform, en vattenlagringstank och ett lyftsystem.

Kartläggning

Våra robotexperter började med att kartlägga kontorsutrymmen för att skapa ett detaljerat IoT-system för övervakning av anläggningar, identifiera anläggningarnas placering, hinder, möbler och andra föremål som kan påverka robotens rörelser. Vi säkerställde förutsägbar och problemfri routing genom kontorsrummen genom att använda SLAM-teknik, som samtidigt fastställer robotens position och skapar en miljökarta med hjälp av algoritmer för datorseende, LiDAR (laserskannrar) och andra sensorverktyg.

Våra robotikspecialister använde LiDAR som är ansluten till mikrodatorn Raspberry PI som monterats direkt på roboten för att upptäcka hinder och identifiera växter. ROS (Robotic Operating System) och huvuddatorn använder denna visuella information för att bearbeta navigeringsdata, göra ruttberäkningar och kartlägga kontorets omgivning.

Under detta skede ställdes vårt team inför utmaningen med begränsad sikt för att upptäcka vanliga objekt som bord, hyllor, stolar och andra inredningsdetaljer som begränsar robotens sikt eller kan felidentifieras. Dessutom var vi tvungna att hantera dynamiska hinder i en kontorsmiljö eftersom anställda och rörliga föremål plötsligt ändrar position och riktning, vilket tvingar roboten att fatta omedelbara beslut för att undvika kollisioner. Vårt projektteam använde algoritmer för datorseende och maskininlärning för att lösa detta problem, inklusive bildsegmentering, objektdetektering, brusfiltrering och andra metoder. Vi utrustade också vår autonoma assistent med rörelseplaneringsalgoritmer som RRT (Rapidly-exploring Random Trees) och A* (A-star), som tar hänsyn till hinders position och form för att identifiera den optimala vägen i realtid.

Växtdetektering och QR-koder

Projektets primära mål var att träna roboten i att identifiera och lokalisera objekt på en karta. Från början planerade vi att använda stereoskopiska kameror för att bestämma växternas plats, beräkna deras position och skapa en rutt. Som ett resultat av brainstorming-sessionerna tog vi fram ett alternativt system där roboten tog en bild och registrerade dess koordinater i rymden. Robotteknikerna använde ett neuralt nätverk för att hitta växten i bilden, beräkna dess avgränsande box och bestämma blommans riktning.

I bildbehandlingsprojekt används avgränsningsrutor som referenspunkter för att upptäcka objekt och skapa kollisionsrutor för dem. Baserat på robotens koordinater, kamerans orientering och blommans placering ritade vi en stråle som förbinder robotens position med växten. När vi upprepade denna process många gånger fick vi många strålar som korsade varandra i en punkt och detekterade växten som behövde vattnas.

Våra ingenjörer förlitade sig på modeller som tränats på COCO- och ImageNet-dataset för att sömlöst identifiera blommor i krukor. Baserat på denna modell filtrerade vi bort alla onödiga klasser och utvecklade en anpassad detektor som synkroniserar bounding box-riktningen med robotens koordinater. För att fastställa de exakta rumsliga koordinaterna för vattenstången använde vi ett paket med kameror och LiDAR.

När roboten har upptäckt växten ska den identifiera dess exakta position i rymden och avgöra om den ska vattnas. För detta ändamål har vi märkt alla kontorets krukor med QR-koder som är kopplade till databaser där alla växters bevattningshistorik sparas.

Rörlig plattform

När det gäller hårdvaran valde robotteamet ett modulsystem som omfattade en rörlig plattform med elektronik, en vattenlagringstank, ett batteri och ett hissystem med två nivåer. Vi använde aluminiumprofilen i V-Slot-formatet för att montera robotens ram på grund av dess hållbarhet och lätthet, vilket möjliggör förbättrad manövrerbarhet och minskad energiförbrukning.

Istället för vanliga differentialväxlar implementerade vi omni-wheels i robotens hörn för att säkerställa smidig navigering. Omni-wheels, eller omnidirektionella hjul, har små skivor (rullar) runt omkretsen som kan rotera på sin axel eller vinkelrätt och enkelt driva hela systemet. På så sätt kan roboten röra sig i alla riktningar utan att rotera huvudstrukturen, endast med hjälp av skillnaden i hastighet mellan varje hjul.

Hiss och bevattning

Blommorna ställs ut på medarbetarnas skrivbord, hyllor, ställningar, höga bokhyllor och andra platser som är svåra att komma åt för medarbetarna. Istället för att bygga en hög robot monterade våra experter en lyftmekanism baserad på glidrullar, vilket eliminerade behovet av arbetsintensiv och ekonomiskt ineffektiv konstruktion av höga bokhyllor. Med OpenBuilds V-Slot-profildelar fixerade vi hisstrapporna styvt mot varandra med vagnar och rullar som glider längs lyftmekanismen. I slutändan förflyttas vagnarna av en rem som spänns mellan en motor och en spännanordning som är monterad på andra sidan.

