ToyCollect - Ein mobiler Roboter, der Spielzeug aus schwer zugänglichen Bereichen sammelt

22.02.2020

Diese Projekt wurde motiviert durch meine bei Projektbeginn zweijährige Tocher, die ihr Spielzeug immer unter dem Sofa verschwinden ließ. Es war schwierig herauszufinden, was tatsächlich darunter liegt. Also bauten wir den ersten ToyCollect Roboter, der von Android Geräten via WLAN ferngesteuert werden konnte, unter das Sofa fuhr und die gefundenen Spielzeuge herausschob. Er war knapp unter 6,5cm groß, sendete hochqualitatives H264-codiertes Video in Echtzeit, wurde mittels eines einfachen Berührungsinterfaces gesteuert und wir hatten sogar eine LED-Lampe eingebaut, damit man unter dem Sofa etwas sieht.

Inzwischen haben wir zahlreiche Varianten des ursprünglichen Roboters gebaut und forschen daran, diese autonom aufräumen zu lassen. Anbei eine kurze Übersicht der verschiedenen Roboter, teilweise mit Bauplänen, sowie der verschiedenen Fernsteuerungen.

Roboter

TypRoboter-PlattformKameraRechnerGehäuseStromversorgungDL Lokal?Baujahr
v1.0
Pololu Zumo (#1418)1x RPi Kamera Rv1.3 (rechts)1x RPi 1BModifiziertes schwarzes Gehäuse4x 1,5V 2900mAh Lithium-Batterien (nicht aufladbar)Nein, <1fps2014
Bauplan
v1.1
Pololu Zumo (#1418)1x RPi Kamera Rv1.3 (zentriert)1x RPi 2B+ v1.2Modifiziertes transparentes Gehäuse4x 3,7V 14500 Lithium-Ionen AkkusNein, <1fps2016
Bauplan
v1.2
Pololu Zumo (#1418)2x RPi Kamera Rv2.1 (Stereo)2x RPi Zero W3D-gedrucktes Gehäuse4x 3,7V 14500 Lithium-Ionen AkkusNein, <1fps2018
v1.21 (R2X)
Pololu Zumo (#1418)2x RPi Kamera Rv2.1 (Stereo)2x RPi Zero WModulares 3D-gedrucktes GehäuseEines von:
  • 4x 3,7V 14500 Lithium-Ionen Akkus
  • 4x 1,5V Alkali-Batterien
  • 4x 1,2V NiMH Akkus
  • 4x 1,2V NiCd Akkus
Nein, <1fps2019
Bauplan
v1.3 (K3D)
Pololu Zumo (#1418)1x RPi Kamera Rv1.3 mit Kúla3D Bebe Kamera­linse (Stereo)1x RPi 3B+Modifiziertes transparentes Gehäuse4x 3,7V 14500 Lithium-Ionen AkkusJa, 8fps2018
Bauplan
v2.0
Dagu Robotics Wild Thumper 4WD (#RS10)2x RPi Kamera Rv2.1 (Stereo)1x RPi Compute Module 1 auf Eval-BoardKein Gehäuse (offenes Design)1x 7,2V 2S 5000mAh Lithium-Ionen AkkuNein, <1fps2016
v2.1
Dagu Robotics Wild Thumper 4WD (#RS10)2x RPi Kamera Rv2.1 (Stereo), Asus Xtion Tiefenkamera1x RPi Compute Module 1 auf Eval-BoardKein Gehäuse (offenes Design)1x 7,2V 2S 5000mAh Lithium-Ionen AkkuNein, <1fps2017
v2.2 (OUT)
Dagu Robotics Wild Thumper 4WD (#RS10)2x RPi Kamera Rv2.1 (Stereo), Asus Xtion Tiefenkamera1x RPi Compute Module 3 auf Eval-BoardKein Gehäuse (offenes Design)1x 7,2V 2S 5000mAh Lithium-Ionen AkkuJa, 8fps2018


Fernsteuerungen

TypPlattformKompatibel mit RoboterCode
v1.0v1.1v1.2v1.21 (R2X)v1.3 (K3D)v2.0v2.1v2.2 (OUT)verfügbar?
Berührungssteuerung mit einem Kreis plus LED HelligkeitAndroidJaJa (alter TCserver)Ja
Berührungssteuerung mit zwei KreisenAndroidJaJa (alter TCserver)auf Anfrage
Kopfbewegungssteuerung über Google CardboardAndroidJaJaJaJaJaJaauf Anfrage
Berührungssteuerung von Roboter und RoboterarmAndroidJaauf Anfrage
Steuerung mit 2x Wii Controller & Nunchuk für Roboter und Roboterarm, Google Cardboard als AnzeigeLinux & AndroidJaauf Anfrage
Steuerung mit Lenkrad und Gas/Bremse (alter Play­Station Controller), Anzeige über 40" 3D-BildschirmLinuxJaJaJaauf Anfrage
Bluetooth-ControllerLinux (RPi, TCserver)Ja (neuer TCserver)Ja (neuer TCserver)JaJaJaJaJaJaJa
Vortrainierte Deep-Learning Modelle (autonomes Verhalten)Linux (RPi, TCcontrol)Ja (Server)Ja (Server)Ja (lokal)Ja (lokal)Ja (lokal)Ja (lokal)Ja

Die vortrainierten Deep-Learning Modell erfordern aus Effizienzgründen die Videoausgabe in unkomprimiertem Format und niedriger Auflösung, viele andere Fernsteuerungen erfordern allerdings aus Qualitätsgründen die Videoausgabe in komprimiertem Format (H2.64) und hoher Auflösung. Deshalb kann derzeit die Anwendung von vortrainierten Deep-Learning Modellen nur mit der Bluetooth-Controller Fernsteuerung kombiniert werden.

Wenn Sie unsere Forschung hilfreich finden und für eigene Forschungsarbeiten verwenden, zitieren Sie bitte eines unserer Papers

Seewald, A. (2022). Evaluating Two Ways for Mobile Robot Obstacle Avoidance with Stereo Cameras: Stereo View Algorithms and End-to-End Trained Disparity-sensitive Networks. In Proceedings of the 14th International Conference on Agents and Artificial Intelligence - Volume 3, ISBN 978-989-758-547-0, ISSN 2184-433X, pages 663-672. DOI: 10.5220/0010878500003116 Seewald, A. (2020). Revisiting End-to-end Deep Learning for Obstacle Avoidance: Replication and Open Issues. In Proceedings of the 12th International Conference on Agents and Artificial Intelligence - Volume 2, ISBN 978-989-758-395-7, ISSN 2184-433X, pages 652-659. DOI: 10.5220/0008979706520659

Teilweise gefördert durch FFG Talente 2014,2016,2017,2018,2019