כיצד למטב לוגיסטיקה פנים ארגונית כדי ליעל ולהאיץ שרשראות אספקה Industry 4.0‏ - חלק שני משני חלקים

חלק 1 בסדרה זו על נושאי לוגיסטיקה פנים ארגונית דן על כיצד משתמשים ברובוטים ניידים אוטונומיים (AMRs) ורכבים מונחים אוטומטית (AGVs) ברמת מערכת עבור יישום לוגיסטיקה פנים ארגונית ושינוע מהיר ובטוח של חומרים כנדרש.‏ מאמר זה מתמקד על תרחישי שימוש וכיצד רובוטים AMR ורכבי AGV‏ משתמשים בחיישנים כדי לזהות ולעקוב אחר פריטים, כיצד למידת מכונה (ML)‏ ובינה מלאכותית (AI) תומכות בזיהוי חומרים, שינוע ואספקה של חומרים ברחבי מחסנים ומתקני ייצור.

לוגיסטיקה פנים ארגונית (לוגיסטיקה פנימית) משתמשת ברובוטים ניידים אוטונומיים (AMRs) ורכבים מונחים אוטומטית (AGVs) כדי לשנע חומרים ביעילות ברחבי מחסני Industry 4.0‏ ומתקני ייצור. כדי לייעל ולהאיץ שרשראות אספקה, מערכות לוגיסטיקה פנים ארגוניות חייבות לדעת את המיקום העכשווי של חומר, את יעד המטרה של חומר, ואת המסלול הבטוח ביותר והיעיל ביותר של החומר להגיע אל היעד. ניווט יעיל זה דורש מגוון חיישנים.

בפתרונות לוגיסטיקה פנים ארגוניות, רכבי AGV‏ ורובוטים AMR משתמשים בחיישנים כדי להגדיל את המודעות המצבית שלהם. מערכים של‏ חיישנים מספקים בטיחות עבור עובדים סמוכים, הגנה על‏ ציוד אחר, וניווט ואיתור יעילים. בהתאם לדרישות יישום, טכנולוגיות חיישן עבור רובוטים AMR יכולות לכלול חיישני מגע כמו מפסקי גבול (limit switches) בנויים בפגושים, גילוי אור ומדידת מרחק (LiDAR)‏ 2D ו-3D, אולטרסוניקה, מצלמות 2D וסטריאו, מכ"ם, אנקודרים, יחידות מדידה אינרציאלית (IMUs) ותאים פוטואלקטריים. עבור רכבי AGV‏, חיישנים יכולים לכלול חיישני קו מגנטיים, השראותיים או אופטיים, כמו גם מפסקי גבול מובנים בפגושים, 2D LiDAR ואנקודרים.

המאמר הראשון בסדרה זו מכסה נושאים המתייחסים לשאלה כיצד משתמשים ברובוטים AMR ורכבי AGV ברמת מערכת עבור יישום לוגיסטיקה פנים ארגונית ושינוע יעיל של חומרים כנדרש.‏

מאמר זה מתמקד בהיתוך מידע חיישנים (sensor fusion) וכיצד רובוטים AMR ורכבי AGV‏ מנצלים שילובים של‏ חיישנים, AI ו-ML‏ עבור איתור, ניווט ובטיחות תפעולית. הוא מתחיל עם סקירה קצרה של חיישנים נפוצים הנמצאים ב‏רכבי AGV‏, בוחן מיקום ואוריינטציית (pose) רובוט ואלגוריתמים של מיפוי ואיתור סימולטני (SLAM) תוך שימוש בהיתוך מידע, שוקל כיצד הערכות SLAM ניתנות לשיפור עם טכניקות התאמות סריקה-למיפוי וסריקה-לסריקה, ומסיים במבט על האופן בו היתוך מידע חיישנים תורם לתפעול בטוח עבור רובוטים AMR ורכבי AGV‏. חברת DigiKey‏ תומכת במתכננים עם‏ מגוון רחב של‏ חיישנים ומפסקים עבור רובוטיקה ויישומים תעשייתיים אחרים בכל המקרים האלה.

דרושים מגוון חיישנים והיתוך מידע חיישנים, AI,‏ ML וקישוריות אלחוטית כדי לתמוך בפעולה אוטונומית ובטיחות ברובוטים AMR. בעוד דרישות הביצועים של רכבי AGV‏ הן נמוכות יותר, הם עדיין מסתמכים על חיישנים מרובים כדי לתמוך בתפעול בטוח ויעיל. ישנן שתי קטגוריות כלליות של‏ חיישנים:

• חיישנים פרופריוצפטיביים (Proprioceptive) מודדים ערכים פנימיים לרובוט כמו מהירות גלגל, העמסה, רמת טעינה של סוללה, וכו'.
• חיישנים אקסטרוצפטיביים (Exteroceptive) מספקים מידע אודות הסביבה של הרובוט כגון מדידות מרחק, מקומות המהווים ציוני דרך וזיהוי מכשולים כמו בני אדם הנכנסים למסלול של הרובוט.

