Intelligent IoT-baserad robot som navigerar på kontoret och vattnar växter

Innowise:s robotavdelning har utvecklat en egen smart robot som kan navigera i kontorslokaler och vattenverk utan mänsklig inblandning.

Real office routing runt människor och möbler

Bevattning i flera höjder för skrivbord, hyllor och ställningar

Smart robotics system combining mobility and precision watering for automated facility care

Industri IT, utveckling av kundanpassad programvara

Anställda 3,500+

Region EU

Tjänster Programvaruutveckling, Back-end-utveckling, Front-end-utveckling, Discovery

Översikt över kunder

Sammanfatta artikeln med AI

Innowise är en global leverantör av fullcykelprogramvaruutveckling med 3 500+ IT-specialister ombord. Företaget har levererat 1 600+ projekt för kunder från 70 länder, som omfattar programvaruteknik, produktutveckling och teknikkonsultation i flera branscher. I det här fallet fungerade Innowise både som kund och utvecklingsteam, eftersom projektet skapades som ett internt FoU-initiativ.

Utmaning

Innowise använde en blandning av HubSpot CRM, Jira, kalkylblad och dokument för att hantera data. Eftersom företaget växte snabbt ledde detta till kaotiska processer, med information spridd över olika system och ofta duplicerad. Vi behövde en enhetlig lösning för att centralisera data, standardisera processer och ge säker åtkomst för alla team.

Rutinmässig växtskötsel. Kontorsväxter behövde vattnas regelbundet, men den manuella skötseln var beroende av att människor kom ihåg uppgiften och nådde växterna som var placerade på skrivbord, hyllor, ställningar och andra kontorsytor.
FoU-validering. IRIS var ett internt projekt som skulle lösa ett verkligt kontorsproblem och samtidigt ge robotteknikteamet ett praktiskt sätt att testa autonom navigering, växtdetektering och IoT-baserad styrning i en levande inomhusmiljö.
Demo värde. Projektet behövde också fungera som en demonstration av Innowise:s expertis inom robotik. I stället för att prata om robotik ville teamet bygga en fungerande robot som kunde visa hur IoT, inbyggda system, datorseende och hårdvaruteknik kan hantera en rutinmässig kontorsuppgift utan mänsklig inblandning.

Navigering inomhus. Roboten skulle röra sig genom kontorsrum, bygga upp en karta över utrymmet, undvika möbler och reagera på rörliga hinder som t.ex. anställda.
Detektering av växter. Systemet skulle kunna upptäcka växter, uppskatta deras position och avgöra om de behövde vattnas med hjälp av datorseende, LiDAR, kameror och QR-kodbaserade växtregister.
Bevattning på olika höjder. Växterna var placerade på skrivbord, hyllor, ställningar och höga bokhyllor, så roboten behövde en lyft- och bevattningsmekanism som kunde nå olika nivåer utan att hela enheten blev för hög eller instabil.
Integration av hårdvara och mjukvara. Teamet var tvunget att kombinera den rörliga plattformen, tanken, batteriet, hissen, sensorerna, de inbäddade komponenterna, backend-, frontend- och molntjänsterna till ett fungerande robotsystem.

Lösning vi levererade

Upptäckt och planering

Teamet började med att definiera vad roboten skulle göra i en kontorsmiljö. IRIS (Innowise Robotics Irrigation System) skulle röra sig genom rummen, upptäcka växter, förstå om de behövde vattnas, nå dem på olika höjder och slutföra uppgiften utan ständig mänsklig inblandning.

I planeringsstadiet kartlade teamet de viktigaste tekniska blocken: inomhusnavigering, växtdetektering, QR-kodbaserade växtregister, den rörliga plattformen, vattentanken, hissmekanismen och de programvarukomponenter som behövs för att bearbeta rutter, sensordata och bevattningshistorik.

Lösningsdesign

Våra robotikutvecklare designade IRIS som en autonom IoT-robot som kombinerar hårdvara, inbyggda komponenter, datorseende och programvara. Hårdvarudelen omfattade en rörlig plattform, batteri, vattentank, hissmekanism, sensorer, kameror och en bevattningsstav.

