วิธีเพิ่มประสิทธิภาพโลจิสติกส์ภายในเพื่อเพิ่มความคล่องตัวและเพิ่มความเร็วให้กับซัพพลายเชนในอุตสาหกรรม 4.0 - ตอนที่สอง

ตอนที่ 1 ของบทความเรื่องโลจิสติกส์ภายในนี้อภิปรายประเด็นที่เกี่ยวข้องกับวิธีใช้หุ่นยนต์เคลื่อนที่อัตโนมัติ (AMR) และยานพาหนะนำทางอัตโนมัติ (AGV) ในระดับระบบสำหรับการนำโลจิสติกส์ภายในไปใช้และการเคลื่อนย้ายวัสดุอย่างรวดเร็วและปลอดภัยตามความจำเป็น บทความนี้มุ่งเน้นไปที่ตัวอย่างการใช้งานและวิธีที่ AMR และ AGV ใช้เซ็นเซอร์เพื่อระบุและติดตามรายการ วิธีที่แมชชีนเลิร์นนิ่ง (ML) และปัญญาประดิษฐ์ (AI) สนับสนุนการระบุวัสดุ การเคลื่อนย้าย และการส่งมอบวัสดุทั่วทั้งคลังสินค้าและโรงงานผลิต

อินทราโลจิสติกส์ (โลจิสติกส์ภายใน) ใช้หุ่นยนต์เคลื่อนที่อัตโนมัติ (AMR) และยานพาหนะนำทางอัตโนมัติ (AGV) เพื่อเคลื่อนย้ายวัสดุภายในคลังสินค้าและโรงงานผลิตในยุคอุตสาหกรรม 4.0 ได้อย่างมีประสิทธิภาพ เพื่อปรับปรุงและเร่งความเร็วของซัพพลายเชน ระบบลอจิสติกส์ภายในจำเป็นต้องทราบตำแหน่งของวัสดุในปัจจุบัน ปลายทางของวัสดุที่ตั้งใจไว้ และเส้นทางที่ปลอดภัยที่สุดและมีประสิทธิภาพมากที่สุดเพื่อให้วัสดุไปถึงจุดหมายปลายทาง การนำทางที่มีประสิทธิภาพนี้ต้องใช้เซ็นเซอร์ที่หลากหลาย

ในโซลูชันโลจิสติกส์ภายใน AGV และ AMR ใช้เซ็นเซอร์เพื่อเพิ่มการตระหนักรู้ถึงสถานการณ์ โดยกลุ่มเซ็นเซอร์ให้ความปลอดภัยแก่บุคลากรในบริเวณใกล้เคียง การปกป้องอุปกรณ์อื่นๆ และการนำทางและการแปลตำแหน่งที่มีประสิทธิภาพ เทคโนโลยีเซ็นเซอร์สำหรับ AMR อาจรวมถึงเซ็นเซอร์แบบสัมผัส เช่น ลิมิตสวิตช์ที่ติดตั้งอยู่ในกันชน, ระบบตรวจจับแสงและวัดระยะ (LiDAR) แบบ 2 มิติและ 3 มิติ, อัลตราโซนิก, กล้อง 2 มิติและสเตอริโอ, เรดาร์, ตัวเข้ารหัส หน่วยวัดแรงเฉื่อย (IMU) และโฟโตเซลล์ สำหรับ AGV เซ็นเซอร์อาจรวมถึงเซ็นเซอร์แม่เหล็ก, เหนี่ยวนำ, หรือเซ็นเซอร์ออปติคอล รวมถึงลิมิตสวิตช์ที่ติดตั้งในกันชน, 2D LiDAR และตัวเข้ารหัส

บทความตอนแรกของชุดบทความนี้ครอบคลุมถึงประเด็นที่เกี่ยวข้องกับวิธีใช้ AMR และ AGV ในระดับระบบสำหรับการดำเนินการลอจิสติกส์ภายในและการเคลื่อนย้ายวัสดุอย่างมีประสิทธิภาพตามความจำเป็น

