ربات شش‌پای هوشمند Yahboom Muto S2 با ۱۸ درجه آزادی و بینایی مصنوعی برای Raspberry Pi 5 و Jetson NANO، دارای PTZ دو درجه آزادی و FPV

بررسی اجمالی

ربات Yahboom Muto S2 یک ربات شش‌پای 18 درجه آزادی است که برای Raspberry Pi 5 یا NVIDIA Jetson NANO به عنوان کنترلر اصلی طراحی شده است. این ربات شش‌پای بیونیک در سطح دسکتاپ با بدنه‌ای از آلیاژ آلومینیوم، 18 درجه آزادی و الگوریتم کنترل معکوس سینماتیک داخلی برای شبیه‌سازی گام‌ها است. با برنامه‌نویسی Python3 و پردازش تصویر OpenCV، از عملکردهای تعامل بصری AI مانند تشخیص رنگ، ردیابی/دنبال کردن، ردیابی چهره، تشخیص کد QR و گشت‌زنی خط بصری پشتیبانی می‌کند. روش‌های کنترل شامل اپلیکیشن موبایل، کنترل با دسته بی‌سیم و کنترل از طریق صفحه وب کامپیوتر (Jupyter Lab) با انتقال ویدئوی لحظه‌ای (FPV) است.

ویژگی‌های کلیدی

• ربات شش‌پای بصری AI: الگوریتم معکوس سینماتیک، گام بیونیک، 18DOF مفصل، تعامل بصری AI.
• مفاصل حرکتی 18DOF: از 18 سروو با عملکرد بالا و قطعات ساختاری آلیاژ آلومینیوم برای اتصال سه مفصل در هر پا استفاده می‌کند.
• سیستم سروو باس سریال هوشمند 35KG: 18 عدد سروو فلزی 35KG.
• دوربین PTZ دو بعدی: PTZ دوربین 2DOF برای برنامه‌های بینایی.
• انتقال ویدئوی بلادرنگ: اتصال از طریق شبکه محلی از طریق اپلیکیشن موبایل برای مشاهده فیلم HD به صورت بلادرنگ.
• تنظیم حرکت & وضعیت : پشتیبانی از تنظیم آزاد سرعت راه رفتن و ارتفاع بدن ربات (تنظیم ارتفاع ربات / تنظیم سرعت ربات؛ تنظیم سرعت راه رفتن: آهسته/سریع).
• حالت آموزش: کنترل دستی حرکت تک‌پا از دستگاه اصلی؛ دستگاه فرعی دیگر همان عمل را انجام می‌دهد.
• یادداشت پشتیبانی Raspberry Pi 5: “MUTO RS مجهز به برد توسعه منبع تغذیه تنظیم شده” که به Raspberry Pi 5 تطبیق داده شده است، ارائه منبع تغذیه پایدار 5.1V/5A؛ محدودیت جریان 0.6A خروجی جریان پورت USB را به 1 افزایش می‌دهد.6A (برای کمک به جلوگیری از یخ زدن/راه‌اندازی مجدد).

برای کمک در انتخاب و پشتیبانی پس از فروش، با https://rcdrone.top/ تماس بگیرید یا ایمیل بزنید [email protected].

مشخصات

مقایسه کنترل اصلی (طبق ارائه)

ربات Muto S2 دو کنترلر اصلی، Raspberry Pi 5 و Jetson NANO 4GB SUB را ارائه می‌دهد و روش‌های استفاده اساساً یکسان هستند و هر دو از سیستم Ubuntu استفاده می‌کنند. کنترل‌های اصلی مختلف فقط به طور جزئی بر روانی سیستم تأثیر می‌گذارند.مواد دوره، عملکردهای محصول و نرم‌افزار کنترل ارائه شده سازگار هستند.

فهرست عملکردها (دوره‌ها/مثال‌ها)

دوربین PTZ

• 00. کالیبراسیون مقدار HSV رنگ
• 01. شناسایی رنگ
• 02. ردیابی رنگ
• 03. دنبال کردن رنگ
• 04. گروه عملکرد شناسایی رنگ
• 05. تشخیص چهره
• 06. ردیابی چهره
• 07. خوش‌آمدگویی به افراد
• 08. شناسایی کد QR
• 09. دستورالعمل‌های کد QR
• 10. دنبال کردن خط بصری
• 11. یادگیری حرکت
• 12. آموزش همزمان عملکرد آویز

