Yahboom ROSMASTER M3 ROS2 KI Großmodell-Roboterauto mit Mecanum-Rädern für Orin Nano/NX SUPER, RDK X5, Pi 5
Yahboom ROSMASTER M3 ROS2 KI Großmodell-Roboterauto mit Mecanum-Rädern für Orin Nano/NX SUPER, RDK X5, Pi 5
Yahboom
Verfügbarkeit für Abholungen konnte nicht geladen werden
Überblick
Der Yahboom ROSMASTER M3 ist eine ROS2-Roboterwagenplattform, die für Jetson Orin Nano/Orin NX SUPER, Raspberry Pi 5 und RDK X5 entwickelt wurde. Sie integriert multimodale KI (Text/Visuelle/Sprach) mit SLAM-Navigation und verfügt über ein Mecanum-Rad-Chassis mit einer Pendel-ähnlichen unabhängigen Aufhängungsstruktur für 360° omnidirektionale Bewegung. Je nach Konfiguration unterstützt sie optionalen Einzel-/Doppel-TOF-LiDAR und verwendet eine DaBai DCW2 Tiefenkamera für 3D-Vision-Anwendungen.
Hauptmerkmale
- AI-multimodale Anwendungen für große Sprachmodelle: semantisches Verständnis, Sprachdialog und Szenenverständnis
- Dify-Workflow-Entwicklungsplattformunterstützung für die Entwicklung und Bereitstellung von Großmodell-Workflows
- Dual-Modell-Inferenzarchitektur mit dynamischer Feedback-Inferenz und Unterstützung für Gesprächsunterbrechungen
- LiDAR + Encoder + IMU (Gyroskop) Fusion für Kartierung und Navigation; unterstützt mehrere Kartierungsalgorithmen
- DaBai DCW2 Tiefenkamera: Tiefenbild + Punktwolke für 3D-Vision-Kartierung, Messung und Erkennung
- Professionelle Mecanum-Räder + Pendelaufhängung zur Reduzierung des Radrutschens auf die Encoder-Erkennung und zur Verringerung des Kilometerzählerfehlers
- Integrierte RGB-Scheinwerfer/LED-Streifen mit fließenden, atmenden und Lauflichteffekten; anpassbare Farben/Helligkeit
- AI-Vision-Stack-Unterstützung: OpenCV / MediaPipe / YOLOv11; umfasst Funktionen wie Gestenerkennung, QR-Code-Erkennung, Pose-Schätzung, Bildsegmentierung und Objekterkennung
- Multi-Roboter-Formation und Interkonnektionssteuerung: Multi-Roboter-Navigation und dynamische Hindernisvermeidung auf derselben Karte; mehrere Roboter, die von einem Host gesteuert werden
Spezifikationen
| Robotergröße | 276.97 x 212,4 x 199,18 mm |
| Chassis | Mecanum-Rad-Chassis (omnidirektionale Bewegung) |
| Federung | Pendelunabhängige Federungsstruktur |
| Tiefenkamera | DaBai DCW2 Tiefenkamera |
| LiDAR | T-MINI PLUS LiDAR (optionaler einzelner/dual TOF LiDAR; Dual-Punktwolkenfusion ist für die Ultimate-Version) |
| Beleuchtung | Integrierte RGB-Scheinwerfer/LED-Streifen |
| Batterie | 6000mAh Batteriepack |
| Optionales Display | 7-Zoll-Display (optional; abhängig von der Version) |
| OS / ROS (nach Controller) | Raspberry Pi OS + Docker + ROS2 Humble; Ubuntu 22.04 + ROS2 Humble; Ubuntu 22.04 LTS + ROS2 Humble |
| Speicher (nach Konfiguration) | 128GB / 256GB (e.g. , 128GB TF-Karte; 256GB SSD) |
Versionsoptionen (Konfigurationsauswahl)
| Artikel | Standard-Kit | Superior-Kit | Ultimate-Version |
|---|---|---|---|
| Unterstützte Hauptsteuerung | Raspberry Pi 5 8GB; RDK X5 8GB; ORIN-NANO-8GB | Raspberry Pi 5 8GB; ORIN-NANO-8GB; ORIN-NX-8GB | Raspberry Pi 5 8GB; ORIN-NANO-8GB; ORIN-NX-8GB; ORIN-NX-16GB |
| Sprachmodul | Alle Versionen enthalten ein KI-Sprachmodul für große Modelle | ||
| Kamera | DaBai DCW2 Tiefenkamera | DaBai DCW2 Tiefenkamera | DaBai DCW2 Tiefenkamera |
| LiDAR | T-MINI PLUS LiDAR | T-MINI PLUS LiDAR | T-MINI PLUS LiDAR *2 |
| Display | / | 7-Zoll-Display | 7-Zoll-Display |
Hinweis: Nur die Ultimate-Version ist mit Dual T-mini Plus LiDARs ausgestattet.
