Przegląd
JetCobot to 7-osiowy wizualny współpracujący robot z ramieniem, który wykorzystuje płytę rozwojową serii NVIDIA Jetson jako główną płytę sterującą (Jetson Nano B01 4GB / Jetson Orin Nano SUPER / Jetson Orin NX SUPER). Dzięki konfiguracji podobnej do UR, systemowi operacyjnemu ROS oraz algorytmowi kinematyki odwrotnej, wspiera kontrolę współrzędnych, planowanie ruchu, chwytanie, sortowanie oraz związane z interakcją wizualną zadania.
JetCobot integruje ramię robota i system kamer. Jest wyposażony w kamerę USB 0.3MP (kąt widzenia 110°) i wspiera przetwarzanie obrazów OpenCV, wizję maszynową oraz przepływy pracy uczenia głębokiego dla funkcji takich jak interakcja kolorów, wykrywanie/śledzenie twarzy, rozpoznawanie etykiet, trening modeli oraz interakcja gestów.
Kluczowe cechy
- Struktura 7-DOF z konfiguracją podobną do UR: Gładki design korpusu, duży zakres ruchu oraz ukryte okablowanie serwomechanizmów (jak opisano w tabeli porównawczej).
- Inwersyjna kinematyka + przepływ pracy ROS: Wspiera kontrolę współrzędnych i planowanie ruchu.
- Wsparcie MoveIt + RViz: Zawiera model symulacji kinematyki URDF, kontrolę symulacji MoveIt/planowanie trajektorii, wykrywanie kolizji oraz scenariusze chwytania przestrzennego.
- AI rozpoznawanie wizualne i śledzenie celów: Rozpoznawanie i śledzenie kolorów, sortowanie bloków kolorowych, chwytanie bloków kolorowych, interakcja kolorów, rozpoznawanie i śledzenie twarzy oraz rozpoznawanie etykiet/inteligentne układanie (kody etykiet Apriltag).
- Uczenie głębokie / trening modeli: Wspiera przepływy pracy klasyfikacji odpadów oraz przykłady chwytania oparte na regionach (identyfikacja regionu: chwytanie i umieszczanie; wykrywanie regionu: dostosowanie chwytania).
- Rozwój MediaPipe / aktualizacja interakcji AI: Grupa akcji sterowania gestami, stos rozpoznawania gestów, rozpoznawanie ramienia robota i śledzenie dłoni oraz kontrola postawy gestów ramienia robota.
- Wiele metod sterowania: Obsługuje symulację sterowania MoveIt, sterowanie uchwytem oraz sterowanie przez PC (sterowanie Jupyter Lab jest również pokazane).
Specyfikacje
| Produkt | JetCobot AI wizualny współpracujący robotyczny ramie |
| Stopnie swobody | 7 |
| Maksymalny efektywny zasięg ramienia | 270MM |
| Zakres obrotu stawów | -153° do 153° |
| Dokładność powtarzalności pozycjonowania | ±0.5mm |
| Kamera | 0.3MP kamera USB |
| Kąt widzenia kamery | 110° |
| Klata kamery (pokazana) | 30fps |
| Wymiary wizualne (wykres) | Płaski obraz 2D |
| Chwytak (pokazany) | Chwytak elektryczny |
| Kąt otwarcia-zamknięcia chwytaka (wykres) | 5cm |
| Zasięg chwytaka (pokazany) | 20-45mm |
| Siła chwytaka (pokazana) | Siła 150g |
| Typ struktury (wykres) | Struktura robota podobna do UR |
| Główna kontrola (wykres) | Jetson Nano B01 / Jetson Orin Nano SUPER / Jetson Orin NX SUPER |
| Funkcja (wykres) | Kontrola interkoneksji; Planowanie ruchu MoveIt; Symulacja robota RViz; Interakcja wizualna 2D |
| Głos (wykres) | / |
| Wyświetlanie (wykres) | / |
Opcje sterowania Jetson Master (Tabela odniesienia)
| Główna płyta kontrolna | Jetson Nano B01 4GB | Jetson Orin Nano SUPER 4GB | Jetson Orin Nano SUPER 8GB | Jetson Orin NX SUPER 8GB | Jetson Orin NX SUPER 16GB |
| Moc obliczeniowa | 0.5TFLOPS (FP16) | 34 TOPS | 67 TOPS | 117 TOPS | 157 TOPS |
