Tamil
கேஸ் ஸ்டடி: ஆழம் உணர்வு கேமராஸ் ரோபோடிக்ஸில் – துல்லியம் மற்றும் செயல்திறனை மாற்றுவது
11.13 துருக
In the world of robotics, vision is everything. For decades, 2D cameras limited robots to flat, surface-level perception—leaving gaps in distance judgment, object recognition, and real-time adaptation. Today, depth sensing cameras have emerged as a game-changer, equipping robots with3D “கண்கள்”அது மனிதனின் இடவியல் உணர்வுகளை நகலெடுக்கிறது. இந்த வழக்கு ஆய்வு, ஆழம் உணர்வு தொழில்நுட்பத்தின் உண்மையான உலக பயன்பாடுகளை பல துறைகளில் ஆராய்கிறது, இது எவ்வாறு நீண்ட காலமாக உள்ள ரோபோட்டிக்ஸ் சவால்களை தீர்க்கிறது மற்றும் புதிய வாய்ப்புகளை திறக்கிறது.
1. ஏன்: ரோபோட்டிக்ஸுக்காக ஆழம் உணர்வு முக்கியமாக இருக்கிறது
முடிவுகளை ஆராய்வதற்கு முன், ஆழம் உணர்வு கேமராவின் அடிப்படை மதிப்பை தெளிவுபடுத்துவோம். நிறம் மற்றும் உரத்தை மட்டுமே பிடிக்கும் 2D கேமராக்களைப் போல அல்லாமல், ஆழம் உணர்வுகள் காட்சியில் உள்ள கேமரா மற்றும் பொருட்கள் இடையிலான தூரத்தை அளவிடுகின்றன. இது “ஆழம் வரைபடம்” என்ற 3D திட்டத்தை உருவாக்குகிறது, இது ரோபோக்கள் பயன்படுத்துவதற்காக:
• தொகுப்பான சூழல்களில் மோதல்களை தவிர்த்து வழிசெலுத்தவும்
• வித்தியாசமான வடிவங்கள்/அளவுகளை கொண்ட பொருட்களை துல்லியமாக பிடிக்கவும்
• குறைந்த ஒளி அல்லது உயர் எதிரொலி நிலைகளில் பொருட்களை அடையாளம் காணவும் வகைப்படுத்தவும்
• சூழலுக்கு ஏற்ப இயக்கங்களை மாற்றவும் (எடுத்துக்காட்டாக, நகரும் மக்கள் அல்லது மாறும் பொருட்கள்)
மூன்று முக்கியமான ஆழம் உணர்வு தொழில்நுட்பங்கள் நவீன ரோபோட்டிக்ஸை இயக்குகின்றன:
• Time-of-Flight (ToF): ஒளி அலைகளை வெளியேற்றுகிறது மற்றும் ஒளி மீண்டும்Bounce ஆக எவ்வளவு நேரம் எடுத்துக்கொள்கிறது என்பதை அளவிடுவதன் மூலம் தூரத்தை கணக்கிடுகிறது (வேகமாக நகரும் ரோபோக்களுக்கு சிறந்தது).
• கட்டமைக்கப்பட்ட ஒளி: மேற்பரப்புகளில் ஒரு மாதிரியை (எடுத்துக்காட்டாக, கிரிட்) ஒளிபரப்புகிறது; மாதிரியில் உள்ள வளைவுகள் ஆழத்தை வெளிப்படுத்துகின்றன (அருகிலுள்ள பணிகளுக்கு உயர் துல்லியம்).
• ஸ்டீரியோ பார்வை: இரு கேமராக்களைப் பயன்படுத்தி மனித இரட்டை பார்வையைப் போல உருவாக்குகிறது, படங்களை ஒப்பிட்டு ஆழத்தை கணக்கிடுகிறது (வெளிப்புற ரோபோக்களுக்கு செலவினமாகக் குறைந்தது).
இப்போது, இந்த தொழில்நுட்பங்கள் நான்கு முக்கிய தொழில்களில் எவ்வாறு உண்மையான பிரச்சினைகளை தீர்க்கின்றன என்பதைப் பார்ப்போம்.
