یاهبوم ROSMASTER M3 Pro ربات ROS2 با عامل هوش مصنوعی OpenClaw، دو لیدار TOF، بازوی ۶ درجه آزادی و مکانوم SLAM
یاهبوم ROSMASTER M3 Pro ربات ROS2 با عامل هوش مصنوعی OpenClaw، دو لیدار TOF، بازوی ۶ درجه آزادی و مکانوم SLAM
Yahboom
در دسترس بودن پیکاپ بارگیری نشد
بررسی اجمالی
ROSMASTER M3 Pro یک پلتفرم ربات ROS2 توسط Yahboom برای آموزش ROS، آزمایشهای تحقیقاتی علمی و آموزش کاربردهای هوش مصنوعی است. این پلتفرم از یک شاسی چرخ مکانوم با تعلیق پاندولی برای حرکت همهجهته استفاده میکند و بر روی ROS2 Humble توسعه یافته است. این پلتفرم یک بازوی رباتیک 6DOF، یک دوربین عمق ساختار یافته دوچشمی برای یکپارچهسازی دید سهبعدی دست و چشم، و دو LiDAR TOF برای نقشهبرداری SLAM همهجهته، ناوبری خودکار، اجتناب از موانع و برنامهریزی مسیر را ادغام میکند. همچنین از تعامل مدل بزرگ هوش مصنوعی چندوجهی (متن/تصویر/صدا) با تشخیص گفتار و درک زبان طبیعی برای برنامهریزی و اجرای وظایف پشتیبانی میکند.
ویژگیهای کلیدی
- استقرار عامل هوش مصنوعی OpenClaw (با آموزش استقرار و استفاده). توجه: استقرار OpenClaw بر روی نسخه Jetson Nano B01 پشتیبانی نمیشود.
- قابلیتهای مدل بزرگ چندوجهی تعبیهشده: پایگاه دانش RAG قابل توسعه، مدل زبان بزرگ بصری، مدل زبان بزرگ متنی، معماری استدلال دو مدلی، و استدلال بازخورد پویا.
- ادغام ابر نقطهای LiDAR دوگانه TOF: درک همهجانبه 360 درجه بدون نقاط کور؛ نقشهبرداری ناوبری/برنامهریزی شبکه جادهای؛ برنامهریزی مسیر و ناوبری چند نقطهای.
- برنامهریزی شبکه جادهای: ایجاد، ویرایش و مدیریت شبکههای مسیری که از نقاط و خطوط اتصال تشکیل شدهاند؛ پشتیبانی از انتخاب کوتاهترین مسیر در شبکههای مسیری به سبک سندباکس.
- بازوی رباتیک بصری 6DOF 3D: گرفتن، مرتبسازی و حمل و نقل در فضای سهبعدی؛ شناسایی ابر نقطهای سهبعدی؛ موقعیتیابی و ردیابی هدف؛ محاسبه فاصله/حجم؛ نقشهبرداری صحنه واقعی سهبعدی.
- کاربردهای فناوری دید عمیق: YOLOv26 / Transformer، MediaPipe / OpenCV، ناوبری بازتعیین موقعیت بصری، تقسیمبندی ابر نقطهای بلادرنگ PCL.
- ماژول صدای مدل بزرگ AI داخلی و بلندگو: پشتیبانی از تبدیل همزمان بین صدا و متن.
- پشتیبانی از شبیهسازی MoveIt2.