Controller-Auswahlvorschläge (Referenz)
Um die Betriebsflüssigkeit und die funktionalen Ergebnisse von großen Modellen zu verbessern, wird empfohlen, Jetson Orin Nano/NX SUPER auszuwählen. Wenn Sie eine Version ohne Board wählen, bereiten Sie einen Raspberry Pi 5 mit mindestens 8 GB RAM vor.
| Controller | Rechenleistung | CPU | GPU | RAM | Speicher | Leistung | Bereitgestelltes ROS-System |
|---|---|---|---|---|---|---|---|
| Raspberry Pi 5 8GB | Ungefähr 0,5 TFLOPS (FP16) | Cortex-A76 | VideoCore VII | 8GB | 128GB TF-Karte | 10W | Raspberry Pi OS + Docker + ROS2 Humble |
| RDK X5 8GB | 10 TOPS | 8-Kern Cortex-A55 @ 1,5GHz | 32Gflops | 8GB | / | 25W | Ubuntu 22.04 + ROS2 Humble |
| Jetson Orin Nano SUPER 8GB | 67 TOPS | 6-Kern Arm Cortex-A78AE v8.2 64-Bit CPU 1,5MB L2 + 4MB L3 |
1024-Kern NVIDIA Ampere Architektur GPU mit 32 Tensor Cores | 8GB 128-Bit LPDDR5 102 GB/s | 256GB SSD | 7W, 15W, 25W | Ubuntu 22.04 LTS + ROS2 Humble |
| Jetson Orin NX SUPER 8GB | 117 TOPS | 6-Kern NVIDIA Arm Cortex-A78AE v8.2 64-Bit CPU 1,5MB L2 + 4MB L3 |
1024-Kern NVIDIA Ampere Architektur GPU mit 32 Tensor Cores | 8GB 128-Bit LPDDR5 102 GB/s | 256GB SSD | 10W, 15W, 25W, 40W | Ubuntu 22.04 LTS + ROS2 Humble |
| Jetson Orin NX SUPER 16GB | 157 TOPS | 8-Kern NVIDIA Arm Cortex-A78AE v8.2 64-Bit CPU 2MB L2 + 4MB L3 |
1024-Kern NVIDIA Ampere Architektur GPU mit 32 Tensor-Kernen | 16GB 128-Bit LPDDR5 102 GB/s | 256GB SSD | 10W, 15W, 25W, 40W | Ubuntu 22.04 LTS + ROS2 Humble |
Leistungsreferenz (Vergleich des funktionalen Falltests)
| Testelement | Raspberry Pi 5 8GB | RDK X5 8GB | Orin Nano SUPER 8GB | Orin NX SUPER 8GB | Orin NX SUPER 16GB |
|---|---|---|---|---|---|
| YOLO V11 Objekterkennung | 4fps | 12fps | 30fps | 30fps | 30fps |
| Mediapipe | 12fps | 13fps | 30fps | 30fps | 30fps |
| AprilTag Maschinen-Code-Tracking | 30fps | 20fps | 30fps | 30fps | 30fps |
| KCF Objektverfolgung | 12fps | 15fps | 30fps | 30fps | 30fps |
| KI-großes Modell visuelle Verfolgung | 20fps | 10fps | 20fps | 30fps | 30fps |
| Visuelles autonomes Fahren (Offline-Modell) | Nicht unterstützt | 22fps | 25fps | 30fps | 30fps |
| KI-großes Modell Fusion autonomes Fahren | Nicht unterstützt | 18fps | 25fps | 30fps | 30fps |
Funktionen (LiDAR / Tiefenkamera / Vision)
LiDAR-Funktionen
- Hochpräzises TOF-LiDAR mit Encoder und IMU (Gyroskop) Fusionsdaten für hochpräzise Kartierung und Navigation
- Unterstützt mehrere Kartierungsalgorithmen und Archivkartierung
- Unterstützt Einzelpunkt- und Mehrpunktnavigation; kann über eine APP betrieben werden
- Umsiedlungsnavigationstechnologie reduziert Positionsdrift, verbessert die Navigationsstabilität und -zuverlässigkeit