För navigering använder roboten SLAM, ROS, LiDAR och datorseende för att kartlägga kontorsutrymmen och bygga rutter runt möbler, anställda och andra hinder. För växtdetektering kombinerar systemet kamerainmatning, objektdetekteringsmodeller, QR-koder och bevattningshistorik, så att roboten kan identifiera varje växt och kontrollera om den behöver vattnas.

Levererad nyckelfunktionalitet

Kartläggning och navigering på kontoret

Våra robotikexperter började med att kartlägga kontorsutrymmen för att skapa ett detaljerat IoT-system för anläggningsövervakning och identifiera anläggningsplatser, hinder, möbler och andra föremål som kunde påverka robotens rörelser. Vi använde SLAM-teknik för att stödja förutsägbar routing genom kontorsrum. SLAM fastställer robotens plats samtidigt som en miljökarta skapas med hjälp av datorseendealgoritmer, LiDAR-laserskannrar och andra sensorverktyg.

För att upptäcka hinder och identifiera växter använde vi LiDAR som var ansluten till Raspberry Pi-mikrodatorn som var monterad direkt på roboten. ROS, Robotic Operating System, och huvuddatorn använder denna visuella information för att bearbeta navigationsdata, beräkna rutter och kartlägga kontorets omgivning.

Under detta skede var vårt team tvunget att hantera begränsad sikt vid detektering av vanliga föremål som bord, hyllor, stolar och andra inredningsdetaljer som kunde blockera robotens sikt eller felidentifieras. Roboten var också tvungen att hantera dynamiska hinder i en kontorsmiljö, där anställda och rörliga föremål plötsligt kan ändra position och riktning. För att minska risken för kollisioner använde vårt team algoritmer för datorseende och maskininlärning, inklusive bildsegmentering, objektdetektering, brusfiltrering och andra metoder. Vi utrustade också roboten med rörelseplaneringsalgoritmer som RRT (Rapidly-exploring Random Trees) och A* (A-star), som tar hänsyn till hindrens position och form när de identifierar den bästa vägen i realtid.

Växtdetektering och bevattningslogik

Ursprungligen planerade vi att använda stereoskopiska kameror för att bestämma växternas plats, beräkna deras position och skapa en rutt. Efter brainstormingsessioner utvecklade vi ett alternativt system där roboten tog en bild och registrerade dess koordinater i rymden. Robotteknikingenjörerna använde ett neuralt nätverk för att hitta växten i bilden, beräkna dess avgränsande box och bestämma blommans riktning.

I bildbehandlingsprojekt fungerar avgränsande rutor som referenspunkter för objektdetektering och skapar kollisionsrutor för detekterade objekt. Baserat på robotens koordinater, kamerans orientering och blommans placering ritade vi en stråle som förbinder robotens position med växten. Efter att ha upprepat denna process många gånger fick vi flera strålar som korsade varandra i en punkt, vilket gjorde det möjligt för roboten att upptäcka den växt som behövde vattnas.

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

När roboten upptäcker en växt identifierar den dess exakta position i rummet och avgör om den ska vattnas. För detta ändamål har vi märkt alla krukor på kontoret med QR-koder som är kopplade till databaser där alla växters bevattningshistorik lagras.

Rörlig plattform

För hårdvaran valde robotteamet ett modulärt system som inkluderade en rörlig plattform med elektronik, en vattenlagringstank, ett batteri och ett hissystem i två nivåer. Vi använde en V-Slot aluminiumprofil för att montera robotens ram eftersom den är hållbar och lätt, vilket ger bättre manövrerbarhet och lägre energiförbrukning.

I stället för standarddifferentialdrifter placerade vi omnihjul i robotens hörn för att underlätta smidig navigering. Omni-hjul, eller omnidirektionella hjul, har små rullar runt omkretsen som kan rotera på sin egen axel eller vinkelrätt. På så sätt kan roboten röra sig i alla riktningar utan att huvudstrukturen roterar, endast med hjälp av hastighetsskillnaden mellan varje hjul.

Hiss och bevattningssystem

Blommorna placeras på de anställdas skrivbord, hyllor, ställningar, höga bokhyllor och andra ställen som är svåra att nå. För att undvika att bygga en bokhyllehög robot monterade våra experter en lyftmekanism baserad på glidande rullar. Med OpenBuilds V-Slot-profildelar har vi fixerat hisstrapporna styvt mot varandra med hjälp av vagnar och rullar som glider längs lyftmekanismen. Vagnarna rör sig med hjälp av en rem som är spänd mellan en motor och en spännare som är monterad på andra sidan.