บทความนี้มุ่งเน้นไปที่การรวมเซ็นเซอร์และวิธีที่ AMR และ AGV ใช้เซ็นเซอร์ร่วมกับ AI และ ML สำหรับปรับให้เข้ากับพื้นที่ทำงาน การนำทาง และความปลอดภัยในการปฏิบัติงาน โดยเริ่มต้นด้วยการศึกษาอย่างย่อเกี่ยวกับเซ็นเซอร์ทั่วไปที่พบใน AGV ตรวจสอบท่าทางของหุ่นยนต์และอัลกอริธึมระบุตำแหน่งและสร้างแผนที่ (SLAM) พร้อมกันโดยใช้การรวมเซ็นเซอร์ พิจารณาว่าจะปรับปรุงการประมาณค่า SLAM ด้วยเทคนิคการจับคู่แบบสแกนกับแผนที่และการจับคู่แบบสแกนกับสแกนได้อย่างไร และปิดท้ายด้วยการดูว่าการรวมเซ็นเซอร์มีส่วนช่วยในการทำงานอย่างปลอดภัยสำหรับ AMR และ AGV ได้อย่างไร DigiKey สนับสนุนนักออกแบบด้วยเซ็นเซอร์และสวิตช์ที่หลากหลายสำหรับหุ่นยนต์และการใช้งานทางอุตสาหกรรมอื่นๆ ในทุกการใช้งาน

เซ็นเซอร์และการรวมเซ็นเซอร์, AI, ML และการเชื่อมต่อไร้สายที่หลากหลายมีความจำเป็นเพื่อรองรับการทำงานอัตโนมัติและความปลอดภัยใน AMR แม้ว่าความต้องการด้านประสิทธิภาพของ AGV จะลดลง แต่ก็ยังต้องใช้เซ็นเซอร์หลายตัวเพื่อรองรับการทำงานที่ปลอดภัยและมีประสิทธิภาพ เซ็นเซอร์มีสองประเภทที่ครอบคลุม ได้แก่:

• เซ็นเซอร์รับรู้ตำแหน่งข้อและการเคลื่อนไหวจะวัดค่าภายในหุ่นยนต์ เช่น ความเร็วล้อ การบรรทุก การชาร์จแบตเตอรี่ และอื่นๆ
• เซ็นเซอร์รับรู้สภาพแวดล้อมของหุ่นยนต์ เช่น การวัดระยะทาง ตำแหน่งจุดสังเกต และการระบุสิ่งกีดขวาง เช่น ผู้คนที่เข้ามาในเส้นทางของหุ่นยนต์

การรวมเซ็นเซอร์ใน AGV และ AMR อาศัยการผสมผสานระหว่างเซ็นเซอร์รู้ตำแหน่งข้อและการเคลื่อนไหวและเซ็นเซอร์รับรู้สภาพแวดล้อม ตัวอย่างของเซ็นเซอร์ใน AMR ได้แก่ (รูปที่ 1):

• เครื่องสแกนเลเซอร์สำหรับการตรวจจับวัตถุในระยะ 20+ เมตร (ม.)
• IMU พร้อมไจโรสโคป 6 แกนและมาตรความเร่ง และบางครั้งก็รวมแมกนิโตมิเตอร์ด้วย
• ตัวเข้ารหัสที่มีความละเอียดเป็นมิลลิเมตร (มม.) บนล้อ
• เซ็นเซอร์สัมผัส เช่น ไมโครสวิตช์ในกันชนเพื่อหยุดการเคลื่อนไหวทันทีหากสัมผัสกับวัตถุที่ไม่คาดคิด
• กล้อง 3D มองไปข้างหน้า 2 ตัว ระยะ 4 เมตร
• เซ็นเซอร์มองลงเพื่อตรวจจับขอบของแพลตฟอร์ม (เรียกว่าการตรวจจับความต่างระดับ)
• โมดูลการสื่อสารเพื่อให้การเชื่อมต่อและสามารถเลือกเสนอการตรวจจับมุมของการมาถึง (AoA) ของ Bluetooth และการตรวจจับมุมของการออก (AoD) สำหรับบริการระบุตำแหน่งแบบเรียลไทม์ (RTLS) หรือจุดส่งสัญญาณ/จุดรับสัญญาณ (TRP) 5G เพื่อพล็อตตารางด้วยระดับความแม่นยำหลักเซนติเมตร
• 2D LiDAR เพื่อคำนวณระยะห่างของสิ่งกีดขวางที่อยู่ข้างหน้ายานพาหนะ
• ระบบการมองเห็นเชิงลึก 3 มิติมุมกว้าง เหมาะสำหรับการระบุวัตถุและปรับให้เข้ากับพื้นที่
• โปรเซสเซอร์ประมวลผลประสิทธิภาพสูงบนบอร์ดสำหรับการรวมเซ็นเซอร์, AI และ ML

