Yahboom Muto RS 18DOF ROS2 Hexapod Robotik-Kit mit KI-Großmodell, LiDAR & Tiefenkamera für Raspberry Pi 5

Überblick

Der Yahboom Muto RS ist ein Desktop-Level AI Großmodell bionischer Hexapod-Roboter, der auf dem ROS2-Betriebssystem basiert und für die Arbeit mit Raspberry Pi (einschließlich Raspberry Pi 5 Optionen) entwickelt wurde. Er verwendet einen Ganzaluminiumlegierungskörper und eine 18 DOF Gelenkstruktur, die von 18PCS 35KG seriellen Bus-Servos angetrieben wird, und integriert Sensoren wie eine Tiefenkamera und LiDAR sowie ein Sprachinteraktionsmodul. Mit Python3-Programmierung und eingebauten Algorithmen (einschließlich inverser Kinematik) unterstützt er AI-Visuelle Interaktion, SLAM-Kartierung/Navigation, Sprachinteraktion, Deep Learning und RViz-Simulation für ROS-Entwicklung und Bildung.

Hauptmerkmale

• 18 DOF Bewegungs-Gelenke mit Aluminiumlegierung-Strukturteilen; drei Gelenke pro Bein; 18 Hochleistungsservos.
• 18PCS 35KG Metall-Serienbus-Servos für stabile, koordinierte Bewegungssteuerung.
• Präzisionssteuerung des inversen Kinematik-Algorithmus; unterstützt dreieckigen Gang und einstellbare Schritthäufigkeit.
• Bewegungsanpassbarkeit: X/Y-Translation, 360°-Selbstrotation, Höhenanpassung des Körpers, Haltungsüberlagerung (Gehen mit hoher/mittlerer/niedriger Haltung) und einstellbare Gehgeschwindigkeit (lineare Geschwindigkeit, Winkelgeschwindigkeit, Höhe, Schritthöhe, Schrittlänge).
• Integration eines multimodalen KI-Großmodells: skalierbare RAG-Wissensdatenbank, dual-modale dynamische Feedback-Reasoning-Architektur, Textsemantik-Verständnis und natürlicher Sprachdialog.
• Tiefenkamera + visuelle Erkennung: Hinderniserkennung durch Tiefenkamera, 3D-Echtzeitkartierung, Tiefenabstandsmessung und 3D-Punktwolken-Erkennung.
• LiDAR-basierte Umgebungswahrnehmung: 360° omnidirektionales Erkennen, Kartierung und Navigation, Pfadplanung, dynamische Hindernisvermeidung, Mehrpunktnavigation und Straßennetzplanung.
• Unterstützte Frameworks/Algorithmen (aufgelistet): MediaPipe, OpenCV; Gmapping, Cartographer; slam_toolbox; Radar-Odometer RF2O; DWA-Pfadplanung.
• AI-Visuelle Interaktionsfunktionen (aufgelistet): KCF-Objektverfolgung, Farbverfolgung, QR-Code-Befehlssteuerung, visuelle Linienverfolgung.
• Sprachinteraktive Steuerung: Sprachbefehle können den Bewegungszustand steuern; unterstützt Funktionen wie Farbverfolgung, Farberkennung und visuelle Linienpatrouille.
• Plattformübergreifende Steuerung: iOS/Android-Fernsteuerungs-App, iOS/Android-Kartierungs-Navigations-App, PC-Host-Computersteuerung und 2.4G/USB-Wireless-Handle-Steuerung.
• FPV-Echtzeit-Videoübertragung: Verbindung zu einem lokalen Netzwerk über die mobile App, um Echtzeit-HD-Videos zu sehen, die vom Roboter aufgenommen wurden.
• Multi-Maschinen-Interkonnektionssteuerung: unterstützt die gleichzeitige Navigation mehrerer Roboter mit dynamischer Hindernisvermeidung auf derselben Karte und die synchrone Steuerung über einen einzigen Host-Computer.
• Lehrmodus: manuelle Einzelbeinbewegung am Host-Roboter kann von einem Slave-Roboter, der die gleiche Aktion ausführt, gespiegelt werden.
• Lernressourcen: „200+ Kursbeispiele“ werden referenziert; begleitende ROS-Kurse und Anwendungsbeispiele für große KI-Sprachmodelle werden beschrieben (Tutorial-URL aus Compliance-Gründen entfernt).

Für Hilfe bei der Vorauswahl oder Unterstützung bei der Einrichtung kontaktieren Sie https://rcdrone.top/ oder senden Sie eine E-Mail an [email protected] .

