بازوی رباتیک DOFBOT Pro با ۶ درجه آزادی و بینایی سهبعدی عمقی برای Jetson Nano 4GB / Orin Nano SUPER / Orin NX SUPER
بازوی رباتیک DOFBOT Pro با ۶ درجه آزادی و بینایی سهبعدی عمقی برای Jetson Nano 4GB / Orin Nano SUPER / Orin NX SUPER
Yahboom
در دسترس بودن پیکاپ بارگیری نشد
بررسی اجمالی
DOFBOT PRO یک بازوی رباتیک با دید 3D AI در سطح دسکتاپ طراحی شده برای آموزش و توسعه ROS است. این دستگاه ساختار مفصل حرکتی 6-DOF، یک دوربین عمق 3D و بردهای کنترل سری NVIDIA Jetson را ترکیب میکند تا کنترل حرکات پیچیده را از طریق ROS، کینماتیک پیشرفته/معکوس و ادراک بصری برای شناسایی، ردیابی و گرفتن در فضای 3D ساده کند.
ویدیوها
ویژگیهای کلیدی
- سازگاری با پلتفرم Jetson: سازگار با بردهای کنترل Jetson Nano 4GB / Jetson Orin Nano SUPER / Jetson Orin NX SUPER؛ آموزش مدل با شتابدهنده GPU و توسعه Python پشتیبانی میشود.
- شناسایی ابر نقطهای عمق 3D: تشخیص ادغام RGB + عمق (RGB+D) برای وظایف موقعیتیابی، ردیابی و گرفتن در 3D.
- برنامهریزی و شبیهسازی حرکتی ROS: از برنامهریزی حرکتی MoveIt و شبیهسازی ربات RViz پشتیبانی میکند؛ از تعامل بصری 2D و 3D پشتیبانی میکند.
- ساختار آلومینیومی 6-DOF: بدنه آلومینیومی با دقت ماشینکاری شده؛ سرووهای با دقت بالا برای حرکت چندمحوری نرم.
- کنترل چندسکویی: پشتیبانی از کنترل اپلیکیشن (اندروید/iOS)، کنترل بیسیم دسته و کنترل صفحه وب PC.
- مفاهیم چندمدلی / مدل بزرگ (طبق ارائه): مدل زبان بزرگ، مدل گفتار بزرگ، مدل بصری بزرگ؛ شامل پایگاه دانش RAG مقیاسپذیر و توصیفهای "معماری استدلال دینامیک دوگانه مدالی".
- چارچوبهای الگوریتمی لیست شده: الگوریتم کینماتیک معکوس، YOLOv11، OpenCV، MediaPipe.
برای انتخاب محصول و پشتیبانی فنی، با https://rcdrone.top/ تماس بگیرید یا به ایمیل [email protected] . پیام دهید.
مشخصات
DOFBOT-PRO (سیستم بازوی رباتیک)
| کنترلر اصلی | Jetson Nano B01 / Jetson Orin Nano SUPER / Jetson Orin NX SUPER |
|---|---|
| درجه آزادی | 6 |
| دامنه بازو | 350mm |
| باز و بسته شدن گیره | 6cm |
| دقت موقعیتیابی تکرارپذیر | ±0.5mm |
| نوع ساختار | ساختار بازوی رباتیک سنتی |
| دوربین | DABAI DCW2 دوربین عمق |
| ابعاد بصری | تصویر 3D با اطلاعات فاصله عمق |
| صدا | ماژول صدای مدل بزرگ AI + بلندگو |
| نمایشگر | 10.1-inch display |
| عملکرد | کنترل ارتباطات؛ برنامهریزی حرکتی MoveIt؛ شبیهسازی ربات RViz؛ تعامل بصری 2D؛ تعامل بصری 3D؛ مدل بزرگ AI |
| موقعیتیابی (همانطور که توصیف شده است) | AI جاسازی شده / مدل بزرگ AI / بازوی رباتیک بصری عمق 3D |
پیکربندیهای بازوی رباتیک ROS (همانطور که فهرست شده است)
| نسخه | نسخه استاندارد | نسخه نهایی |
|---|---|---|
