Yahboom JetCobot 7-DOF Visueller Kollaborativer Roboterarm für Jetson Nano B01 4GB/Orin Nano SUPER/Orin NX SUPER
Yahboom JetCobot 7-DOF Visueller Kollaborativer Roboterarm für Jetson Nano B01 4GB/Orin Nano SUPER/Orin NX SUPER
Yahboom
Verfügbarkeit für Abholungen konnte nicht geladen werden
Übersicht
JetCobot ist ein 7-Achsen visueller kollaborativer Roboterarm, der ein NVIDIA Jetson Serien-Entwicklungsboard als Hauptsteuerungsboard verwendet (Jetson Nano B01 4GB / Jetson Orin Nano SUPER / Jetson Orin NX SUPER). Mit einer UR-ähnlichen Roboterkonfiguration, dem ROS-Roboterbetriebssystem und einem inversen Kinematik-Algorithmus unterstützt er Koordinatensteuerung, Bewegungsplanung, Greifen, Sortieren und verwandte Vision-Interaktionsaufgaben.
JetCobot integriert ein Roboterarm- und Kamerasystem. Es ist mit einer 0,3MP USB-Kamera (110° Sichtfeld) ausgestattet und unterstützt OpenCV-Bildverarbeitung, maschinelles Sehen und Deep-Learning-Workflows für Funktionen wie Farbinteraktion, Gesichtserkennung/-verfolgung, Etikettenerkennung, Modelltraining und Gesteninteraktion.
Hauptmerkmale
- 7-DOF-Struktur mit UR-ähnlicher Konfiguration: Glattes Gehäusedesign, großer Bewegungsbereich und versteckte Servoverkabelung (wie im Vergleichsdiagramm beschrieben).
- Inverse Kinematics + ROS-Workflow: Unterstützt Koordinatensteuerung und Bewegungsplanung.
- MoveIt + RViz-Unterstützung: Beinhaltet URDF-Kinematik-Simulationsmodell, MoveIt-Simulationssteuerung/Trajektorienplanung, Kollisionsdetektion und räumliche Greifszenarien.
- KI-Visuelle Erkennung und Zielverfolgung: Farberkennung und -verfolgung, Farbblocksortierung, Farbblockgreifen, Farbinteraktion, Gesichtserkennung und -verfolgung sowie Etikettenerkennung/intelligentes Stapeln (Apriltag-Etikettencodes).
- Tiefenlernen / Modelltraining: Unterstützt Arbeitsabläufe zur Müllklassifizierung und regionenbasierte Greifbeispiele (Regionenerkennung: Greifen und Platzieren; Regionendetektion: individuelles Greifen).
- MediaPipe-Entwicklung / KI-Interaktions-Upgrade: Gestensteuerungs-Aktionsgruppe, Gestenerkennungssteuerungs-Stack, Roboterarm-Erkennung und Handflächenverfolgung sowie Gestenhaltungskontrolle des Roboterarms.
- Mehrere Steuerungsmethoden: Unterstützt MoveIt-Simulationssteuerung, Griffsteuerung und PC-Websteuerung (Jupyter Lab-Steuerung wird ebenfalls gezeigt).
Spezifikationen
| Produkt | JetCobot KI-Visueller kollaborativer Roboterarm |
| Freiheitsgrade | 7 |
| Maximale effektive Armlänge | 270MM |
| Gelenkrotationsbereich | -153° bis 153° |
| Wiederholgenauigkeit der Positionierung | ±0,5mm |
| Kamera | 0.3MP USB-Kamera |
| Kamerablickfeld | 110° |
| Kamerabildrate (angezeigt) | 30fps |
| Visuelle Dimension (Diagramm) | Flaches 2D-Bild |
| Greifer (angezeigt) | Elektrischer Greifer |
| Greifer Öffnungs-Schließwinkel (Diagramm) | 5cm |
| Greiferbereich (angezeigt) | 20-45mm |
| Greifkraft (angezeigt) | 150g Kraft |
| Strukturtyp (Diagramm) | UR-ähnliche Roboterstruktur |
| Hauptsteuerung (Diagramm) | Jetson Nano B01 / Jetson Orin Nano SUPER / Jetson Orin NX SUPER |
| Funktion (Diagramm) | Interconnection-Kontrolle; MoveIt Bewegungsplanung; RViz Robotersimulation; 2D visuelle Interaktion |
| Sprachsteuerung (Diagramm) | / |
| Anzeige (Diagramm) | / |
Jetson Master Control Optionen (Referenzdiagramm)
| Hauptsteuerplatine | Jetson Nano B01 4GB | Jetson Orin Nano SUPER 4GB | Jetson Orin Nano SUPER 8GB | Jetson Orin NX SUPER 8GB | Jetson Orin NX SUPER 16GB |