Högst upp på det sista hissplanet har vi installerat en servomotor som fäller ut en kolfiberstav för att vattna blommor som är ansluten till en peristaltisk pump installerad i vattentanken. Till skillnad från vanliga roterande pumpar, som är känsliga för vätskevolymen, använde vi peristaltiska pumpar, som pressar ett elastiskt rör genom rullar på omkretsen och trycker ut vätskan. Jämfört med standardpumpar har dessa mekanismer en mycket långsammare pumphastighet men kan lyfta vätska till en mycket större höjd.

Teknik och verktyg

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

Inbäddad

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

Databas

PostgreSQL, AWS Timestream

Process

Vår robotavdelning följde den agila metodiken under hela projektet och arbetade nära specialister inom maskininlärning, datorseende och datavetenskap för att uppnå önskade resultat. Vi strävade efter att leverera en heltäckande lösning utan scope creep och visa branschspecifik kunskap för potentiella kunder inom ett komplext och krävande område. Under regelbundna möten, brainstorming-sessioner och retrospektiva analyser höll våra robotikexperter koll på projektets framsteg och tog itu med alla problem.

För närvarande testar vi ett bevattnings- och växtdetekteringssystem och en algoritm som automatiskt hittar och når kontorsväxter på olika höjder utan att kollidera. Vi identifierade också designproblem under utvecklingen och byggde en skiss för att hantera dessa bieffekter innan vi visade upp roboten för investerare. Våra specialister utvecklar också en teknisk bas för roboten, inklusive en laddningsstation som är ansluten till vattenförsörjningen och 220V-nätet, så att roboten kan ladda det inbyggda batteriet och fylla på den inbyggda vattentanken automatiskt.

Team

Back-end-utvecklare

Front-end-utvecklare

Projektledare

Affärsanalytiker

Programvaruarkitekt

Gruppledare

Hårdvaruingenjörer

Firmware-utvecklare

DevOps-ingenjör

ML/DS-ingenjör

3D-modellerare

Konstruktionsingenjör

Resultat: 34% minskade växtskadorna med ett smart IoT-system för växtbevattning

Innowise robotteam har byggt en IRIS - en automatiserad IoT-driven robot som vattnar växter och navigerar i kontorsmiljön. Vi utrustade enheten med ett avancerat kartsystem för att skapa exakta rutter med hjälp av SLAM-teknik, LiDAR (laserskannrar) och andra sensorer. Dessutom har våra ingenjörer försett roboten med en lyftmekanism baserad på glidande rullar och en kolfiberstång på toppen.

Därför utformade vi ett bevattningssystem som gör att växterna kan vattnas regelbundet utan mänsklig inblandning. IRIS ser till att blommorna mår bra, förbättrar luftkvaliteten och skapar en grön atmosfär på kontoret. Dessutom minskar arbetsbelastningen för de anställda som tidigare var tvungna att vattna växterna manuellt, så att de kan fokusera på sina kärnuppgifter utan att distraheras av rutinuppgifter.

Projektets löptid

Februari 2023 - Pågående

11%

besparingar på underhållspersonal

34%

minskade växtskador

Relaterade fall

Behöver du en teknisk lösning? Kontakta oss!

Namn

Företag

E-post

Telefon

Meddelande Vänligen inkludera projektinformation, varaktighet, teknologistack, IT-proffs som behövs och annan relevant information

Spela in ett röstmeddelande om ditt projekt för att hjälpa oss att förstå det bättre

Bifoga ytterligare dokument vid behov

Ladda upp filen

Du kan bifoga upp till 1 fil på totalt 2 MB. Giltiga filer: pdf, jpg, jpeg, png

Observera att när du klickar på knappen Skicka kommer Innowise att behandla dina personuppgifter i enlighet med vår Integritetspolicy för att ge dig lämplig information.

Vad händer härnäst?

Efter att ha mottagit och behandlat din begäran kommer vi att återkomma till dig inom kort för att specificera dina projektbehov och underteckna en NDA för att säkerställa konfidentialitet av information.

Efter att ha undersökt kraven utarbetar våra analytiker och utvecklare en projektförslag med arbetets omfattning, lagets storlek, tid och kostnad uppskattningar.

Vi ordnar ett möte med dig för att diskutera erbjudandet och komma överens.

Vi skriver på ett kontrakt och börjar arbeta med ditt projekt så snabbt som möjligt.