Autolabor Pro1

Autolabor Pro 1是由清华大学团队研发的一款用于科研的开源机器人平台,广泛用于高校教学、实验室研究、产品原型机等。

Autolabor Pro 1搭配全套传感器及导航软件,丰富的教程及资料,代码全部开源、极大降低了用户的使用门槛,用户可快速上手学习或二次开发。软件持续免费更新,也为用户提供更好的使用体验。

案例展示

百余家高校研究所合作

50小时自制课程

模拟器免费使用

功能展示

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
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)
多线激光雷达(RS-lidar-16)
线束 16线
波长 905nm
激光等级 class1
精度 ±2cm(典型值)
测距 20cm-150m(目标反射率20%)
出点数 320,000pts/s
垂直视场角 +15°~-15°
垂直角分辨率 2.0°
水平视场角 360°
水平角分辨率 0.09°至0.36°(5-20Hz)
转速 300-1200rmp(5-20Hz)
采集数据 三维空间坐标、反射率
惯导(AH200C)
方位角 测量范围:±180°(陀螺与磁方位可选)
测量精度(RMS)@25℃:<1.5°(无磁干扰条件下)
分辨率:<0.1°
倾角 测量范围:±500°/sec
测量精度(RMS)@25℃:<±0.5 °(动态)、<±0.2 °(静态)
分辨率:<0.1°
陀螺仪 测量范围:±180°(陀螺与磁方位可选)
零点偏差稳定性@25℃:<200 °/hr
分辨率:<0.1°/sec
宽带:>100Hz
加速度计 测量范围:±8G
分辨率:<10mg
宽带:>100Hz
磁场计 测量范围:±8gauss
分辨率:<2.5mgauss
宽带:14-17Hz

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。