Längst upp i det sista hissteget installerade vi en servomotor som fäller ut en kolfiberstav för att vattna blommor. Stången är ansluten till en peristaltisk pump som är installerad i vattentanken. Vanliga rotationspumpar är känsliga för vätskevolymen, så vi använde 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 de kan lyfta vätska till en mycket större höjd.

Leveransmetod

Vi behandlade IRIS som ett FoU-projekt och testade roboten under verkliga kontorsförhållanden redan från början. Robottekniker, firmware-utvecklare, backend- och frontend-specialister, ML-experter och DevOps-ingenjörer hade ett nära samarbete, delade ofta med sig av framsteg och utformade nästa steg baserat på testresultaten. Regelbundna möten, brainstorming-sessioner och retrospektiv höll arbetet organiserat. Teamet diskuterade blockeringar, justerade prioriteringar och löste designproblem innan roboten förbereddes för demonstrationer.

Det jag främst tog med mig från IRIS är att kontorsrobotik är beroende av små tekniska beslut. En robot kan ha en bra rutt på kartan, men det verkliga testet börjar när den rör sig nära skrivbord, hyllor, människor och växter som är placerade på olika höjder. Det här projektet tvingade oss att tänka på beteende, mekanik, sensorer och programvara som ett enda system, eftersom en svag länk förändrar hela resultatet.

Eugene Govor Chef för Embedded & C++

Teknik

Backend

Python, Django REST Framework, FastAPI, AWS IoT Core, pandas, Loki, Prometheus, Grafana, API Gateway, AWS;

Frontend

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

Embedded

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 Compose, Kubernetes, Bitbucket Pipelines;

Databas

PostgreSQL, AWS Timestream.

Team

Projekt- ledare

Affärsan-alytiker

Programvaruarkitekt

Gruppledare

Hårdvaruingenjörer

Firmware-utvecklare

Back-end utvecklare

Front-end-utvecklare

DevOps-ingenjör

ML/DS-ingenjör

3D-modellerare

Konstruktionsingenjör

Resultat

Projektets löptid

Februari 2023 - juli 2023

Innowise byggde IRIS, en autonom IoT-robot som kan navigera i kontorsutrymmen, upptäcka växter, nå dem på olika höjder och vattna dem utan manuellt arbete. Teamet sammanförde hårdvara, inbyggda komponenter, datorseende, navigationslogik och programvara till en fungerande prototyp som testades under verkliga kontorsförhållanden.

Roboten gjorde skötseln av kontorsväxterna mer regelbunden och minskade behovet av manuell bevattning. För Innowise blev projektet också en praktisk demonstration av robotikkunskaper, där man visade hur en fysisk robot kan hantera en rutinmässig kontorsuppgift med hjälp av navigering, växtdetektering och en integrerad bevattningsmekanism.

Innehållsförteckning

Automatisera rutinuppgifter

Relaterade fall

Kontakta oss

Boka ett samtal eller fyll i formuläret nedan så återkommer vi till dig när vi har behandlat din förfrågan.

Namn

Företag

E-post

Telefon

Meddelande

Skicka ett röstmeddelande till oss

Bifoga dokument

Ladda upp filen

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

Genom att klicka på Skicka samtycker du till att Innowise behandlar dina personuppgifter enligt våra Integritetspolicy för att förse dig med relevant information. Genom att lämna ditt telefonnummer samtycker du till att vi kan kontakta dig via röstsamtal, SMS och meddelandeappar. Samtals-, meddelande- och datataxor kan gälla.

Du kan också skicka oss din förfrågan

till contact@innowise.com

Vad händer härnäst?

När vi har tagit emot och behandlat din förfrågan återkommer vi till dig för att beskriva dina projektbehov och undertecknar en NDA för att säkerställa sekretess.

Efter att ha undersökt dina önskemål, behov och förväntningar kommer vårt team att ta fram ett projektförslag förslag med arbetsomfattning, teamstorlek, tids- och kostnadsberäkningar.

Vi ordnar ett möte med dig för att diskutera erbjudandet och fastställa detaljerna.

Slutligen undertecknar vi ett kontrakt och börjar arbeta med ditt projekt direkt.