- Gezeigte Mapping- und Navigationsmodi: Gmapping LiDAR-Mapping, Cartographer LiDAR-Mapping, slam_toolbox LiDAR-Mapping, IMU LiDAR-Fusionsfilterung, APP-Mapping-Navigation
- Gezeigte Beispielverhalten: LiDAR-Hindernisvermeidung, LiDAR-Verfolgung, LiDAR-Wächter, Straßennetzplanung
Tiefenkamera-Funktionen
- 3D-Strukturlicht-Tiefenkamera, die Tiefenbilder und Punktwolken-Daten erzeugt
- Tiefenabstands- und Volumenberechnung; erstellt hochpräzise 3D-Farbkarten in Kombination mit Radardaten
- Gezeigte Beispielanwendungen: RTAB-Map 3D-Vision-Mapping und -Navigation, Holzblock-Volumenmessung, Kantenerkennung, Tiefenkamera-Abstandsmessung
YOLOv11-Modellerkennung
- Unterstützt Bildsegmentierung, Pose-Schätzung, Bildklassifizierung und orientierte Objekterkennung
KI-Visuelle Erkennung / Interaktion
- Unterstützt Frameworks wie OpenCV und MediaPipe
- Erkennung Beispiele gezeigt: Menschliche Merkmalserkennung, Gestenerkennung, Fingerkuppen-Trajektorienerkennung, QR-Code-Erkennung, 3D-Erkennung, 3D-Gesichtserkennung, Farberkennung, AR-Vison
- Interaktionsbeispiele gezeigt: Gestensteuerung, MediaPipe-Haltungserkennung, Maschinensteuerung, visuelle Linienverfolgung, Farbverfolgung, Gesichtserkennung, KCF-Objektverfolgung, Deep-Learning-Objektverfolgung
Autonomes Fahren (Sandbox) Hinweise
Autonomes Fahren Sandbox-Tests werden als unterstützt auf: RDK X5, Orin Nano und Orin NX gezeigt.Raspberry Pi Boards werden als nicht unterstützend für diese Funktion angezeigt. Gezeigte Funktionen umfassen Verkehrsschilderkennung, Spurhaltung, autonomes Parken und Lenkentscheidungen.
Anwendungen
- SLAM-Kartierung und Navigation
- Planung des Straßennetzes, Routenplanung und Mehrpunktnavigation
- Szenenverständnis, visuelles Folgen, Deep Distance Q&A und autonome Kreuzfahrt-Demonstrationen
- Synchronisierte Bewegungssteuerung und Formationskontrolle für mehrere Roboter
Tutorials
Für Konfigurationshilfe vor dem Kauf (Versionen, Controller-Auswahl und Zubehör) kontaktieren Sie https://rcdrone.top/ oder senden Sie eine E-Mail an [email protected].
Details
Lernen Sie ROSMASTER M3 kennen: eine ROS2-bereite Roboterauto-Plattform, die für multimodale KI und SLAM-Navigation auf beliebten Edge-Controllern entwickelt wurde.
Multimodale Interaktion, 3D-Wahrnehmung und omnidirektionale Mobilität vereinen sich in einer einzigen integrierten Plattform.
Dify-Workflow-Unterstützung und mehrere Mapping-Optionen helfen, von Demos zu einsatzfähigen Robotikanwendungen zu wechseln.
Wählen Sie das richtige Kit-Level, indem Sie Wahrnehmungssensoren, Controller-Kompatibilität und Chassis-Leistung vergleichen.