| Rechenleistung | 0.5TFLOPS (FP16) | 34 TOPS | 67 TOPS | 117 TOPS | 157 TOPS |
| CPU | 4 Kerne Arm Cortex-A57 MPCore Prozessor | 6-Kern Arm Cortex-A78AE v8.2 64-Bit CPU; 1,5MB L2 + 4MB L3 | 6-Kern Arm Cortex-A78AE v8.2 64-Bit CPU; 1,5MB L2 + 4MB L3 | 6-Kern NVIDIA Arm Cortex-A78AE v8.2 64-Bit CPU; 1,5MB L2 + 4MB L3 | 8-Kern NVIDIA Arm Cortex-A78AE v8.2 64-Bit CPU; 2MB L2 + 4MB L3 |
| GPU | 128 Kerne NVIDIA Maxwell GPU | 512-Kern NVIDIA Ampere Architektur GPU mit 16 Tensor-Kernen | 1024-Kern NVIDIA Ampere Architektur GPU mit 32 Tensor-Kernen | 1024-Kern NVIDIA Ampere Architektur GPU mit 32 Tensor-Kernen | 1024-Kern NVIDIA Ampere Architektur GPU mit 32 Tensor-Kernen |
| Speicher | 4GB 64-Bit LPDDR4 25.6GB/s | 4GB 64-bit LPDDR5 51GB/s | 8GB 128-bit LPDDR5 102 GB/s | 8GB 128-bit LPDDR5 102 GB/s | 16GB 128-bit LPDDR5 102 GB/s |
| Speicher | 16GB eMMC + 64GB U-Disk | 256GB SSD | |||
| Leistung | 5W - 10W | 7W, 10W, 25W | 7W, 15W, 25W | 10W, 15W, 25W, 40W | |
| ROS-Systemversion | Ubuntu18.04 + ROS1 Melodic | Ubuntu22.04 LTS + ROS2 Humble | |||
Die Tabelle zeigt auch, dass die Verwendungsmethoden mehrerer Jetson-Serien-Steuerplatinen im Wesentlichen gleich sind; verschiedene Steuerplatinen beeinflussen hauptsächlich die Leistung von JetCobot.
Gemessene Funktion/Leistungsunterschied (Referenzdiagramm)
| Artikel |
Jetson Nano Version Programmstartzeit / Programmlaufzeit-Bildrate |
Jetson Orin Nano SUPER 8GB Version Programmstartzeit / Programmlaufzeit-Bildrate |
Jetson Orin NX SUPER 16GB Version Programmstartzeit / Programmlaufzeit-Bildrate |
| Roboterstart | 43s Roboterarm-Initialisierung abgeschlossen / / | 38s Roboterarm-Initialisierung abgeschlossen / / | 37s Roboterarm-Initialisierung abgeschlossen / / |
| Grundlegende visuelle Funktion (Farberkennung) | 6s / 12s | 5s / 30fps | 4s / 30fps |
| Yolov5 Müllklassifikation | 31s / 6s | 17s / 30fps | 16s / 30fps |
| Mediapipe-Gesichtserkennung | 13s / 30s | 8s / 30fps-40fps | 7s / 30fps-50fps |
| Farbblockverfolgung | 10s / 30s | 7s / 30fps | 5s / 30fps |
| Apriltag-Code-Erkennung | 5s / 25s | 3s / 30fps | 3s / 30fps |
| RVIZ-Simulationsmodellierung | 16s / 31s | 9s / 31fps | 7s / 31fps |
Hinweise, die mit dem Diagramm angezeigt werden: JetCobot ist nicht mit Docker-Container-Technologie konfiguriert; es verwendet eine offizielle native Bildkonfigurationsfunktion, um die Gesamtleistung des Motherboards voll auszuschöpfen.Die Daten stammen aus einem tatsächlichen Yahboom-Labortest; die Leistung von Jetson Orin Nano SUPER 4GB und 8GB ist ähnlich, und die Leistung von Jetson Orin NX SUPER 8GB und 16GB ist vergleichbar.
Was ist enthalten
- myCobot280 7-DOF kollaborativer Roboterarm (JetCobot)
- Elektrischer Greifer
- USB-Kamera
- Jetson Hauptsteuerung (Jetson Nano B01 / Jetson Orin Nano SUPER / Jetson Orin NX SUPER, je nach Version)
- OLED-Bildschirm (aufgeführt in der Versandliste)
- Zubehör (wie in der Versandliste aufgeführt)
Anwendungen
- ROS-Lernen, Kinematik und Bewegungsplanung (MoveIt / RViz)
- Maschinelles Sehen und OpenCV-basierte Interaktionsexperimente
- KI-Interaktionsdemos: Farbverfolgung, Etikettenerkennung (Apriltag), Gestenerkennung und Modelltrainings-Workflows
- Desktop-Greifen, Sortieren und grundlegende koordinatenbasierte Pick-and-Place-Aufgaben
Handbücher / Dokumentation
- Anleitungen: https://www.yahboom.net/study/JetCobot
Für Hilfe bei der Vorauswahl oder Unterstützung nach dem Kauf kontaktieren Sie https://rcdrone.top/ oder senden Sie eine E-Mail an [email protected].