مشخصات
| مدل | ROSMASTER M3 Pro |
| سیستم | ROS2 Humble |
| شاسی | بدنه آلیاژ آلومینیوم؛ تعلیق پاندولی چرخ مکانوم؛ ساختار تعلیق پاندولی چرخ عقب |
| اندازه چرخ | چرخهای مکانوم 80 میلیمتری |
| LiDAR | دوگانه TOF LiDAR (چیدمان مورب: جلو راست + عقب چپ)؛ اسکن 360 درجه |
| تشخیص LiDAR (از نمودار مقایسه) | درک همهجانبه 360 درجه؛ فاصله تشخیص 24 متر |
| دوربین عمق | دوربین عمق ساختار نور دوچشمی |
| FOV دوربین عمق (از نمودار مقایسه) | H91° V62° |
| بازوی رباتیک | بازوی رباتیک 6DOF؛ 6 عدد سرووهای باس سریال هوشمند (پشتیبانی از خواندن موقعیت/وضعیت و اطلاعات دیگر) |
| قابلیت گیره (از توضیحات بازو) | قابلیت گیره تا 410 گرم؛ دقت موقعیتیابی تکراری 0.5mm |
| باتری | بسته باتری با ظرفیت بالا 9600mAh |
| صفحه لمسی | صفحه نمایش لمسی IPS با وضوح بالا 7 اینچ (اختیاری); انواع پیکربندی نشان داده شده: با نمایشگر / بدون نمایشگر |
| موتورها | موتور فلزی با گشتاور بالا و انکودر; تعلیق مستقل با موتور گشتاور بالا |
| برد کنترل ROS | برد کنترل ROS نسل سوم |
| MoveIt | MoveIt2 |
| طرحهای کاربردی مدل بزرگ AI | عامل OpenClaw AI; پلتفرم جریان کاری Dify اختیاری |
| عامل OpenClaw AI – کنترل اصلی پشتیبانی شده | Raspberry Pi 5; Jetson Orin Nano SUPER; Jetson Orin NX SUPER |
| عامل OpenClaw AI – روشهای تعامل | صدا، WAP، دستورات متنی وب/ترمینال |
| OpenClaw AI agent – حالت کنترل ربات | MCP, CLI |
| پلتفرم جریان کاری Dify – کنترل اصلی پشتیبانی شده | Raspberry Pi 5; Jetson Orin Nano SUPER; Jetson Orin NX SUPER; Jetson Nano B01 |
| پلتفرم جریان کاری Dify – حالت کنترل ربات | http |
| الگوریتم ردیابی بصری AI (از مقایسه راهحل) | OpenClaw: مدل Transformer; Dify: KCF |
| سناریوی مدل بزرگ AI اختیاری / نقشه میز شنی | اندازه: 3m × 4.1 متر (لوازم جانبی اختیاری؛ شامل ROSMASTER M3 Pro نمیشود) |
گزینههای برد کنترل اصلی (برای انتخاب)
| گزینه | مشخصات کلیدی محاسبه نشان داده شده | قدرت (نشان داده شده) | سیستم ROS (نشان داده شده) | OpenClaw (نشان داده شده) |
| Jetson Nano B01 4GB | 0.5 TFLOPS (FP16); چهار هستهای Arm Cortex-A57 MPCore; 128 هستهای NVIDIA Maxwell GPU; 4GB 64-bit LPDDR4 (25.6 GB/s) | 5W, 10W | Ubuntu 18.04 LTS + Docker + ROS2 Humble | پشتیبانی نمیشود |
| Raspberry Pi 5 (8GB/16GB) | Cortex-A76; VideoCore VII; RAM: 8GB/16GB | 10W | Raspberry Pi OS + Docker + ROS2 Humble | (به یادداشت پشتیبانی OpenClaw در بالا مراجعه کنید) |
| Jetson Orin Nano SUPER 8GB | 67 TOPS; 6-core Arm Cortex-A78AE v8.2 64-bit CPU (1.5MB L2 + 4MB L3); 1024-core NVIDIA Ampere GPU with 32 Tensor Cores; 8GB 128-bit LPDDR5 (102 GB/s) | 7W, 15W, 25W | اوبونتو 22.04 LTS + ROS2 Humble | پشتیبانی |