| CPU | 4 rdzenie procesora Arm Cortex-A57 MPCore | 6-rdzeniowy procesor Arm Cortex-A78AE v8.2 64-bit; 1.5MB L2 + 4MB L3 | 6-rdzeniowy procesor Arm Cortex-A78AE v8.2 64-bit; 1.5MB L2 + 4MB L3 | 6-rdzeniowy procesor NVIDIA Arm Cortex-A78AE v8.2 64-bit; 1.5MB L2 + 4MB L3 | 8-rdzeniowy procesor NVIDIA Arm Cortex-A78AE v8.2 64-bit; 2MB L2 + 4MB L3 |
| GPU | 128 rdzeniowy GPU NVIDIA Maxwell | 512-rdzeniowy GPU architektury NVIDIA Ampere z 16 rdzeniami Tensor | 1024-rdzeniowy GPU architektury NVIDIA Ampere z 32 rdzeniami Tensor | 1024-rdzeniowy GPU architektury NVIDIA Ampere z 32 rdzeniami Tensor | 1024-rdzeniowy GPU architektury NVIDIA Ampere z 32 rdzeniami Tensor |
| Pamięć | 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 |
| Przechowywanie | 16GB eMMC + 64GB U disk | 256GB SSD | |||
| Zasilanie | 5W - 10W | 7W, 10W, 25W | 7W, 15W, 25W | 10W, 15W, 25W, 40W | |
| Wersja systemu ROS | Ubuntu18.04 + ROS1 Melodic | Ubuntu22.04 LTS + ROS2 Humble | |||
Wykres wskazuje również, że metody użytkowania wielu płyt kontrolnych serii Jetson są zasadniczo takie same; różne płyty kontrolne głównie wpływają na wydajność JetCobot.
Zmierzona różnica w funkcji/wydajności (Tabela odniesienia)
| Element |
Wersja Jetson Nano Czas uruchamiania programu / Częstotliwość klatek programu |
Wersja Jetson Orin Nano SUPER 8GB Czas uruchamiania programu / Częstotliwość klatek programu |
Wersja Jetson Orin NX SUPER 16GB Czas uruchamiania programu / Częstotliwość klatek programu |
| Uruchomienie robota | 43s Inicjalizacja ramienia robota zakończona / / | 38s Inicjalizacja ramienia robota zakończona / / | 37s Inicjalizacja ramienia robota zakończona / / |
| Podstawowa funkcja wizualna (Rozpoznawanie kolorów) | 6s / 12s | 5s / 30fps | 4s / 30fps |
| Klasyfikacja odpadów Yolov5 | 31s / 6s | 17s / 30fps | 16s / 30fps |
| Wykrywanie twarzy Mediapipe | 13s / 30s | 8s / 30fps-40fps | 7s / 30fps-50fps |
| Śledzenie bloków kolorów | 10s / 30s | 7s / 30fps | 5s / 30fps |
| Rozpoznawanie kodów tagów Apriltag | 5s / 25s | 3s / 30fps | 3s / 30fps |
| Modelowanie symulacji RVIZ | 16s / 31s | 9s / 31fps | 7s / 31fps |
Uwagi pokazane z wykresem: JetCobot nie jest skonfigurowany z technologią kontenerów Docker; używa oficjalnej funkcji konfiguracji obrazu natywnego, aby w pełni wykorzystać wydajność całej płyty głównej.Dane pochodzą z rzeczywistego testu laboratoryjnego Yahboom; wydajność Jetson Orin Nano SUPER 4GB i 8GB jest podobna, a wydajność Jetson Orin NX SUPER 8GB i 16GB jest zbliżona.
Co jest w zestawie
- myCobot280 7-DOF współpracujący robotyczny ramie (JetCobot)
- Chwytak elektryczny
- Kamera USB
- Główna kontrola Jetson (Jetson Nano B01 / Jetson Orin Nano SUPER / Jetson Orin NX SUPER, w zależności od wersji)
- Wyświetlacz OLED (wymieniony w tabeli wysyłkowej)
- Akcesoria (jak wymieniono w tabeli wysyłkowej)
Aplikacje
- Uczenie ROS, kinematyka i planowanie ruchu (MoveIt / RViz)
- Wizja maszynowa i eksperymenty interakcyjne oparte na OpenCV
- Demonstracje interakcji AI: śledzenie kolorów, rozpoznawanie etykiet (Apriltag), rozpoznawanie gestów i przepływy pracy związane z treningiem modeli
- Chwytanie, sortowanie i podstawowe zadania pick-and-place oparte na współrzędnych na komputerze stacjonarnym
Podręczniki / Dokumentacja
- Samouczki: https://www.yahboom.net/study/JetCobot
W celu uzyskania pomocy przy wyborze przed sprzedażą lub wsparcia po sprzedaży, skontaktuj się z https://rcdrone.top/ lub wyślij e-mail na [email protected].
Szczegóły