รูปที่ 1: AMR ที่เป็นแบบอย่างซึ่งแสดงความหลากหลายและตำแหน่งของเซ็นเซอร์ที่ฝังอยู่ (แหล่งที่มาภาพ: Qualcomm)

ท่าท่างหุ่นยนต์และการรวมกันของเซนเซอร์

การนำทาง AMR เป็นกระบวนการที่ซับซ้อน ขั้นตอนแรกประการหนึ่งคือให้ AMR รู้ว่าอยู่ที่ไหนและหันไปในทิศทางใด การรวมกันของข้อมูลนั้นเรียกว่าท่าทางของหุ่นยนต์ แนวคิดของท่าทางยังสามารถนำไปใช้กับแขนและเอนด์เอฟเฟกต์เตอร์ของหุ่นยนต์ที่อยู่นิ่งแบบหลายแกนได้ การรวมเซ็นเซอร์จะรวมอินพุตจาก IMU ตัวเข้ารหัส และเซ็นเซอร์อื่นๆ เพื่อกำหนดท่าทาง อัลกอริธึมท่าทางจะประมาณตำแหน่ง (x, y) ของหุ่นยนต์และมุมการวางแนว θ เทียบกับแกนพิกัด ฟังก์ชัน q = (x, y, θ) กำหนดท่าทางของหุ่นยนต์ สำหรับ AMR ข้อมูลก่อให้เกิดประโยชน์มีหลากหลาย ได้แก่:

• ท่าทางของผู้บุกรุก เช่น บุคคลที่เข้ามาใกล้หุ่นยนต์ สัมพันธ์กับกรอบอ้างอิงภายนอก หรือสัมพันธ์กับหุ่นยนต์
• ท่าทางโดยประมาณของหุ่นยนต์หลังจากเคลื่อนที่ด้วยความเร็วที่กำหนดตามเวลาที่กำหนดไว้
• การคำนวณรูปแบบความเร็วที่จำเป็นสำหรับหุ่นยนต์ในการเคลื่อนที่จากท่าปัจจุบันไปยังท่าที่สอง

ท่าทางเป็นฟังก์ชันที่กำหนดไว้ล่วงหน้าในสภาพแวดล้อมการพัฒนาซอฟต์แวร์หุ่นยนต์หลายแบบ ตัวอย่างเช่น แพ็คเกจ robot_pose_ekf รวมอยู่ใน Robot Operating System (ROS) ซึ่งเป็นแพลตฟอร์มการพัฒนาโอเพ่นซอร์ส Robot_pose_ekf สามารถใช้ประเมินท่าทาง 3 มิติของหุ่นยนต์โดยอิงจากการวัดท่าทาง (บางส่วน) จากเซ็นเซอร์ต่างๆ โดยจะใช้ตัวกรองคาลมานแบบขยายที่มีโมเดล 6 มิติ (ตำแหน่ง 3 มิติและการวางแนว 3 มิติ) เพื่อรวมการวัดจากตัวเข้ารหัสสำหรับการวัดระยะทางของล้อ กล้องสำหรับการวัดระยะทางด้วยสายตา และ IMU เนื่องจากเซ็นเซอร์ต่างๆ ทำงานด้วยอัตราและเวลาแฝงที่แตกต่างกัน robot_pose_ekf จึงไม่ต้องการให้ข้อมูลเซ็นเซอร์ทั้งหมดพร้อมใช้งานอย่างต่อเนื่องหรือพร้อมกัน เซ็นเซอร์แต่ละตัวใช้ในการประมาณค่าท่าทางด้วยความแปรปรวนร่วม Robot_pose-ekf ระบุข้อมูลเซ็นเซอร์ที่มีอยู่ ณ เวลาใดก็ได้และปรับตามนั้น