| Jetson Orin NX SUPER 8GB | 117 TOPS; 6-core NVIDIA Arm Cortex-A78AE v8.2 64-bit CPU (1.5MB L2 + 4MB L3); 1024-core NVIDIA Ampere GPU with 32 Tensor Cores; 8GB 128-bit LPDDR5 (102 GB/s) | 10W, 15W, 25W, 40W | اوبونتو 22.04 LTS + ROS2 Humble | پشتیبانی |
| Jetson Orin NX SUPER 16GB | 157 TOPS; 8-core NVIDIA Arm Cortex-A78AE v8.2 64-bit CPU (2MB L2 + 4MB L3); 1024-core NVIDIA Ampere GPU with 32 Tensor Cores; 16GB 128-bit LPDDR5 (102 GB/s) | 10W, 15W, 25W, 40W | اوبونتو 22.04 LTS + ROS2 Humble | پشتیبانی |
مقایسه تست کیس عملکردی (نمایش داده شده)
| نسخه | تشخیص گفتار آفلاین / سنتز گفتار | زمان برنامهریزی تصمیمگیری وظیفه مدل بزرگ AI | زمان بارگذاری وظیفه ساده | زمان بارگذاری وظیفه پیچیده | ردیابی & گرفتن بلوک رنگی | توابع پیشرفته بصری 3D | توسعه MediaPipe | شبیهسازی MoveIt2 |
| Raspberry Pi 5 16GB | هیچکدام | 2s | 10s | 15s | 15fps | 15fps | 15fps | استفاده از یک ماشین مجازی همراه |
| Jetson Nano B01 4GB | هیچکدام | 2s | 12s | 13s | 15fps | 15fps | 10fps | استفاده از یک ماشین مجازی همراه |
| جتسون اورین نانو سوپر ۸ گیگابایت | ۴ ثانیه | ۲ ثانیه | ۶ ثانیه | ۸ ثانیه | ۳۰ فریم بر ثانیه | ۳۰ فریم بر ثانیه | ۳۰ فریم بر ثانیه | ۳۰ فریم بر ثانیه+ |
| جتسون اورین انایکس سوپر ۱۶ گیگابایت | ۴ ثانیه | ۲ ثانیه | ۴ ثانیه | ۴ ثانیه | ۳۰ فریم بر ثانیه | ۳۰ فریم بر ثانیه | ۳۰ فریم بر ثانیه | ۳۰ فریم بر ثانیه+ |
برای کمک در انتخاب پیکربندی (گزینههای رزبری پای در مقابل جتسون) یا پشتیبانی پس از فروش، با https://rcdrone.top/ تماس بگیرید یا ایمیل بزنید [email protected].
کاربردها
- آموزش و آزمایشگاههای ROS2: نقشهبرداری SLAM، ناوبری، اجتناب از موانع و برنامهریزی شبکه جادهای.
- دستکاری & بینایی سهبعدی: شناسایی/گرفتن سهبعدی، مرتبسازی، ردیابی و مدیریت با یک بازوی 6DOF و ابر نقطهای عمق.
- تعامل هوش مصنوعی چندوجهی: تعامل صوتی/متنی/تصویری با تجزیه وظایف، برنامهریزی بلندمدت، جستجوی حافظه و منطق پاسخ پیشگیرانه (جریان کاری OpenClaw).
- شناسایی بصری هوش مصنوعی (نمونههای نشان داده شده): شناسایی ویژگیهای انسانی، شناسایی حرکات، شناسایی مسیر نوک انگشت، شناسایی اسکلت انسانی، شناسایی سهبعدی، شناسایی چهره سهبعدی، شناسایی کد برچسب، ردیابی شیء Transformer بدون نمونه، راهحل ناوبری همجوشی بازمحلیسازی بصری، شناسایی و گرفتن اشیاء چرخان.
- عملکردهای دوربین عمق (نمونههای نشان داده شده): تصویر عمق/ابر نقطهای، اندازهگیری فاصله، تقسیمبندی و مکانیابی ابر نقطهای در زمان واقعی PCL، ناوبری نقشهبرداری بصری سهبعدی RTAB-Map، اندازهگیری ارتفاع هدف منطقهای، اندازهگیری حجم بلوک چوبی.