היתוך מידע חיישנים ברכבי AGV‏ ורובוטים AMR מסתמך על צרופים של חיישנים‏ פרופריוצפטיביים (Proprioceptive) ואקסטרוצפטיביים (Exteroceptive). דוגמאות של חיישנים ברובוטים AMR כוללות (איור 1):

• סורק לייזר עבור גילוי אובייקטים בטווח של +‏20‏ מטר (m)
• יחידת מדידה אינרציאלית (IMU) עם ג'ירוסקופ‏ 6-צירים ומד-תאוצה, ולפעמים כוללת מגנטומטר
• אנקודרים עם רזולוציה של מילימטר על הגלגלים
• חיישן מגע כמו מיקרו-מתג בפגוש כדי לעצור תנועה מיידית אם נוצר מגע עם חפץ בלתי צפוי
• שתי מצלמות 3D צופות לפנים עם טווח של 4 מ'
• חיישן מביט כלפי מטה כדי לגלות את הקצה של פלטפורמה‏ (נקרא cliff detection)
• מודולי תקשורת כדי לספק קישוריות, ויכולים להציע אופציונלית חישת זווית הגעה (AoA‏) וזווית עזיבה (AoD‏) Bluetooth‏ עבור שירותי איתור זמן-אמת (RTLS) או נקודות שידור/נקודות קליטה (TRP)‏ 5G‏ כדי לשרטט רשת עם דיוק ברמה של סנטימטר
• 2D LiDAR לחישוב הקירבה של‏ מכשולים לפני כלי הרכב
• מערכת ראיה רחבת זווית עם עומק 3D, מתאימה עבור זיהוי ואיתור אובייקטים
• מעבד מחשוב ביצועים-עיליים משובץ עבור היתוך מידע חיישנים, AI ו-ML

איור 1‏: AMR מתריע מציג את המגוון והמיקום של חיישנים משובצים. (מקור תמונה: Qualcomm)

מיקום ואוריינטציית (pose) רובוט והיתוך מידע חיישנים

ניווט AMR ‏הוא תהליך מורכב. אחד הצעדים הראשונים‏ ל-AMR הוא לדעת היכן הוא נמצא ולאיזה כיוון הוא פונה.‏ צרוף נתונים זה נקרא מיקום ואוריינטציית (pose) הרובוט. עקרון המיקום והאוריינטציה (pose) ניתן גם ליישם לזרועות ולאפקטורי הקצה של רובוטים נייחים מרובי-צירים.‏ היתוך מידע חיישנים משלב כניסות מה-IMU, אנקודרים וחיישנים אחרים כדי לקבוע את המיקום והאוריינטציה (pose). אלגוריתם המיקום והאוריינטציה (pose) מעריך את מיקום ה-(Y‏, X‏) של הרובוט וזווית האוריינטציה θ‏, ביחס לצירי הקואורדינטות. הפונקציה q‏ = (x, y, θ) מגדירה את המיקום והאוריינטציה (pose) של הרובוט. עבור רובוטים AMR, למידע על המיקום והאוריינטציה (pose) יש מספר שימושים, כולל:

• המיקום והאוריינטציה (pose) של גורם מפריע, כמו‏ אדם הנכנס קרוב לרובוט, ביחס למסגרת ייחוס חיצונית או ביחס לרובוט
• המיקום והאוריינטציה (pose) המשוערת של הרובוט אחרי תנועה במהירות נתונה למשך זמן הנקבע מראש
• חישוב פרופיל המהירות הדרוש עבור הרובוט שיזוז מהמיקום והאוריינטציה (pose) הנוכחית למיקום ואוריינטציה (pose) שניה

מיקום ואוריינטציה (pose) היא פונקציה מוגדרת מראש במספר סביבות פיתוח תוכנה של רובוט. לדוגמה, חבילת ה-Robot_pose_ekf כלולה במערכת ההפעלה רובוט (ROS),‏ פלטפורמת פיתוח מקור-פתוח. Robot_pose_ekf יכול לשמש כדי להעריך את המיקום והאוריינטציה (pose)‏ 3D‏ של‏ רובוט בהתבסס על מדידות (חלקיות) של מיקום ואוריינטציה (pose) מחיישנים שונים. הוא משתמש במסנן Kalman מורחב עם דגם ‏6D ‏(3D‏ מיקום ו-3D‏ אוריינטציה) כדי לשלב מדידות מהאנקודר עבור מדידת מרחק גלגל, מצלמה עבור מדידת מרחק ויזואלי וה-IMU. מאחר והחיישנים השונים פועלים בקצבים וזמני שיהוי שונים, Robot_pose_ekf אינו דורש שכל נתוני החיישנים יהיו זמינים באופן רצוף או בו-זמנית. כל חיישן‏ משמש לאספקת הערכת מיקום ואוריינטציה (pose) עם שונות משותפת‏ (covariance). ה-Robot_pose-ekf מזהה את מידע החיישן הזמין בכל נקודת זמן ומכוון בהתאם.