2. வழக்கு ஆய்வு 1: தொழில்துறை ரோபோட்டிக்ஸ் – BMW இன் அசம்பிளி கோட்பாட்டின் துல்லியம்
சவால்
BMW இன் ஸ்பார்டன்பர்க், தென் கரோலினா தொழிற்சாலை வருடத்திற்கு 400,000 க்கும் மேற்பட்ட வாகனங்களை உற்பத்தி செய்கிறது. அதன் ரோபோட்டிக் கைகள் ஒரு முக்கிய பணியுடன் போராடின: சிறிய, அசாதாரண வடிவமான கூறுகளை (எ.கா., வயரிங் ஹார்னசுகள்) கார் கட்டமைப்புகளில் எடுக்கவும், வைக்கவும். பாரம்பரிய 2D கேமரா இரண்டு வழிகளில் தோல்வியுற்றன:
1. அவர்கள் மிதக்கும் கூறுகளைப் பிரிக்க முடியவில்லை, இதனால் தவறான பிடிப்புகள் ஏற்பட்டன.
2. ஒளியின் மாறுபாடுகள் (எடுத்துக்காட்டாக, பிரகாசமான மேலே உள்ள விளக்குகள் மற்றும் நிழலான மூலைகள்) நிற அடிப்படையிலான அடையாளத்தை மாறுபடுத்தின.
தீர்வு
BMW ifm Electronic உடன் கூட்டாண்மை செய்து 20+ ரோபோட்டிக் கைகளில் ToF ஆழக் கேமராக்களை ஒருங்கிணைத்துள்ளது. கேமராக்கள்:
• உள்ளடக்கப் பெட்டியின் நேரடி 3D ஆழக் காட்சிகளை உருவாக்கியது, தனித்தனியான பகுதிகளை வெளிப்படுத்துகிறது.
• ஒளி மாற்றங்களுக்கு ஏற்ப தூர தரவுகளை மையமாகக் கொண்டு, நிறம் அல்லது பிரகாசத்தைப் பார்க்காமல் சரிசெய்யப்பட்டது.
முடிவுகள்
• பிழை வீதம் 78% குறைந்தது (ஒரு மாறுதலுக்கு 12 தவறான பிடிப்புகளிலிருந்து 2.6 தவறான பிடிப்புகளுக்கு).
• சுழற்சி நேரம் 15% விரைவானது: ரோபோக்கள் இனி கூறுகளின் இடங்களை “மீண்டும் சரிபார்க்க” நிறுத்தப்படவில்லை.
• பணியாளர் பாதுகாப்பு மேம்பட்டது: குறைவான ரோபோ தவறுகள், வரியில் மனித müdahaleye தேவையை குறைத்தது.
“ஆழம் உணர்வு எங்கள் ரோபோக்களை ‘கண்ணீரான’ நிலைமையிலிருந்து ‘கண்ணாடி கண்கள்’ நிலைக்கு மாற்றியது” என்று BMW-ன் உற்பத்தி தலைவரான மார்கஸ் ட்யூஸ்மான் கூறினார். “நாங்கள் இப்போது தரத்தை இழக்காமல் மணிக்கு 20% அதிகமான கூறுகளை கையாள்கிறோம்.”
3. வழக்கு ஆய்வு 2: விவசாய ரோபோடிக்ஸ் – ஜான் டியரின் காடுகளை கண்டறியும் ட்ரோன்கள்
சவால்
John Deere’s See & Spray Select robots are designed to reduce herbicide use by targeting only weeds (not crops). Early models relied on 2D cameras to identify plants, but they struggled with:
1. சிறிய காடுகளை மற்றும் பயிர் விதைகளை வேறுபடுத்துவது (இவை இரண்டும் 2D இல் ஒரே மாதிரியானவை).
2. சரிவரிசை நிலத்தில் வேலை செய்வது: ஒரு மலை上的 மூலிகை ஒரு பள்ளத்தாக்கில் உள்ள பயிர் “அதே அளவு” போல தோன்றலாம்.
தீர்வு
ஜான் டியர் ரோபோக்களை ஸ்டெரியோ பார்வை ஆழக் கேமராக்கள் மற்றும் AI உடன் மேம்படுத்தியது. கேமராக்கள்:
• களங்களின் 3D மாதிரிகளை உருவாக்கி, தாவரத்தின் உயரம் மற்றும் அளவை அளவிட்டது (முட்டை காய்கறிகள் பொதுவாக மக்காச்சோளம்/சோயா விதைகளை விட குறைவாகவே இருக்கும்).