- عملکردهای LiDAR (نمونههای نشان داده شده): نقشهبرداری Gmapping/Cartographer/slam_toolbox، فیلتر کردن فیوژن دوگانه LiDAR، اجتناب از موانع دینامیکی DWA، ناوبری تک/چند نقطهای، ناوبری نقشهبرداری اپلیکیشن، ناوبری نقشهبرداری مجدد، برنامهریزی شبکه جادهای، اجتناب از موانع LiDAR، دنبال کردن LiDAR، نگهبانی LiDAR.
دفترچههای راهنما
- صفحه آموزش/مطالعه: https://www.yahboom.net/study/ROSMASTER-M3PRO
جزئیات
یک پلتفرم آموزشی همهکاره ROS2 Humble که ترکیبی از حرکت همهجهته، دید سهبعدی و یک بازوی رباتیک 6DOF است.
ویژگیهای تعامل چندوجهی و خودمختاری از نقشهبرداری، ناوبری، گرفتن و اجرای وظایف در یک پلتفرم پشتیبانی میکنند.
OpenClaw امکان برنامهریزی وظایف با زبان طبیعی را با گزینههای فرمانهای صوتی، اپلیکیشن و متنی فراهم میکند.
ترکیب دوگانه TOF LiDAR ادراک 360 درجهای برای نقشهبرداری SLAM، اجتناب از موانع و برنامهریزی مسیر انعطافپذیر ارائه میدهد.
سه نوع مدل داخلی شامل استدلال متنی، تعامل صوتی و درک بصری برای نمایشهای رباتیک غنیتر را پوشش میدهند.
بسته به نیازهای پروژه خود، بین استقرار OpenClaw تعبیهشده یا یک پلتفرم جریان کاری اختیاری انتخاب کنید.
یک جدول سناریوی مدولار از صحنههای آموزشی قابل تکرار برای تمرینهای مرتبسازی، شمارش و ناوبری پشتیبانی میکند.
پروژههای نمونه نشان میدهند که چگونه کنترل مبتنی بر عامل میتواند به وظایف روزمره آزمایشگاهی و نمایشهای تعاملی اعمال شود.
جریانهای کاری عامل میتوانند دستورالعملهای مبتنی بر چت را با رفتارهای نقشهبرداری، ناوبری و حمل و نقل متصل کنند.
ابزارهایی مانند جستجوی حافظه و فراخوانی به سبک MCP به اتصال نیتهای سطح بالا به اقدامات قابل اعتماد ربات کمک میکنند.
رفتارهای مبتنی بر دید شامل ردیابی هدف، تشخیص رنگ، کروز خودکار و اقدامات هماهنگ بازو میباشند.
حسگر عمق نور ساختاری دوچشمی از هماهنگی دست و چشم برای اندازهگیری سهبعدی، تشخیص و گرفتن پشتیبانی میکند.
مقایسههای پیکربندی به انتخاب ترکیب مناسب حسگر و محاسبه برای کلاس یا آزمایشگاه شما کمک میکند.
راهنمای انتخاب، پیکربندیهای رایج و تفاوتها در مجموعههای عملکردی را خلاصه میکند.
قابلیتهای اصلی ROS شامل نقشهبرداری LiDAR، درک دوربین عمق و خطوط لوله تشخیص بصری است.
شبیهسازی MoveIt2 و دموهای کنترل حرکت از برنامهریزی، جریانهای کاری گرفتن و هماهنگی چند ربات پشتیبانی میکنند.
یک شاسی مکانوم آلومینیومی با تعلیق پاندولی پایداری را بهبود میبخشد در حالی که سازگاری کامل با ROS2 Humble را حفظ میکند.
روشهای کنترل متعدد و یک ساختار واضح، راهاندازی، نگهداری و گسترش ربات را آسانتر میکند.