| بردهای کنترل | Jetson Nano B01; Jetson Orin Nano SUPER 4GB/8GB; Jetson Orin Nano SUPER 8GB/16GB | Jetson Nano B01; Jetson Orin Nano SUPER 4GB/8GB; Jetson Orin Nano SUPER 8GB/16GB |
| ماژول صوتی | تمام نسخهها شامل ماژول صوتی مدل بزرگ AI هستند | |
| دوربین عمق | DABAI DCW2 دوربین عمق | |
| نمایشگر | / | اچ دی 10.1-inch touch screen |
توصیههای انتخاب کنترلر (مشخصات برد Jetson نشان داده شده است)
| مورد | Jetson Nano B01 4GB | Jetson Orin Nano SUPER 4GB | Jetson Orin Nano SUPER 8GB | Jetson Orin NX SUPER 8GB | Jetson Orin NX SUPER 16GB |
|---|---|---|---|---|---|
| قدرت محاسباتی | 0.5TFLOPS (FP16) | 34 TOPS | 67 TOPS | 117 TOPS | 157 TOPS |
| CPU | پردازنده چهار هستهای Arm Cortex-A57 MPCore | پردازنده 6 هستهای Arm Cortex-A78AE v8.2 64-bit; 1.5MB L2 + 4MB L3 | پردازنده 6 هستهای Arm Cortex-A78AE v8.2 64-bit; 1.5MB L2 + 4MB L3 | پردازنده 6 هستهای NVIDIA Arm Cortex A78AE v8.2 64-bit; 1.5MB L2 + 4MB L3 | پردازنده 8 هستهای NVIDIA Arm Cortex A78AE v8.2 پردازنده 64 بیتی؛ 2MB L2 + 4MB L3 |
| واحد پردازش گرافیکی | واحد پردازش گرافیکی 128 هستهای NVIDIA Maxwell | واحد پردازش گرافیکی 512 هستهای معماری NVIDIA Ampere با 16 هسته تنسور | واحد پردازش گرافیکی 1024 هستهای معماری NVIDIA Ampere با 32 هسته تنسور | واحد پردازش گرافیکی 1024 هستهای معماری NVIDIA Ampere با 32 هسته تنسور | واحد پردازش گرافیکی 1024 هستهای معماری NVIDIA Ampere با 32 هسته تنسور |
| حافظه | 4GB 64 بیتی LPDDR4; 25.6GB/s | 4GB 64-bit LPDDR5; 51GB/s | 8GB 128-bit LPDDR5; 102GB/s | 8GB 128-bit LPDDR5; 102GB/s | 16GB 128-bit LPDDR5; 102GB/s |
| ذخیرهسازی | 16GB eMMC + 64GB U disk | 256GB SSD | |||
| قدرت | 5W - 10W | 7W , 10W , 25W | 7W , 15W , 25W | 10W , 15W , 25W , 40W | 10W , 15W , 25W , 40W |
| نسخه سیستم ROS | Ubuntu18.04 + Docker + ROS2 Humble | Ubuntu22.04 LTS + ROS2 Humble | |||
تفاوت عملکرد تابع (نتایج اندازهگیری شده نشان داده شده)
| نسخه | Jetson Nano B01 4GB | Jetson Orin Nano SUPER 8GB | Jetson Orin NX SUPER 16GB |
|---|---|---|---|
| راهاندازی ربات (زمان شروع برنامه) | 62ثانیه | 49ثانیه | 48ثانیه |
| ردیابی صورت 2D (زمان شروع برنامه / فریم در حال اجرای برنامه) | 4ثانیه / 10fps | 7ثانیه / 30fps | 7ثانیه / 30fps |
| شناسایی حرکات دست 2D (زمان شروع برنامه / فریم در حال اجرای برنامه) | 7ثانیه / 6fps | 6ثانیه / 30fps | 6ثانیه / 30fps |
| شناسایی مسیر نوک انگشت 2D (زمان شروع برنامه / فریم در حال اجرای برنامه) | 10ثانیه / 5fps | 7ثانیه / 30fps | 6ثانیه / 30fps |
| MoveIt (زمان شروع برنامه / فریم در حال اجرای برنامه) | 45ثانیه / 6فریم در ثانیه | 43ثانیه / 30فریم در ثانیه | 38ثانیه / 30فریم در ثانیه |