• நிலத்திற்கு கணக்கிடப்பட்ட தொலைவு, துல்லியமான உயரங்களில் (2–4 அங்குலம் உயரம்) காடுகளை இலக்கு செய்ய喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷喷
முடிவுகள்
• மூலிகை நாசினி பயன்பாடு 90% குறைக்கப்பட்டது (ஒரு ஏக்கருக்கு 5 கல்லன் இருந்து 0.5 கல்லன் ஆக).
• பயிர் விளைச்சல் 8% அதிகரித்தது: தவறுதலான மூலிகை நாசினிகள் தெளிக்கப்படுவதால் விதைகள் பாதுகாக்கப்பட்டன.
• ரோபோட்டின் செயல்திறன் இரட்டிப்பு: 3D தரவுகள் ரோபோக்களுக்கு மணிக்கு 20 ஏக்கர் பரப்பை கவர அனுமதித்தது (2D கேமராவுடன் 10 ஏக்கரிலிருந்து).
“ஆழம் உணர்வு எங்கள் ரோபோக்களை மட்டுமல்லாமல், விவசாயிகள் நிலைத்தன்மையை அணுகும் முறையையும் மாற்றியது” என்று ஜாஹ்மி ஹிந்த்மேன், ஜான் டியரின் CTO குறிப்பிட்டார். “விவசாயிகள் ரசாயனங்களில் பணத்தைச் சேமிக்கிறார்கள், மேலும் சுற்றுச்சூழல் பாதிப்பை குறைக்கிறார்கள்.”
4. வழக்கு ஆய்வு 3: மருத்துவ ரோபோட்டிக்ஸ் – ReWalk இன் எக்ஸோஸ்கெலட்டன் நடை சரிசெய்தல்
சவால்
ReWalk Robotics முதுகெலும்பு காயங்களால் பாதிக்கப்பட்ட மக்களுக்கு மீண்டும் நடக்க உதவ எக்ஸோஸ்கெலட்டன்களை உருவாக்குகிறது. அதன் ஆரம்ப எக்ஸோஸ்கெலட்டன்கள் பயனர் இயக்கத்தை கண்காணிக்க 2D கேமராக்களை பயன்படுத்தின, ஆனால் அவை ஒரு முக்கிய சிக்கலுக்கு எதிர்கொண்டன:
1. அவர்கள் உடலின் நிலைமையில் நுணுக்கமான மாற்றங்களை (எடுத்துக்காட்டாக, இடத்திற்கு சாய்வு அல்லது சமமாக இல்லாத படிகள்) கண்டுபிடிக்க முடியவில்லை.
2. இது அசௌகரியத்தை, சமநிலையை குறைத்தது, மற்றும் சில சந்தர்ப்பங்களில், பயனர் சோர்வை ஏற்படுத்தியது.
தீர்வு
ReWalk ஒருங்கிணைந்த கட்டமைக்கப்பட்ட ஒளி ஆழ கேமராக்களை எக்ஸோஸ்கெலட்டன்களின் மார்பு மற்றும் கால் மடிக்கூடங்களில் இணைத்துள்ளது. கேமராக்கள்:
• உண்மையான நேரத்தில் 3D இணை இயக்கத்தை (குடல், முக்கால், கால்) கண்காணித்து, படி உயரம், அகலம் மற்றும் சமத்துவத்தை அளவிடப்பட்டது.
• எக்ஸோஸ்கெலட்டனின் AIக்கு தரவுகளை அனுப்பியது, இது சமமான நடைமுறைகளை சரிசெய்ய மொட்டார் மின்சாரத்தை சரிசெய்தது (எடுத்துக்காட்டாக, ஒரு பலவீனமான கால் மேலே உயர்த்துதல்).
முடிவுகள்
• பயனர் வசதியின் மதிப்பீடுகள் 65% மேம்பட்டன (பயன்பாட்டுக்குப் பிறகு மேற்கொள்ளப்பட்ட கருத்துக்கணிப்புகளை அடிப்படையாகக் கொண்டு).
• சமநிலை நிலைத்தன்மை 40% அதிகரித்தது: எக்ஸோஸ்கெலட்டன் பயன்படுத்தும் போது குறைவான பயனர்கள் நடக்கும் உதவியை (எடுத்துக்காட்டாக, கையொப்பம்) தேவைப்பட்டனர்.
• உடல் சிகிச்சை முன்னேற்றம் வேகமாகியது: நோயாளிகள் “சுயமாக நடப்பது” 2D-உடைய மாடல்களுடன் ஒப்பிடுகையில் 30% வேகமாக அடைந்தனர்.