היתוך מידע חיישנים ו-SLAM‏

סביבות רבות בהן פועלים רובוטים AMR כוללות מכשולים שונים היכולים לנוע מעת לעת. למרות שמפה‏ בסיסית של המתקן היא שימושית, דרוש יותר מכך. כשנעים ממקום למקום במתקן תעשייתי, רובוטים AMR צריכים יותר ממידע על מיקום ואוריינטציה (pose); הם גם משתמשים ב-SLAM כדי להבטיח תפעול יעיל. SLAM מוסיף מיפוי סביבה זמן-אמת כדי לתמוך בניווט. שתי הגישות הבסיסיות ל-SLAM הן:

• SLAM ויזואלי המזווג מצלמה עם‏ יחידת IMU
• LiDAR SLAM המשלב חיישן לייזר כמו 2D או 3D LiDAR עם‏ יחידת IMU

LiDAR SLAM יכול להיות יותר מדויק מ-SLAM ויזואלי, אך בדרך כלל הוא יותר יקר לממש. לחלופין, ניתן להשתמש ב-5G‏ כדי לספק מידע לוקליזציה כדי לשפר הערכות SLAM ויזואלי. השימוש ברשתות‏ 5G‏ פרטיות במחסנים ומפעלים יכול להרחיב חיישנים משובצים עבור SLAM. רובוטים AMR מסוימים מיישמים מיקום פנים מדויק תוך שימוש בנקודות שידור/נקודות קליטה (TRP) כדי לשרטט רשת עבור דיוק ברמה של סנטימטר על צירי x,‏ y ו-z.

ניווט מצליח מסתמך על היכולת של‏ AMR‏ להתאים את עצמו לאלמנטים של סביבה משתנים. ניווט משלב SLAM ויזואלי ו/או LiDAR SLAM, טכנולוגיות-על כמו 5G TRP,‏ ו-ML כדי לגלות שינויים בסביבה ולספק עדכוני מיקום קבועים. היתוך מידע חיישנים תומך ב-SLAM במספר דרכים:

• עדכונים רצופים של המודל המרחבי והסמנטי של הסביבה מבוססים על כניסות מחיישנים שונים תוך שימוש ב-AI ו-ML‏
• זיהוי מכשולים, ובכך מאפשר לאלגוריתמים של תכנון מסלול לעשות את ההתאמות הדרושות ולמצוא את המסלול היעיל ביותר דרך הסביבה
• מימוש תכנית המסלול, הדורש בקרת זמן-אמת לשנות את המסלול המתוכנן, כולל את המהירות והכיוון של‏ ה-AMR, עם תנאי הסביבה המשתנים

מתי SLAM אינו מספיק

SLAM הוא כלי עיקרי עבור ניווט AMR יעיל, אך SLAM לבדו אינו מספיק. כמו אלגוריתמים של מיקום ואוריינטציה (pose),‏ SLAM מיושם‏ באמצעות מסנן‏ Kalman מורחב המספק ערכים משוערים. ערכים משוערים של SLAM מרחיבים את נתוני המיקום והאוריינטציה (pose), מוסיפים בין השאר מהירויות קוויות וסיבוביות ותאוצות קוויות. הערכת SLAM‏ היא תהליך של שני שלבים; השלב הראשון כרוך בקומפילציית תחזיות תוך שימוש בניתוח חיישנים המבוסס על חוקי התנועה הפיזיקליים. השלב השני בהערכת SLAM קורא לקריאות חיישנים חיצוניים כדי לחדד את ההערכות הראשוניות.  תהליך דו-שלבי זה מסייע למנוע ולתקן שגיאות קטנות העשויות להתקבץ עם הזמן וליצור שגיאות משמעותיות.

SLAM תלוי בזמינות כניסות‏ חיישנים. במקרים מסוימים, 2D LiDAR זול יחסית עלול לא לעבוד, כגון אם אין עצמים בקו הראייה הישיר של החיישן. במקרים אלו, מצלמות סטריאו 3D‏ או 3D LiDAR יכולים לשפר ביצועי מערכת. עם זאת, מצלמות סטריאו 3D‏ או 3D LiDAR הם יקרים יותר ודורשים כוח מחשוב רב יותר עבור יישום.