Porównaj JetCobot z innymi opcjami sterowania ROS, aby wybrać odpowiednią platformę dla swojej aplikacji.

Wiele platform ramion Yahboom dzieli podobny przepływ pracy ROS, podczas gdy opcje sprzętowe i wizji różnią się w zależności od modelu.

Konfiguracje kamer głębi wspierają zadania wizji 3D, takie jak śledzenie z uwzględnieniem odległości i interakcja.

JetCobot koncentruje się na strukturze 7-DOF podobnej do UR z powtarzalnością na poziomie milimetrów dla skoordynowanych zadań ruchowych.

Yahboom JetCobot to stacjonarne 7-DOF wizualne ramię robota współpracującego zbudowane wokół płyt kontrolnych NVIDIA Jetson.

Kompletny stos oprogramowania wspiera kontrolę ROS, planowanie MoveIt, wizualizację RViz oraz wizję opartą na OpenCV.

Wybierz Jetson Nano B01, Orin Nano SUPER lub Orin NX SUPER w zależności od obliczeń potrzebnych do Twojego pipeline'u AI.

Jasne porównanie Jetson pomaga dopasować CPU/GPU i pojemność pamięci do obciążeń ROS i wizji.

Wydajność różni się w zależności od kontrolera Jetson, podczas gdy zestaw funkcji JetCobot i przykłady kursów pozostają spójne.

Konfiguracja podobna do UR zapewnia szeroki zakres ruchu z czystszą konstrukcją do użytku w klasie i laboratorium.

Układ 7-DOF poprawia elastyczność w zakresie pozycjonowania, chwytania i planowania ścieżek w ciasnych przestrzeniach roboczych.

Zintegrowana kamera USB umożliwia wizualne procesy zbierania i sortowania bez skomplikowanych zewnętrznych ustawień kamer.

Wbudowane demonstracje obejmują rozpoznawanie kolorów, sortowanie bloków, układanie oparte na tagach oraz interakcję opartą na śledzeniu.

Użyj treningu modeli głębokiego uczenia i interakcji gestów MediaPipe, aby zbudować bardziej responsywne zadania zbierania i umieszczania.

Modele MoveIt i URDF wspierają symulację, planowanie trajektorii oraz sprawdzanie kolizji przed uruchomieniem na sprzęcie.

Kontroluj JetCobot za pomocą przeglądarkowego środowiska Jupyter lub kontrolera USB do szybkiego testowania i demonstracji.

Ikonika odwrotna umożliwia wprowadzanie współrzędnych dla powtarzalnego pozycjonowania i spójnej orientacji narzędzia końcowego.

Siedem stawów (J1–J7) zapewnia dodatkową elastyczność w planowaniu ruchu i skoordynowanym chwytaniu.

JetCobot oferuje maksymalny efektywny zasięg ramienia wynoszący 270 mm (bez chwytaka), z rotacją podstawy J1 wynoszącą ±153° i powtarzalnością ±0,5 mm.

JetCobot jest zbudowany wokół systemu operacyjnego ROS Robot Operating System i jest kompatybilny z ROS2 Humble oraz ROS1 Melodic.

Wsparcie symulacji MoveIt pozwala na testowanie i kontrolowanie ramienia robota JetCobot w wirtualnym środowisku przed uruchomieniem na sprzęcie.

Zestaw ramienia JetCobot łączy chwytak, kamerę USB HD, ekran OLED oraz podstawę z przyssawką dla stabilnych ustawień biurkowych.

Ramię JetCobot łączy kamerę USB HD (480p, 30 fps, kąt widzenia 110°) z kompaktowym elektrycznym chwytakiem do zadań związanych z pickingiem i umieszczaniem z wykorzystaniem wizji.

Program nauczania JetCobot obejmuje konfigurację i montaż, podstawy ROS/Ubuntu, mapowanie SLAM, wizję AI z MediaPipe oraz ćwiczenia z wizualnego śledzenia i chwytania.

Materiały szkoleniowe JetCobot zawierają zorganizowane foldery do pobrania oraz treści kursów, takie jak podstawy wizji AI i Mediapipe, z linkiem do nauki pod adresem yahboom.net/study/JetCobot.

Źródła nauki JetCobot obejmują kursy śledzenia wizji AI i chwytania, tutoriale MoveIt, podstawy ROS2 oraz otwarty kod źródłowy w Pythonie.

Wymiary chwytaka JetCobot podane są w milimetrach, aby pomóc w planowaniu miejsca montażu i ogólnego prześwitu ramienia.

JetCobot wspiera programowanie w Pythonie z opcjami ROS dla Jetson Nano B01 oraz Jetson Orin Nano/NX, a także kamerą o stałym ustawieniu ostrości 0.3MP (480P, 30fps, 110° kąt widzenia).

Zestaw JetCobot zawiera chwytak, kamerę USB, komponenty podwozia, zasilacz oraz okablowanie, z opcjonalnymi akcesoriami Jetson Nano/Orin wymienionymi na liście.
Related Collections
