Autolabor Pro1

Autolabor Pro 1 是一个基于ROS的开放式机器人平台,包含机器人底盘、全套传感器及软件系统,已实现了4G/5G/Wifi 远程遥控实时图像传输室内外自动导航指定路线巡迹SLAM 建图路径规划自动循迹智能避障等功能。

平台搭载了激光雷达、深度相机、高精度定位标签、Mini 计算机等设备,同时预留了接口,可扩展安装GPS、惯导、超声波等传感器,云台、机械臂、抓持器等附件设备,适用于巡检、抓取、智能驾驶、协同控制、计算机视觉、深度学习等技术的研究与应用。

一键式导航操作,极大降低了使用门槛,代码全部开源,软件持续更新,丰富的资料,可帮助使用者快速开始应用开发。

底盘介绍

采用四轮差速转向驱动模式,室内外均可流畅作业,具有强通过、高负载、高精度、高扩展、动力足和续航长等特点,可跨平台开发,支持多种应用场景。

负载 50KG,可集成激光雷达、摄像头、GPS等传感器,云台、机械臂、抓持器等附件设备。

提供底盘驱动和基于ROS平台的API接口,精准的PID控制与运动模型,方便您的硬件集成和二次开发。

机械结构

电子结构

精度介绍


注:产品描述仅供参考,若因产品升级或其他原因造成与实物存在差异时,请以实物为准
Autolabor PC
CPU AMD® Ryzen3 2200G
芯片组 AMD® A300
内存 DDR4 8GB
硬盘 NVMe 250GB
Wi-Fi / 蓝牙 支持
CPU (AMD Ryzen3 2200G)
核心频率 3.5 GHz
加速频率 3.7 GHz
核心/线程 4 / 4
GPU核心 4
核显 Radeon Vega 8 1100 MHz
FP16(half) 2.253 TFLOPS (2:1)
FP32(float) 1,126 GFLOPS
FP64(double) 70.40 GFLOPS (1:16)
电源组件
电池容量 10AH @ 24V
输入/输出 24V x 10A / 12V x 20A
输出口数量 5个(并联)
纹波电压 < 100mV
显示器
尺寸 13.3 英寸
比例 16: 9
分辨率 1920*1080
亮度 300 cd/m²
对比度 800: 1
触摸
激光雷达(FS-D10)
测量距离 0.15-10 m @ 10%
角度分辨率 0.36 °
扫描速度 15 Hz
重复精度 ±3 cm
距离分辨率 1 cm
深度相机(Kinect V2)
原理 TOF
RGB流 1920 x 1280 @ 30 FPS
深度流 512 x 424 @ 30 FPS
红外流 512 x 424 @ 30 FPS
深度距离 0.4 m - 4.5 m
水平视角 70 °
垂直视角 60 °
通信接口 USB 3.0
定位系统
标签距离 30m (理想情况下测试结果)
<20m (常规建图定位建议距离)
定位精度 绝对精度:距离的1~3%
差分精度:±2cm
定位频率 1/20Hz ~ 45Hz
与移动标签到固定标签的距离有关(距离越近频率越高)
与移动标签的数量有关(数量越多频率越低)
供电 内部:1000mAh 锂电池(根据使用情况可续航2天到数月)
外部:USB供电
尺寸 55 x 55 x 33 mm
(含天线:55 x 55 x 65 mm)

底盘参数

产品参数
尺寸 726*617*273mm
净重 35kg
负载 直线50kg/原地转弯30KG
电池 24V DC锂聚合物电池
电池容量 10Ah/18Ah(选配)
续航时间 2.5h/4h
辅助电源 3*12V 1*5V
最大速度 0.8m/s
驱动方式 四驱
转向方式 差速转向
通信接口 串口
编码器精度 400线
PID控制频率 50Hz
适用地形 全地形
垂直越障能力 8cm
爬坡能力 25°
支持系统 Windows/Linux
支持平台 X86
手柄控制 20m
手柄通讯 2.4Ghz
农业表型检测机器人 - 国家农业智能装备中心
无人驾驶 - 中国智能汽车大赛(CIVC 2017)
自动驾驶 - 多车协同控制研究 – 清华大学
机器人地空协同控制研究– 深圳大学
基于脑机接口的脑控车辆研究 – 东南大学
果园机器人自主避障策略研究 – 河南科技大学
基于图优化的轮式机器人三维建图研究 - 中国科学院国家空间科学中心
目标跟踪 – 湖南大学
基于四轮差速轮式机器人的路径追踪算法研究 – 东北大学
基于强化学习的机器人全局路径规划算法研究 - 西湖大学
基于SLAM的轮式机器人定位与导航技术研究 - 中国科学院国家空间科学中心