การรวมกันของเซนเซอร์และ SLAM

สภาพแวดล้อมหลากหลายที่ AMR ทำงานนั้นมีอุปสรรคที่เปลี่ยนแปลงได้ซึ่งสามารถเคลื่อนที่ได้เป็นครั้งคราว แม้ว่าแผนที่พื้นฐานของสถานที่จะมีประโยชน์ แต่ก็ยังต้องการข้อมูลมากกว่านี้ เมื่อเคลื่อนที่ภายในโรงงานอุตสาหกรรม AMR ต้องการมากกว่าข้อมูล พวกเขายังใช้ SLAM เพื่อรับรองการทำงานที่มีประสิทธิภาพ โดย SLAM เพิ่มการสร้างแผนที่สภาพแวดล้อมแบบเรียลไทม์เพื่อรองรับการนำทาง แนวทางพื้นฐานสองประการสำหรับ SLAM คือ:

• Visual SLAM ที่จับคู่กล้องกับ IMU
• LiDAR SLAM ที่รวมเซ็นเซอร์เลเซอร์ เช่น 2D หรือ 3D LiDAR เข้ากับ IMU

LiDAR SLAM มีความแม่นยำมากกว่า Visual SLAM แต่โดยทั่วไปแล้วจะมีต้นทุนในการใช้งานสูงกว่า อีกทางหนึ่ง สามารถใช้ 5G เพื่อให้ข้อมูลการปรับให้เข้ากับพื้นที่ทำงานเพื่อปรับปรุงการประมาณการ Visual SLAM การใช้เครือข่าย 5G ส่วนตัวในคลังสินค้าและโรงงานสามารถเพิ่มเซ็นเซอร์แบบฝังสำหรับ SLAM ได้ AMR บางตัวใช้การวางตำแหน่งในร่มที่แม่นยำโดยใช้จุดส่งสัญญาณ/จุดรับสัญญาณ (TRP) ของ 5G เพื่อพล็อตตารางเพื่อความแม่นยำระดับเซนติเมตรบนแกน x, y และ z

การนำทางที่ประสบความสำเร็จขึ้นอยู่กับความสามารถของ AMR ในการปรับตัวให้เข้ากับองค์ประกอบด้านสิ่งแวดล้อมที่เปลี่ยนแปลง การนำทางผสมผสาน Visual SLAM และ/หรือ LiDAR SLAM เทคโนโลยีโอเวอร์เลย์ เช่น 5G TRP และ ML เพื่อตรวจจับการเปลี่ยนแปลงในสภาพแวดล้อมและให้การอัปเดตตำแหน่งอย่างต่อเนื่อง การรวมกันของเซนเซอร์รองรับ SLAM ได้หลายวิธี:

• อัปเดตแบบจำลองเชิงพื้นที่และความหมายของสภาพแวดล้อมอย่างต่อเนื่องโดยอิงตามอินพุตจากเซ็นเซอร์ต่างๆ โดยใช้ AI และ ML
• การระบุสิ่งกีดขวางจะช่วยให้อัลกอริธึมการวางแผนเส้นทางทำการปรับเปลี่ยนที่จำเป็นและค้นหาเส้นทางที่มีประสิทธิภาพสูงสุดจากสภาพแวดล้อม
• การดำเนินการตามแผนเส้นทางโดยต้องมีการควบคุมแบบเรียลไทม์เพื่อปรับเปลี่ยนเส้นทางที่วางแผนไว้ รวมถึงความเร็วและทิศทางของ AMR เมื่อสภาพแวดล้อมเปลี่ยนแปลง