Details
Vergleichen Sie JetCobot mit anderen ROS-Master-Control-Optionen, um die richtige Plattform für Ihre Anwendung zu wählen.
Mehrere Yahboom-Armplattformen teilen einen ähnlichen ROS-Workflow, während sich Hardware- und Vision-Optionen je nach Modell unterscheiden.
Tiefenkamera-Konfigurationen unterstützen 3D-Vision-Aufgaben wie distanzbewusstes Tracking und Interaktion.
JetCobot konzentriert sich auf eine 7-DOF UR-ähnliche Struktur mit millimetergenauer Wiederholgenauigkeit für koordinierte Bewegungsaufgaben.
Yahboom JetCobot ist ein Desktop-7-DOF-Visuelles-Kollaboratives-Roboterarm, der auf NVIDIA Jetson-Steuerplatinen basiert.
Ein vollständiger Software-Stack unterstützt ROS-Steuerung, MoveIt-Planung, RViz-Visualisierung und OpenCV-basierte Vision.
Wählen Sie Jetson Nano B01, Orin Nano SUPER oder Orin NX SUPER basierend auf der benötigten Rechenleistung für Ihre KI-Pipeline.
Ein klarer Jetson-Vergleich hilft dabei, CPU/GPU und Speicherkapazität an ROS- und Vision-Workloads anzupassen.
Die Leistung variiert je nach Jetson-Controller, während der Funktionsumfang des JetCobot und die Kursbeispiele konsistent bleiben.
Die UR-ähnliche Konfiguration bietet einen großen Bewegungsbereich mit einem saubereren Aufbau für den Einsatz im Klassenzimmer und Labor.
Ein 7-DOF-Layout verbessert die Flexibilität für Positionierung, Greifen und Pfadplanung in engen Arbeitsbereichen.
Eine integrierte USB-Kamera ermöglicht visuelle Pick- und Sortier-Workflows ohne komplexe externe Kamera-Setups.
Eingebaute Demos decken Farberkennung, Blocksortierung, tag-basiertes Stapeln und tracking-basierte Interaktion ab.
Nutzen Sie Deep-Learning-Modelltraining und MediaPipe-Gestenerkennung, um reaktionsfähigere Pick-and-Place-Aufgaben zu erstellen.
MoveIt- und URDF-Modelle unterstützen Simulation, Trajektorienplanung und Kollisionsprüfung, bevor sie auf der Hardware ausgeführt werden.
Steuern Sie JetCobot über eine browserbasierte Jupyter-Umgebung oder ein USB-Gamepad für schnelle Tests und Demos.
Inverse Kinematik ermöglicht die Koordinateneingabe für wiederholbare Positionierung und konsistente Endeffektororientierung.
Sieben Gelenke (J1–J7) bieten zusätzliche Flexibilität für Bewegungsplanung und koordiniertes Greifen.
JetCobot bietet eine maximale effektive Armspannweite von 270 mm (ohne Greifer), mit J1-Basisrotation von ±153° und ±0,5 mm Wiederholgenauigkeit.
JetCobot basiert auf dem ROS Robot Operating System und ist mit ROS2 Humble und ROS1 Melodic kompatibel.
Die MoveIt-Simulationsunterstützung ermöglicht es, den JetCobot-Roboterarm in einer virtuellen Umgebung zu testen und zu steuern, bevor er auf der Hardware ausgeführt wird.
Das JetCobot-Arm-Kit kombiniert einen Greifer, eine USB-HD-Kamera, einen OLED-Bildschirm und eine Saugnapfbasis für stabile Desktop-Setups.
Der JetCobot-Arm kombiniert eine USB-HD-Kamera (480p, 30 fps, 110° Sichtfeld) mit einem kompakten elektrischen Greifer für visuell geführte Pick-and-Place-Aufgaben.
Der JetCobot-Lehrplan umfasst Einrichtung und Montage, ROS/Ubuntu-Grundlagen, SLAM-Mapping, KI-Vision mit MediaPipe sowie Übungen zum visuellen Tracking und Greifen.
JetCobot-Tutorialmaterialien beinhalten organisierte Download-Ordner und Kursinhalte wie KI-Visuelle Grundlagen und Mediapipe, mit einem Studienlink unter yahboom.net/study/JetCobot.
JetCobot-Lernressourcen umfassen Kurse zu KI-Visuellem Tracking und Greifen, MoveIt-Tutorials, ROS2-Grundlagen und offenen Python-Quellcode.
Die Abmessungen des JetCobot mit Greifer werden in Millimetern angegeben, um die Planung des Montageplatzes und des gesamten Armfreiraums zu erleichtern.
JetCobot unterstützt Python-Programmierung mit ROS-Optionen für Jetson Nano B01 und Jetson Orin Nano/NX, plus eine Fixfokus-0,3MP-Kamera (480P, 30fps, 110° Weitwinkel).
Das JetCobot-Kit enthält den Greifer, die USB-Kamera, Chassiskomponenten, Netzadapter und Verkabelung, mit optionalen Jetson Nano/Orin-Zubehörteilen aufgelistet.
Related Collections