“எங்கள் பயனர்களுக்காக, ஒவ்வொரு படியும் முக்கியம்,” என்று ReWalk இன் CEO லாரி ஜசின்ஸ்கி கூறினார். “ஆழம் உணர்வு எக்ஸோஸ்கெலட்டனுக்கு பயனர் எப்படி நகர்கிறாரோ அதை ‘உணர’ உதவுகிறது - அதை மட்டும் காணவில்லை. ‘நடக்க’ மற்றும் ‘சுகமாக நடக்க’ என்பதற்கான வேறுபாடு இதுதான்.”
5. வழக்கு ஆய்வு 4: லாஜிஸ்டிக்ஸ் ரோபோடிக்ஸ் – Fetch இன் களஞ்சிய AGVs
சவால்
Fetch Robotics’ Freight1500 autonomous guided vehicles (AGVs) களஞ்சியங்களில் தொகுப்புகளைப் போக்குவரத்து செய்கின்றன. அவற்றின் 2D கேமரா அடிப்படையிலான வழிநடத்தல் அமைப்புகள் சிரமம் அடைந்தன:
1. இயக்கக் கட்டுப்பாடுகளுடன் மோதல்கள் (எடுத்துக்காட்டாக, அலமாரிகள் இடையே நடக்கும் தொழிலாளர்கள், விழுந்த பெட்டிகள்).
2. பெரிய களஞ்சியங்களில் தவறான இடமிடல்: 2D கேமராக்கள் தொலைவில் உள்ள அலமாரிகளுக்கான தூரத்தை அளவிட முடியாது, இதனால் 2–3 அங்குல இடமிடல் பிழைகள் ஏற்படுகின்றன.
தீர்வு
Fetch மேம்படுத்திய AGVs க்கு ToF ஆழக் கேமரா மற்றும் SLAM (ஒரே நேரத்தில் இடம் கண்டறிதல் மற்றும் வரைபடம் உருவாக்குதல்) மென்பொருள் இணைக்கப்பட்டுள்ளது. கேமரா:
• 10 மீட்டர் தொலைவில் உள்ள நகரும் பொருட்களை கண்டறிந்து, AGV-ஐ மெதுவாக அல்லது நிறுத்துவதற்கு தூண்டுகிறது.
• கூடையில் 3D வரைபடங்களை உருவாக்கி, இடம் மாற்றும் பிழையை 0.5 அங்குலத்திற்கு குறைத்தது (சரியான அட்டவணை இடங்களில் ஏற்றுதல்/கீழிறக்கம் செய்ய முக்கியம்).
முடிவுகள்
• மோதல் வீதம் 92% குறைந்தது (500 மணிநேரத்திற்கு 1 மோதலிலிருந்து 6,000 மணிநேரத்திற்கு 1 மோதலுக்கு).
• களஞ்சியத்தின் throughput 25% அதிகரித்தது: AGVs தடைகளை தவிர்க்க குறைவான நேரம் செலவிட்டன மற்றும் பேக்கேஜ்களை நகர்த்த அதிகமான நேரம் செலவிட்டன.
• உழைப்புச் செலவுகள் 18% குறைக்கப்பட்டன: குறைவான மோதல்கள் AGV பராமரிப்பு மற்றும் தொகுப்பு பழுதுபார்க்கும் நேரத்தை குறைத்தன.
6. முக்கிய சவால்கள் & கற்ற Lessons
ஆழம் உணர்வு ரோபோட்டிக்ஸை மாற்றியுள்ள போதிலும், இந்த வழக்கு ஆய்வுகள் பொதுவான சவால்களை வெளிப்படுத்துகின்றன:
1. சுற்றுச்சூழல் இடையூறு: ToF கேமராக்கள் நேரடி சூரிய ஒளியில் சிரமப்படுகின்றன (BMW சூரியக் கண்ணாடிகளைச் சேர்த்தது), மற்றும் கட்டமைக்கப்பட்ட ஒளி தூசான சூழ்நிலைகளில் தோல்வியுறுகிறது (ReWalk நீர்ப்புகா, தூசுப்புகா கேமரா அடுக்குகளைப் பயன்படுத்தியது).
2. கணினி சுமை: 3D தரவுக்கு அதிக செயலாக்க சக்தி தேவை—ஜான் டியர் தரவுகளை எட்ஜ் கணினிகளுக்கு மாற்றியது தாமதத்தை தவிர்க்க.