| شناسایی و جداسازی زباله 3D-Yolo (زمان شروع برنامه / فریم در حال اجرای برنامه) | 64ثانیه / 5فریم در ثانیه | 9ثانیه / 30فریم در ثانیه | 6ثانیه / 30فریم در ثانیه |
| جداسازی فاصله کد ماشین حرکتی 3D-Mediapipe (زمان شروع برنامه / فریم در حال اجرای برنامه) | 9ثانیه / 6فریم در ثانیه | 5ثانیه / 14فریم در ثانیه | 3ثانیه / 15فریم در ثانیه |
| ردیابی 3D برای گرفتن بلوکهای رنگی (زمان شروع برنامه / فریم در حال اجرای برنامه) | 8ثانیه / 10فریم در ثانیه | 4ثانیه / 14فریم در ثانیه | 2ثانیه / 15فریم در ثانیه |
| مدل بزرگ AI برای جداسازی اشیاء (زمان شروع برنامه / فریم در حال اجرای برنامه) | 40ثانیه / 5فریم در ثانیه | 25ثانیه / 30فریم در ثانیه | 20ثانیه / 30فریم در ثانیه |
برنامهها
- تشخیص و گرفتن با دید 3D؛ ادراک فضایی؛ ردیابی اشیاء؛ جداسازی 3D
- اندازهگیری عمق (اندازهگیری فاصله)، شناسایی شکل، اندازهگیری ارتفاع، اندازهگیری حجم
- موقعیتیابی و ردیابی دید عمق؛ ردیابی و گرفتن فضایی 3D؛ شناسایی ابر نقطهای 3D
- تعامل بصری مبتنی بر هوش مصنوعی: جداسازی و مدیریت هوشمند، شناسایی رنگ، ردیابی دینامیک، جداسازی زباله، ردیابی، گرفتن
- جریانهای چندرسانهای توصیف شده: تحلیل ویدئو، کنترل حرکت با فرمانهای طولانی، جداسازی ارتفاع غیرعادی، استنتاج نیت (پایگاه دانش RAG)، الگوریتم ردیابی شی KCF، وظایف شناسایی مبتنی بر YOLOv11
ابعاد نمونه اشیاء برای نمایش اندازهگیریهای حجمی نشان داده شده است: مکعب 30*30*30mm، سیلندر 30*30*30mm، سیلندر 30*30*60mm.نمونههای پوشش فاصله نشان داده شده شامل 240.0mm و 190.0mm.
راهنماها
لینک آموزش: http://www.yahboom.net/study/DOFBOT-Pro
جزئیات
مقایسه گزینههای محبوب بازوی رباتیک دسکتاپ در یک نگاه، شامل درجات آزادی، دسترسی، دامنه گیره و پلتفرمهای کنترل.
یک نمای سریع از مشخصات به انتخاب مدل مناسب برای یادگیری ROS، شبیهسازی و وظایف بینایی پایه کمک میکند.
DOFBOT-PRO یک بازوی 6-DOF، حسگر عمق RGB+D و سازگاری با Jetson را برای درک سهبعدی و توسعه گرفتن ترکیب میکند.
جزئیات پیکربندی جایگزین برای کاربرانی که به ساختار بازوی متفاوت و تنظیم دوربین نیاز دارند ارائه شده است.
ساخته شده برای آموزش و توسعه ROS، این کیت یک بازوی 6-DOF جمع و جور را با بینایی عمق و یک تنظیم دسکتاپ یکپارچه ترکیب میکند.
طراحی شده برای برنامهریزی حرکت و جریانهای ادراکی مانند سینماتیک، شناسایی هدف، ردیابی و گرفتن در فضای 3D.
ماژولهای کلیدی شامل درک عمق، مفاهیم تعامل هوش مصنوعی و چارچوبهای نرمافزاری مورد استفاده در خطوط لوله رباتیک رایج هستند.
نکات برجسته سختافزاری و نرمافزاری خلاصهای از آنچه برای ساخت دموهای بینایی + ROS و آزمایشهای کلاسی گنجانده شده است را ارائه میدهد.
گزینههای متعدد برد Jetson به مقیاسپذیری از پروتوتایپهای سطح ابتدایی تا بارهای کاری هوش مصنوعی با عملکرد بالاتر کمک میکند.