เมื่อ SLAM ยังไม่เพียงพอ

SLAM เป็นเครื่องมือสำคัญสำหรับการนำทาง AMR ที่มีประสิทธิภาพ แต่ SLAM เพียงอย่างเดียวยังไม่เพียงพอ โดย SLAM ถูกนำมาใช้กับตัวกรองคาลมานแบบขยายที่ให้ค่าประมาณ เช่นเดียวกับอัลกอริธึมท่าทาง ค่าประมาณของ SLAM จะขยายข้อมูลท่าทาง โดยเพิ่มความเร็วเชิงเส้นและความเร็วการหมุน และความเร่งเชิงเส้นอื่นๆ การประมาณค่า SLAM เป็นกระบวนการสองขั้นตอน ขั้นตอนแรกเกี่ยวข้องกับการรวบรวมการคาดการณ์โดยใช้การวิเคราะห์เซ็นเซอร์ภายในตามกฎการเคลื่อนที่ทางกายภาพ ขั้นตอนที่เหลือในการประมาณค่า SLAM จำเป็นต้องมีการอ่านเซ็นเซอร์ภายนอกเพื่อปรับแต่งการประมาณค่าเบื้องต้น กระบวนการสองขั้นตอนนี้ช่วยกำจัดและแก้ไขข้อผิดพลาดเล็กๆ น้อยๆ ที่อาจรวบรวมเมื่อเวลาผ่านไป และสร้างข้อผิดพลาดที่สำคัญ

SLAM ขึ้นอยู่กับความพร้อมของอินพุตเซ็นเซอร์ ในบางกรณี 2D LiDAR ที่มีต้นทุนค่อนข้างต่ำอาจใช้งานไม่ได้ เช่น หากไม่มีวัตถุอยู่ในแนวการมองเห็นโดยตรงของเซ็นเซอร์ ในกรณีดังกล่าว กล้องสเตอริโอ 3 มิติหรือ 3D LiDAR สามารถปรับปรุงประสิทธิภาพของระบบได้ อย่างไรก็ตาม กล้องสเตอริโอ 3 มิติหรือ 3D LiDAR มีราคาแพงกว่าและต้องการพลังการประมวลผลในการใช้งานมากกว่า

อีกทางเลือกหนึ่งคือการใช้ระบบนำทางที่รวม SLAM เข้ากับการจับคู่แบบสแกนกับแผนที่ และเทคนิคการจับคู่แบบสแกนกับการสแกนที่สามารถใช้งานได้โดยใช้เซ็นเซอร์ 2D LiDAR เท่านั้น (รูปที่ 2):

• การจับคู่การสแกนกับแผนที่ใช้ข้อมูลของ LiDAR เพื่อประมาณตำแหน่งของ AMR โดยการจับคู่การวัดช่วงกับแผนที่ที่เก็บไว้ ประสิทธิภาพของวิธีนี้ขึ้นอยู่กับความถูกต้องของแผนที่ โดยไม่มีดริฟท์ตามเวลา แต่ในสภาพแวดล้อมที่ซ้ำๆ อาจส่งผลให้เกิดข้อผิดพลาดที่ยากต่อการระบุสภาพแวดล้อม ทำให้เกิดการเปลี่ยนแปลงตำแหน่งที่ไม่ต่อเนื่อง และยากต่อการกำจัด
• การจับคู่การสแกนกับการสแกนใช้ข้อมูล LiDAR ตามลำดับต่อเนื่อง เพื่อประมาณตำแหน่งของ AMR ระหว่างการสแกน วิธีนี้จะให้ข้อมูลตำแหน่งที่อัปเดตและก่อให้เกิดข้อมูลสำหรับ AMR โดยไม่ขึ้นอยู่กับแผนที่ที่มีอยู่ และอาจมีประโยชน์ในระหว่างการสร้างแผนที่ อย่างไรก็ตาม วิธีนี้เป็นอัลกอริธึมส่วนเพิ่มที่อาจมีการดริฟท์ตามเวลา โดยไม่มีความสามารถในการระบุความไม่ถูกต้องที่การดริฟท์เกิดขึ้น

รูปที่ 2: อัลกอริธึมการจับคู่การสแกนกับแผนที่และการสแกนกับการสแกนสามารถใช้เพื่อเสริมและปรับปรุงประสิทธิภาพของระบบ SLAM (แหล่งที่มาภาพ: Aethon)