基于Autolabor机器人研究发表的论文

中文:

[1]郑国财. 智能网联汽车背景下中职汽车教师专业能力的研究[D].天津职业技术师范大学,2020.

[2]王召新,刘华平,续欣莹,孙富春.无人平台复杂地形探测的视触融合方法[J].飞控与探测,2020,3(02):52-58.

[3]章弘凯,陈年生,范光宇.基于粒子滤波的智能机器人定位算法[J].计算机应用与软件,2020,37(02):134-140+199.

[4]陈忱. 无人驾驶系统中智能算法及其安全性研究[D].南京邮电大学,2019.

[5]白中浩,朱磊,李智强.基于多模型融合和重新检测的高精度鲁棒目标跟踪[J].仪器仪表学报,2019,40(09):132-141.

[6] 张耀威;基于三维目标检测的轮式机器人避障导航技术研究[D];中国科学院大学(中国科学院国家空间科学中心);2019年

[7]付光耀. 基于图优化的轮式机器人三维建图研究[D].中国科学院大学(中国科学院国家空间科学中心),2019.

[8]张德明. 运动想象脑电辨识方法研究及脑控车辆BCI系统构建[D].东南大学,2019.

[9]张居正. 基于深度学习的端到端车道线检测方法[D].湖南大学,2019.

[10]王小华,郑腾,孙伟,苗中华.基于ROS平台的智能车运动线控系统设计及实现[J].测控技术,2019,38(04):22-25.

[11]段云志. 基于One-Shot Learning的场景识别技术的设计与实现[D].电子科技大学,2019.

[12]张家瑞. 基于障碍物分类识别的林下作业机器人自主避障策略研究[D].河南科技大学,2019.

[13]郑文钢. 基于RGB-D的移动搬运机器人的物体位置检测与姿态估计[D].浙江大学,2019.

[14]贺强,陈一军,蒋涛,贺振世,陈俊茹,韩怡,刘琳琳.搬运机器人在印刷装备智能制造中的应用[J].今日印刷,2018(07):52-54.

[15]熊安. 基于SLAM的轮式机器人定位与导航技术研究[D].中国科学院大学(中国科学院国家空间科学中心),2018.

[16]李辉. 基于激光雷达的2D-SLAM的研究[D].浙江工业大学,2017.

英文:

[1] Wang, Yuning, et al. "A Cooperative Motion Control Strategy of Multi-objects Simulation Based on CAV Testing Platform." Green, Smart and Connected Transportation Systems. Springer, Singapore, 2020. 1197-1209.

[2] P. Gao, Z. Liu, Z. Wu and D. Wang, "A Global Path Planning Algorithm for Robots Using Reinforcement Learning," 2019 IEEE International Conference on Robotics and Biomimetics(ROBIO),Dali,China,2019,pp.1693-1698,doi:10.1109/ROBIO49542.2019.8961753.

[3] Yan, YongJun, et al. "A New Path Tracking Algorithm for Four-Wheel Differential Steering Vehicle." 2019 Chinese Control And Decision Conference (CCDC). IEEE, 2019. [4] Chen, Jie, et al. "A GAN-based Active Terrain Mapping for Collaborative Air-Ground Robotic System." 2019 IEEE 4th International Conference on Advanced Robotics and Mechatronics (ICARM). IEEE, 2019.

以上内容素材源于公开发表的论文,如作者有异议可联系删除。