חלופה אחרת‏ היא להשתמש‏ במערכת ניווט המשלבת SLAM עם טכניקות התאמת סריקה-למיפוי והתאמת סריקה-לסריקה הניתנות למימוש תוך שימוש בחיישני 2D LiDAR בלבד (איור 2‏):

• התאמת סריקה-למיפוי משתמשת בנתוני טווח LiDAR כדי להעריך את מיקום ה-AMR‏ על ידי התאמת מדידות הטווח‏ למפה מאוחסנת. יעילות שיטה זו תלויה בדיוק המפה. היא אינה חווה סחף לאורך זמן, אך בסביבות שחוזרות על עצמן היא יכולה לגרום לשגיאות שקשה לזהות, לגרום לשינויים לא רציפים במיקום הנתפס, ולהיות מאתגר למניעה.
• התאמת סריקה-לסריקה משתמשת בנתוני טווח LiDAR עוקבים כדי להעריך את המיקום של AMR בין סריקות. שיטה זו מספקת מידע מעודכן על מיקום ואוריינטציה (pose) עבור ה-AMR, ללא כל תלות במפה קיימת‏ כלשהי ויכולה להיות שימושית במהלך יצירת מפה. עם זאת, היא‏ אלגוריתם אינקרמנטלי היכול להיות חשוף לסחף לאורך זמן, ללא יכולת לזהות את אי-הדיוקים שהסחף מציג.

איור 2‏: אלגוריתמים של התאמות סריקה-למיפוי וסריקה-לסריקה ניתנים לשימוש כדי להשלים ולשפר את הביצועים של‏ מערכות SLAM. (מקור תמונה: Aethon‏)

בטיחות זקוקה להיתוך מידע חיישנים

בטיחות היא דאגה עיקרית עבור רכבי AGV‏ ורובוטים AMR, ויש להתחשב במספר תקנים. לדוגמה, American National Standards Institute‏ / Industrial Truck Standards Development Foundation (ANSI/ITSDF) B56.5 – 2019,‏ Safety Standard for Driverless,‏ Automatic Guided Industrial Vehicles and Automated Functions of Manned Industrial Vehicles, ה-ANSI / Robotic Industrial Association (RIA) R15.08-1-2020‏ – Standard for Industrial Mobile Robots‏ – דרישות בטיחות, מספר תקני International Standards Organization‏ (ISO), ואחרים.

עבודה בטוחה של‏ רכבי AGV‏ ורובוטים AMR דורשת היתוך מידע חיישנים המשלב חיישני 2D LiDAR מוסמכי-בטיחות (לפעמים נקראים סורקי לייזר בטיחות) עם אנקודרים על הגלגלים. ה-2D LiDAR תומך בו-זמנית בשני מרחקי גילוי, יכול להיות בעל זווית חישה של‏ °‏270‏, ומתאם עם מהירות הרכב המדווחת על ידי האנקודרים. כשמתגלה‏ אובייקט באזור הגילוי המרוחק יותר (במרחק של עד 20 מ', בהתאם לחיישן), ניתן להאט את כלי הרכב כנדרש. אם האובייקט נכנס לאזור הגילוי הקרוב יותר בקו הנסיעה, הרכב נעצר.

סורקי לייזר בטיחות משמשים לעיתים קרובות בסטים של‏ 4‏, עם סורק אחד ממוקם בכל פינה של הרכב. הם יכולים לפעול כיחידה אחת ולתקשר ישירות עם בקר הבטיחות על הרכב. הסורקים זמינים ומוסמכים לשימוש ביישומי Safety Category 3,‏ Performance Level d‏ (PLd), ו-Safety Integrity Level 2‏ (SIL2‏) ונתונים במארז IP65‏ המתאים עבור מרבית יישומי החוץ כמו גם הפנים (איור 3‏). הסורקים כוללים כניסה עבור מידע אינקרמנטלי של אנקודר מהגלגלים כדי לתמוך בהיתוך מידע חיישנים.

איור 3‏: חיישני 2D lidar כאלה יכולים להיות משולבים עם אנקודרים על הגלגלים במערכת היתוך מידע חיישנים המספקת עבודה בטוחה של‏ רובוטים AMR ורכבי AGV‏. (מקור תמונה: Idec‏)

סיכום

לוגיסטיקה פנים ארגונית תומכת בשרשראות אספקה מהירות ויעילות יותר במחסני ומפעלי Industry 4.0. רובוטים AMR ורכבי AGV‏ הם כלים חשובים עבור לוגיסטיקה פנים ארגונית לשנע חומרים ממקום למקום בזמן ובצורה בטוחה. היתוך מידע חיישנים נדרש כדי לתמוך בפונקציות AMR ו-AGV‏, כולל קביעת מיקום ואוריינטציה (pose), חישוב נתוני SLAM, שיפור ביצועי ניווט תוך שימוש בהתאמת סריקה-למיפוי והתאמת סריקה-לסריקה, ולהבטיח בטיחות עבור בני אדם ואובייקטים ברחבי המתקן.