ความปลอดภัยจำเป็นต้องมีการรวมเซ็นเซอร์

ความปลอดภัยเป็นข้อกังวลหลักสำหรับ AGV และ AMR และต้องพิจารณามาตรฐานหลายประการ ตัวอย่างเช่น American National Standards Institute / Industrial Truck Standards Development Foundation (ANSI/ITSDF) B56.5 – 2019, มาตรฐานความปลอดภัยสำหรับยานยนต์อุตสาหกรรมไร้คนขับแบบมีไกด์นำทางอัตโนมัติ และฟังก์ชันอัตโนมัติของยานพาหนะอุตสาหกรรมแบบมีคนขับ, ANSI / Robotic Industrial Association (RIA) R15.08-1-2020 – มาตรฐานสำหรับหุ่นยนต์เคลื่อนที่ทางอุตสาหกรรม – ข้อกำหนดด้านความปลอดภัย, มาตรฐานต่างๆ ขององค์การมาตรฐานสากล (ISO) และอื่นๆ

การทำงานอย่างปลอดภัยของ AGV และ AMR ต้องใช้เซ็นเซอร์ที่ผสานรวมเซ็นเซอร์ 2D LiDAR ที่ผ่านการรับรองความปลอดภัย (บางครั้งเรียกว่าเครื่องสแกนเลเซอร์นิรภัย) เข้ากับตัวเข้ารหัสบนล้อ 2D LiDAR รองรับระยะการตรวจจับสองระยะพร้อมกัน สามารถมีมุมการตรวจจับ 270° และประสานกับความเร็วของยานพาหนะจากตัวเข้ารหัส เมื่อตรวจพบวัตถุในเขตการตรวจจับที่ไกลออกไป (ห่างออกไปสูงสุด 20 เมตร ขึ้นอยู่กับเซ็นเซอร์) ยานพาหนะจะสามารถชะลอความเร็วได้ตามต้องการ หากวัตถุเข้าไปในโซนการตรวจจับที่ใกล้กว่าในแนวการเดินทาง ยานพาหนะจะหยุดเคลื่อนที่

เครื่องสแกนเลเซอร์นิรภัยมักใช้เป็นชุด 4 เครื่อง โดยวางไว้ที่แต่ละมุมของรถ สามารถทำงานเป็นหน่วยเดียวและสื่อสารโดยตรงกับตัวควบคุมความปลอดภัยบนยานพาหนะ สแกนเนอร์มีจำหน่ายและได้รับการรับรองให้ใช้ในการใช้งานด้านความปลอดภัยประเภท 3, ระดับประสิทธิภาพ d (PLd) และความปลอดภัยระดับ 2 (SIL2) และบรรจุอยู่ในกล่องหุ้มระดับ IP65 เหมาะสำหรับการใช้งานกลางแจ้งและในร่มส่วนใหญ่ (รูปที่ 3) เครื่องสแกนมีอินพุตสำหรับข้อมูลตัวเข้ารหัสส่วนเพิ่มจากล้อเพื่อรองรับการรวมเซ็นเซอร์

รูปที่ 3: เซ็นเซอร์ LIDAR 2 มิติเช่นนี้สามารถใช้ร่วมกับตัวเข้ารหัสบนล้อในระบบรวมเซ็นเซอร์ที่ให้การทำงานที่ปลอดภัยของ AMR และ AGV (แหล่งที่มาภาพ: Idec)

สรุป

โลจิสติกส์ภายในสนับสนุนซัพพลายเชนที่รวดเร็วและมีประสิทธิภาพมากขึ้นในคลังสินค้าและโรงงานอุตสาหกรรม 4.0 โดย AMR และ AGV เป็นเครื่องมือสำคัญสำหรับการขนส่งภายในเพื่อเคลื่อนย้ายวัสดุจากที่หนึ่งไปยังอีกที่หนึ่งอย่างทันท่วงทีและปลอดภัย การรวมเซ็นเซอร์เป็นสิ่งจำเป็นเพื่อรองรับฟังก์ชัน AMR และ AGV รวมถึงการกำหนดท่าทาง การคำนวณข้อมูล SLAM การปรับปรุงประสิทธิภาพการนำทางโดยใช้การจับคู่การสแกนกับแผนที่และการจับคู่การสแกนกับการสแกน และการรับรองความปลอดภัยของบุคลากรและวัตถุในพื้นที่ทำงาน