یادگیری عمیق ماشین

• 01. KNN
• 02. آموزش پایه TensorFlow
• 03. استفاده پایه از PyTorch
• 04. Yolov5 شناسایی اشیاء در زمان واقعی
• 05. ساخت محیط Jetson-inference
• 06. شناسایی اشیاء و عملکرد
• 07.کنترل حرکت بدن ربات
• 08. ربات کنترل شده با ژست

دوره Jetson NANO

• 1. درباره سیستم JetsonNano
• 2. پیکربندی شبکه و Jtop
• 3. افزایش فضای Swap
• 4. استفاده از API کتابخانه GPIO
• 5. پیکربندی کتابخانه سخت‌افزار
• 6. تابع خواندن پین
• 7. کنترل خروجی سطح پین
• 8. کنترل LED
• 9. ارتباط Jetson Nano با پورت‌های سریال دستگاه خارجی
• 10. ارتباط I2C Jetson nano

دوره کنترل از راه دور

• 1. بستن فرآیند کنترل APP
• 2. آموزش کنترل از راه دور APP موبایل
• 3. کنترل از راه دور دسته بی‌سیم USB

دوره پایه ربات

• 1. کنترل بیزر
• 2. کنترل سروو PWM
• 3. کنترل سروو باس
• 4. حرکت رو به جلو و عقب ربات
• 5.ربات حرکت به چپ و راست
• 6. ربات چرخش به چپ و راست
• 7. کنترل ارتفاع
• 8. کنترل سر
• 9. اجرای گروهی اقدامات
• 10. خواندن داده‌ها
• 11. کنترل کامپیوتر میزبان
• 12. درایور دوربین

دوره Raspberry Pi

• 1. ساخت محیط Python
• 2. Helloworld
• 3. خروجی پین سطوح بالا و پایین
• 4. خواندن سطوح بالا و پایین پین
• 5. خروجی PWM
• 6. ارتباط سریال
• 7. ارتباط I2C
• 8. ارتباط سریال
• 9. ارتباط I2C

دوره Open Source CV

• 1. مقدمه‌ای بر Open Source CV
• 2. خواندن و نمایش تصویر
• 3. نوشتن تصویر
• 4. کیفیت تصویر
• 5. عملیات پیکسل
• 6. بزرگنمایی تصویر
• 7. برش تصویر
• 8.
• 9. تصویر آینه‌ای
• 10. تبدیل آفین
• 11. چرخش تصویر
• 12. تبدیل پرسپکتیو
• 13. پردازش مقیاس خاکستری
• 14. تصویر باینری
• 15. تشخیص لبه سبز
• 16. رسم قطعه خط
• 17. رسم دایره مستطیلی
• 18. رسم متن و تصویر

ویدئو

راهنماها / آموزش‌ها

لینک آموزش (رسمی): http://www.yahboom.net/study/Muto-S2

جزئیات

یک پلتفرم بایونیک شش‌پا با 18 درجه آزادی که کنترل گام معکوس-سینماتیک را با تعامل هوش مصنوعی مبتنی بر دوربین ترکیب می‌کند.

ساخته شده برای اجرا بر روی Raspberry Pi 5 یا NVIDIA Jetson Nano برای یادگیری رباتیک، پروژه‌های بینایی و آزمایش‌های گام.

قابلیت‌های کلیدی شامل توابع بینایی مبتنی بر OpenCV، برنامه‌نویسی پایتون، کنترل WiFi و پخش ویدئوی FPV است.

انتخاب Raspberry Pi 5 یا Jetson Nano به عنوان کنترلر اصلی، با گزینه برد توسعه قدرت طراحی شده برای پایداری Pi 5.

فهرست عملکرد ساختاریافته و مسیر یادگیری شامل دید PTZ، مبانی یادگیری عمیق، و دوره‌های گام به گام برای هر دو کنترلر.

هجده سروو با گشتاور بالا سه مفصل در هر پا را برای حرکت پایدار و مفصلی هگزاپاد هدایت می‌کنند.

سینماتیک معکوس داخلی به هماهنگی مسیرهای پا برای گام‌های شبیه‌سازی شده نرم‌تر و پایدارتر کمک می‌کند.

FPV در زمان واقعی به شما امکان می‌دهد ربات را از طریق یک اپلیکیشن تلفن همراه بر روی یک شبکه محلی کنترل و نظارت کنید.

ذخیره گروه‌های عملیاتی در اپلیکیشن برای فعال‌سازی حرکات از پیش تعیین شده یا تنظیم دقیق مفاصل فردی برای ژست‌های سفارشی.