3. செலவு: உயர்தர ஆழக் காமிராக்கள் 500–2,000 வரை செலவாகலாம், ஆனால் அளவுக்கேற்ப பொருளாதாரம் (எடுத்துக்காட்டாக, Fetch 10,000+ காமிராக்களை வாங்குவது) ஒவ்வொரு அலகிற்கான செலவுகளை 30% குறைத்தது.
ரோபோட்டிக்ஸ் குழுக்களுக்கு பாடங்கள்:
• பணிக்கு ஆழ தொழில்நுட்பத்தை பொருத்துங்கள்: வேகத்திற்கு ToF, துல்லியத்திற்கு கட்டமைக்கப்பட்ட ஒளி, செலவிற்கு ஸ்டீரியோ பார்வை.
• உண்மையான உலக நிலைகளில் முன்னதாக சோதனை செய்யவும்: ஆய்வக முடிவுகள் தொழிற்சாலை தூசி அல்லது விவசாய மழையை அரிதாக பிரதிபலிக்கின்றன.
• AI உடன் இணைக்கவும்: ஆழமான தரவுகள் தனியாக சக்திவாய்ந்தவை, ஆனால் AI அதை செயல்படுத்தக்கூடிய உள்ளடக்கமாக மாற்றுகிறது (எடுத்துக்காட்டாக, ReWalk இன் நடை சரிசெய்தல்).
7. எதிர்கால போக்குகள்: ரோபோட்டிக்ஸில் ஆழம் உணர்வுக்கு அடுத்தது என்ன?
மேலே உள்ள வழக்கு ஆய்வுகள் வெறும் தொடக்கம். மூன்று போக்குகள் எதிர்காலத்தை உருவாக்கும்:
1. சிறிய அளவாக்கம்: சிறிய ஆழ கேமரா (எடுத்துக்காட்டாக, Sony இன் IMX556PLR, 1/2.3-அங்குல சென்சார்) சிறிய ரோபோக்களில் (எடுத்துக்காட்டாக, அறுவை சிகிச்சை ட்ரோன்கள்) பொருந்தும்.
2. பல-சென்சார் இணைப்பு: ரோபோட்டுகள் ஆழ தரவுகளை LiDAR மற்றும் வெப்ப ஒளிப்படத்துடன் இணைக்கும் (எடுத்துக்காட்டாக, ஆழ + வெப்பம் மூலம் காய்கறிகளை கண்டறியும் விவசாய ரோபோட்டுகள்).
3. Edge AI Integration: Cameras with built-in AI chips (e.g., NVIDIA’s Jetson Orin) will process 3D data in real time, eliminating lag for fast-moving robots (e.g., warehouse AGVs).
8. முடிவு
ஆழம் உணர்வு கேமராக்கள் ரோபோட்டிக்ஸை 'காணுதல்' இல் இருந்து 'புரிதல்' க்கு நகர்த்தியுள்ளன. BMW இன் அசம்பிளி கோடுகளிலிருந்து ReWalk இன் எக்ஸோஸ்கெலட்டோன்கள் வரை, இந்த வழக்கு ஆய்வுகள் 3D காட்சி முக்கியமான வலியுறுத்தல்களை தீர்க்கிறது என்பதை நிரூபிக்கின்றன - பிழைகளை குறைத்தல், செலவுகளை குறைத்தல் மற்றும் புதிய திறன்களை திறக்கிறது. தொழில்நுட்பம் சிறியதாக மாறுவதற்கும் செலவுகள் குறைவதற்கும், ஆழம் உணர்வு ஒவ்வொரு ரோபோட்டிக் அமைப்பிலும் சாதாரணமாக மாறும், சிறிய அறுவை சிகிச்சை ரோபோக்களிலிருந்து பெரிய தொழில்துறை கைகளுக்குப் போதுமானது.
ரோபோட்டிக்ஸ் நிறுவனங்கள் போட்டியில் நிலைநிறுத்த விரும்பினால், செய்தி தெளிவாக உள்ளது: ஆழம் உணர்வில் முதலீடு செய்யுங்கள். இது வெறும் "சிறந்தது" அல்ல - இது அடுத்த தலைமுறை புத்திசாலி, பொருந்தக்கூடிய ரோபோக்களின் அடித்தளம்.
தொடர்பு
உங்கள் தகவலை விட்டு நாங்கள் உங்களை தொடர்பு கொள்ளுவோம்.
WhatsApp
WeChat