از ماتریس پیکربندی برای مطابقت دادن برد کنترلر و مجموعه ویژگیها با الزامات پروژه ROS خود استفاده کنید.
بینایی عمق درک فاصلهمحور را برای موقعیتیابی، شناسایی و برنامهریزی گرفتن قابلاعتمادتر نسبت به 2D به تنهایی اضافه میکند.
کالیبراسیون دوربین-بازو از وظایفی مانند شناسایی ابرنقطه و اندازهگیری مبتنی بر عمق برای تعامل در فضای 3D پشتیبانی میکند.
مفاهیم تعامل چندرسانهای شامل قابلیتهای متن، صدا و بینایی برای ساخت جریانهای کاری غنیتر انسان-ربات است.
نمونههای کاربردی بر روی رفتارهای مرتبسازی و مدیریت تمرکز دارند که ادراک را با کنترل مبتنی بر فرمان ترکیب میکنند.
نمایشهای عملی وظایف ردیابی، مرتبسازی و انتخاب عمل را که حول منطق بینایی و تعامل ساخته شدهاند، به نمایش میگذارند.
فعالیتهای چالشمحور تعاملی سناریوهای قابل دسترسی برای آزمایش ادراک، استدلال و حلقههای کنترل فراهم میکنند.
نمونههای شناسایی بینایی شامل ردیابی مبتنی بر رنگ، مرتبسازی بلوک، بازیهای تعاملی و انباشتن مبتنی بر برچسب است.
یادداشتهای آموزشی و منحنیهای عملکرد جهتگیری شامل روند یادگیری عمیق برای وظایف شناسایی اشیاء را ترسیم میکنند.
DOFBOT Pro از تعامل حرکتی مبتنی بر MediaPipe، کینماتیک جلو/عکس و کنترل شبیهسازی MoveIt برای راهاندازی و توسعه جریان کار پشتیبانی میکند.
DOFBOT Pro از شبیهسازی کینماتیک MoveIt با برنامهریزی مسیر، تشخیص برخورد و جریان کار ROS/ROS2 (Humble) برای کنترل حرکت پشتیبانی میکند.
DOFBOT Pro از کنترل اپلیکیشن، کنترل وب و یک ریموت بیسیم USB پشتیبانی میکند، با یک چیدمان مفصل 6-DOF که با نامهای J1–J6 برای راهاندازی دقیق و برنامهریزی حرکت برچسبگذاری شده است.
بازوی رباتیک 6-DOF DOFBOT Pro یک برد کنترل مبتنی بر Jetson را با یک دوربین عمق DaBai DCW2 و سرووهای هوشمند باس سری برای پروژههای حرکتی هدایتشده با بینایی ترکیب میکند.
راهاندازی DOFBOT Pro شامل یک چیدمان برد گسترش بازوی رباتیک است و از افزودنیهایی مانند ماژول صوتی و یک صفحه نمایش لمسی 10.1 اینچی برای کنترل پشتیبانی میکند.
طرح دوره DOFBOT-PRO جزئیات ماژولهای آموزشی و اهداف یادگیری را برای کمک به برنامهریزی مراحل راهاندازی و توسعه تجزیه میکند.
DOFBOT Pro شامل کد منبع باز سازماندهی شده و پوشههای آموزشی گام به گام است که شامل ردیابی بصری 2D/3D، جداسازی و گرفتن، و جریانهای کاری دوربین عمق میباشد.
DOFBOT Pro شامل ویدیوهای آموزشی قابل دانلود، مواد آموزشی ROS2، یک فایل مدل 3D و کد پایتون منبع باز برای توسعه بر روی بردهای Jetson است.
نقشههای ابعادی و یک نمای کلی از مشخصات به شما کمک میکند تا فضای نصب و یکپارچهسازی سیستم برای بازوی رباتیک DOFBOT Pro 6-DOF را برنامهریزی کنید.
کیت DOFBOT Pro شامل بازوی رباتیک با مجموعهای از لوازم جانبی استاندارد مانند سختافزار کنترلر، کابلهای برق و داده، و ابزارهای پایه برای مونتاژ و راهاندازی است.
Related Collections