حرکات تعاملی از رفتارهای بازیگوشانه مانند سلام‌های ژستی و روال‌های حرکتی پشتیبانی می‌کنند.

دموهای حرکت واکنشی تنظیمات تعادل را در طول موانع نزدیک و حرکت دینامیک برجسته می‌کنند.

رفتارهای مبتنی بر دید می‌توانند از ردیابی و دنبال کردن برای آزمایش‌های تعاملی هوش مصنوعی پشتیبانی کنند.

دستورات سریع حالت‌های عمل رایج مانند جمع شدن و حرکت به جلو را فعال می‌کنند.

ارتفاع بدن و سرعت راه رفتن را برای مطابقت با سطوح مختلف، دموها و آزمایش‌های دسکتاپ داخلی تنظیم کنید.

حالت آموزش به یک ربات اجازه می‌دهد حرکت پای آن به صورت دستی هدایت شود و توسط واحد دوم منعکس شود.

ویژگی‌های هوش مصنوعی مبتنی بر دوربین شامل ردیابی رنگ، ردیابی چهره و شناسایی کد QR با استفاده از جریان‌های کاری OpenCV است.

دموهای عمیق‌تر هوش مصنوعی مانند تشخیص اشیاء، تخمین حالت مبتنی بر اسکلت و روال‌های کنترل حرکتی را کاوش کنید.

برنامه‌ریزی رفتارها در پایتون و تکرار سریع از لپ‌تاپ برای کنترل حرکت، پردازش تصویر و اتوماسیون.

موتو S2 از یک اپلیکیشن چندپلتفرمی iOS/Android برای کنترل از راه دور، کالیبراسیون ربات، حالت‌های عملکرد و نظارت بر داده‌ها پشتیبانی می‌کند.

موتو S2 از کنترل PC از طریق صفحه وب JupyterLab و کنترل بی‌سیم 2.4G/USB با گیم‌پد برای حرکت ربات پشتیبانی می‌کند.

کاتالوگ دوره‌های Yahboom Muto S2 شامل ماژول‌های راهنمایی شده برای مونتاژ، کنترل حرکت، ویژگی‌های بینایی OpenCV و آزمایش‌های هوش مصنوعی است.

Yahboom Muto S2 شامل منابع یادگیری سازمان‌یافته با فایل‌های دوره بینایی هوش مصنوعی و یادگیری عمیق برای راه‌اندازی و کدنویسی گام به گام است.

چیدمان شش‌پای Muto S2 شامل یک صفحه نمایش OLED، ماژول PTZ دوربین 2DOF، برد توسعه USB hub و یک پایه باتری لیتیوم بزرگ است.

موتو S2 از یک سروو باس سریال هوشمند با دامنه مفصل ۰–۲۷۰ درجه استفاده می‌کند و مشخصات فهرست شده شامل گشتاور ۳۵ کیلوگرم‌سانتی‌متر و عملکرد ۶.۰–۸.۴ ولت است.

دوربین USB HD 1080P PTZ از یک سروو 2DOF برای کنترل چرخش/کج استفاده می‌کند و از طریق USB 2.0 با میدان دید تا ۸۰–۱۲۰ درجه متصل می‌شود.

بسته باتری لیتیوم ۷.۴ ولت ۹۹۰۰ میلی‌آمپر ساعت از یک رابط شارژ DC 4.0×1.7 و سیم‌های حدود ۱۵ سانتی‌متری برای اتصال آسان استفاده می‌کند.

یاهبوم موتو S2 با یک طرح ابعادی ارائه می‌شود که نمای بالا و جلو را با اندازه‌گیری‌ها در میلی‌متر برای برنامه‌ریزی جای‌گذاری و فاصله نشان می‌دهد.

موتو S2 با یک برد کنترل اصلی Jetson Nano 4GB USB یا Raspberry Pi 5 در دسترس است، که هر دو از پایتون، مفاصل 18DOF و حدود ۳.۷ ساعت عمر باتری پشتیبانی می‌کنند.

کیت Muto S2 hexapod شامل شاسی ربات، ماژول دوربین PTZ، اجزای OLED، برد توسعه USB hub، بسته باتری، شارژر، کابل‌ها و ابزارهای پایه است، با لوازم جانبی Raspberry Pi یا Jetson Nano که به عنوان افزودنی‌ها فهرست شده‌اند.