Optionale einzelne/duale TOF-LiDAR und programmierbare RGB-Beleuchtung erweitern Navigations- und Präsentationsanwendungen.
Führen Sie Text-, Sprach- und Bildmodelle zusammen aus, um ein reichhaltigeres semantisches Verständnis und interaktive Robotik zu ermöglichen.
Ein praktischer Vision-Stack unterstützt Tracking, Erkennung und interaktive Q&A für reale Szenarien.
SLAM-Workflows decken Mapping, Punkt-zu-Punkt-Navigation und aufgabenorientierte Erkundung ab.
Höhere Planungsebenen kombinieren Wahrnehmung und Kartierung, um Aufgaben Schritt für Schritt zuverlässiger auszuführen.
Verwenden Sie den Auswahlleitfaden, um Ihre Anforderungen an Controller und Sensoren in den Optionen Standard, Superior und Ultimate abzugleichen.
Sensorfusion und ROS-Tools unterstützen Kartierung, Hindernisvermeidung und tiefenbasierte Messungen.
Visionsfunktionen umfassen Erkennung, Verfolgung, Gestenerkennung und Multi-Roboter-Formationskontrolle.
Autonome Fahrverhalten umfassen Spurhaltung, Schildererkennung, Parkroutinen und Lenkentscheidungen.
Die ROS2 Humble-Entwicklung wird mit RViz-Simulation und flexiblen Fernsteuerungsoptionen für Tests und Demos kombiniert.
Eine Explosionsansicht hebt modulare Add-ons wie die Tiefenkamera, LiDAR, optionales Display und Bordbeleuchtung hervor.
Das ROS-Robotersteuerungsboard-Bundle enthält ein 12V 6000mAh Li-Ionen-Akkupack und unterstützt optional einen 7-Zoll-HD-Touchscreen für interaktive Steuerung.
Der Lehrplan des ROSMASTER M3-Kurses legt die Videolektionen und den Lernfahrplan für ROS2 AI-Roboterprojekte fest.
Das ROSMASTER M3-Paket enthält organisierte Tutorial- und Code-Ordner, die Themen wie Chassis-Steuerung, LiDAR-Einrichtung und AI-Modellentwicklung abdecken.
Die Lernressourcen des ROSMASTER M3 skizzieren Tutorials zu großen AI-Modellen, Videos zu den Grundlagen von ROS2 und praktische Materialien zur Anleitung von Einrichtung und Entwicklung.
Yahboom bietet ROSMASTER M3 3D-Modell-Dateien und technischen Support nach dem Verkauf, um bei DIY-Modellierung und Einrichtung zu helfen.
Die Plattformoptionen des ROSMASTER M3 umfassen Ackermann-Lenkung, RGBD/USB-Kameraoptionen, ein 0,91-Zoll-OLED-Display und mehrere Steuerungsboard-Auswahlen.
Der ROSMASTER M3 verwendet ein Mecanum-Rad-Chassis mit 80 mm Rädern und bietet Optionen wie ein KI-Sprachmodul, mehrere Steuerplatinen und einen 12,6V 6000mAh Akku.
Der ROSmaster M3 verwendet ein Mecanum-Rad-Chassis mit mehreren Kamera- und Steuerplatinenoptionen sowie ein 12,6V 6000mAh Akkupack für mobile Anwendungen.
Der ROSMaster M3 PRO kombiniert ein Mecanum-Rad-Chassis mit einem 6-DOF-Roboterarm und unterstützt LiDAR, Tiefenkamera sowie Raspberry Pi oder Jetson Steuerplatinen.
Das ROSMASTER M3 Datenblatt enthält Maßzeichnungen und wichtige Details wie ROS2-Unterstützung und Python-Programmierung.
Das ROSMASTER M3 Kit enthält das Roboter-Chassis zusammen mit der Kernelektronik, Sensoren und den wesentlichen Kabeln und Zubehörteilen für die Montage.
Das Zubehörsortiment des ROSMASTER M3 umfasst LiDAR- und Tiefenkameramodule, einen 7-Zoll-Bildschirm mit Halterungen, Montagen und verschiedene Hauptsteuerplatinen-Bundles.