Spezifikationen

Konfigurationsunterschiede (wie aufgeführt)

Raspberry Pi 5 (Informationen angezeigt)

Anwendungen

• ROS2 Lernen und Entwicklung für mehrbeinige (Hexapod) Fortbewegung und inverse Kinematik.
• SLAM-Kartierung/Navigations-Experimente: Einzelpunkt- und Mehrpunkt-Navigation, Straßennetzplanung und dynamische Hindernisvermeidung.
• Computer Vision und Wahrnehmungsprojekte mit Tiefenkamera und KI-Visuellerkennung (OpenCV / MediaPipe referenziert).
• Sprachinteraktion und multimodale Großmodell-Demonstrationen (Text-/Sprach-/Visuelle Integration referenziert).
• Synchronisationssteuerung für mehrere Roboter und Navigation für mehrere Roboter (Mehrmaschinen-Verbindungssteuerung referenziert).

Handbücher

Schulungsressourcen sind für dieses Produkt referenziert (Hersteller-Studienseite in Quelle erwähnt; externe URL aus Compliance-Gründen entfernt).

Details

Auf ROS2 für Raspberry Pi aufgebaut, vereint Muto RS 18-DOF-Hexapod-Mobilität mit KI-Wahrnehmung für Desktop-Robotik-Lernen.

Von SLAM-Kartierung und -Navigation bis hin zu Vision- und Sprachinteraktion ist die Plattform als All-in-One-ROS2-Entwicklungskit konzipiert.

Multimodale KI-Workflows paaren sich mit Konzepten der Straßennetzplanung, um Forschungsdemos und Unterricht zu unterstützen.

Wählen Sie eine Konfiguration, die Ihren Controller- und Sensoranforderungen entspricht, mit Optionen, die sich auf Raspberry Pi Compute konzentrieren.

Text-, Sprach- und Vision-Modelle können integriert werden, um verkörperte Intelligenzverhalten in Python und ROS2 zu entwickeln.

Verwenden Sie hochrangige Befehle für Bewegungs-, Wahrnehmungs-Q&A, Zielverfolgungs- und autonome Navigationsaufgaben.

SLAM-basierte Wahrnehmung unterstützt Mehrpunktnavigation und Zielsuchverhalten in kartierten Umgebungen.

Höherstufige Interaktionsdemos umfassen Intentionsverständnis, Imitationslernverhalten und Umwelterkundung.

Eingebaute ROS2-Pakete verbinden LiDAR- und Tiefenkameradaten für Kartierung, Punktwolken und Hinderniserkennung.

Visionsalgorithmen und Sprachbefehle ermöglichen freihändige Steuerung, mit Unterstützung für Funktionen zur Koordination mehrerer Roboter.

Der Lehrmodus und ein vollständiges 18-DOF-Gelenk-Layout erleichtern das Demonstrieren von Gangarten und koordinierter Beinbewegung.

Inverse Kinematik und Gangplanung helfen, Haltung und Schrittlängeneinstellungen in stabile Hexapodenbewegungen zu übersetzen.

Passen Sie die Körperhöhe, den Stand und die Gehgeschwindigkeit an, um verschiedenen Oberflächen, Demos und Navigationsszenarien gerecht zu werden.

FPV-Video und Aktionsnachahmungsverhalten machen Demos interaktiver für Labore, Clubs und Präsentationen.

Programmieren Sie in Python und steuern Sie den Roboter je nach Setup von mobilen Apps, einem PC-Host oder einem drahtlosen Griff.

Entwickeln und testen Sie in der RViz-Simulation, dann implementieren Sie es im ROS2-Stack für wiederholbare Robotik-Experimente.

Yahboom Muto RS ROS2 Lernmaterialien decken KI-Vison, Mediapipe, Straßennetznavigation und ROS2-Grundlagen Video-Tutorials ab.

Der Muto RS Hexapod verwendet einen modularen Stack mit Komponenten wie Lidar, einer Tiefenkamera, einem Raspberry Pi-Controller und seriellen Bus-Servos für koordinierte Beinbewegungen.

Orbbec Astra Pro Plus Tiefensensorik und ein 2D LiDAR SLAM-Modul liefern Tiefen- und Kartierungseingaben für ROS2-Robotikprojekte.

Das Kit enthält ein KI-Sprachmodul mit einem kabelgebundenen Lautsprecher sowie ein 7,4V 9900mAh Lithium-Batteriepack für die Stromversorgung an Bord.

Der Yahboom Muto RS ROS2 Hexapod enthält eine Multi-View-mm-Dimensionsreferenz, um bei der Planung von Montageabständen und Platzierung zu helfen.

Die Packliste enthält das zusammengebaute MUTO-Roboterchassis sowie optionale Add-ons wie einen Raspberry Pi 5, SLAM Lidar und Tiefenkamera, zusammen mit Strom- und Audiozubehör.