پلتفرم ROSMASTER M3 Pro میتواند با یک بازوی رباتیک 6DOF و یک دوربین عمق ساختاری دوچشمی برای وظایف گرفتن و درک مبتنی بر عمق پیکربندی شود.
لیزر LiDAR TOF از برد 0.05–12 متر با حداکثر 4000 اسکن در ثانیه پشتیبانی میکند، در حالی که ماژول صوتی اتصالات میکروفون و بلندگو را برای تعامل صوتی اضافه میکند.
برد کنترل ربات Yahboom ROSMASTER M3 Pro ROS2 یک چیدمان فشرده و برچسبگذاری شده از اتصالات را برای ساخت و گسترش یک سیستم ربات متحرک فراهم میکند.
Yahboom ROSMASTER M3 Pro شامل دسترسی به بیش از 200 دوره آموزشی دقیق از طریق یک مخزن آموزش آنلاین برای یادگیری ROS2 و AI است.
طرح یادگیری ROSMASTER M3 Pro شامل مبانی کنترل ROS به همراه وظایف بینایی OpenCV، نقشهبرداری SLAM و ویژگیهای هوش مصنوعی برای تمرین پیشرفته ROS2 است.
نقشه راه یادگیری ROSMASTER M3 Pro موضوعاتی مانند بینایی OpenCV، ردیابی MediaPipe، شبیهسازی MoveIt2 و مبانی ROS2 را پوشش میدهد.
ROSMASTER M3 Pro شامل پوشههای کد منبع باز و آموزشهای دقیق است که مبانی ROS، نقشهبرداری، ناوبری و وظایف بینایی را پوشش میدهد.
ROSMASTER M3 Pro با آموزشهای ویدیویی ROS2 با زیرنویس انگلیسی ارائه میشود و فایلهای مدل سهبعدی را برای پشتیبانی از توسعه و یکپارچهسازی فراهم میکند.
مقایسه سری ROSMASTER تفاوتهای کلیدی در نوع شاسی، گزینههای دوربین RGBD، بردهای کنترل و ظرفیت باتری را برای کمک به انتخاب پلتفرم ربات ROS2 مناسب مشخص میکند.
پلتفرم ROSMASTER M1 یک شاسی چرخ مکانوم و موتورهای دندهای 520 را با گزینههای دوربین، LiDAR و برد کنترل قابل انتخاب برای توسعه مبتنی بر ROS ترکیب میکند.
ROSMaster M3 Pro یک شاسی چرخ مکانوم را با گزینههای دوربین RGBD، صفحه نمایش OLED 0.91 اینچی/صفحه نمایش لمسی 7 اینچی اختیاری و یک باتری 12.6V 6000mAh ترکیب میکند.
پلتفرم ROSMASTER M3 Pro شامل یک شاسی چرخ مکانوم، دوربین RGBD اختیاری، بازوی رباتیک 6-DOF، دوگانه LiDAR و گزینههای برد کنترل Raspberry Pi یا Jetson است.
نقشههای ابعادی ربات Yahboom ROSMASTER M3 Pro ROS2 اندازهگیریهای کلیدی را به میلیمتر برای برنامهریزی نصب و جاگذاری فهرست میکند.
ROSMaster M3 Pro از پلتفرمهای Raspberry Pi 5 یا Jetson Orin با برنامهنویسی Python، شبکه WiFi و یک بسته باتری 12.6V 9600mAh پشتیبانی میکند.
کیت ROSMASTER M3 Pro شامل شاسی ربات، بازوی 6DOF، کنترلر، بردهای توسعه، باتریها، براکتها و ابزارهای پایه برای مونتاژ است.
بستههای لوازم جانبی اختیاری بر اساس گزینه کنترلر سازماندهی شدهاند، شامل مجموعه صفحه نمایش لمسی 7 اینچی و کیتهایی برای بردهای Raspberry Pi یا NVIDIA Jetson با کابلها و پایههای مورد نیاز.
Related Collections
