Yahboom ROSMASTER M3 Pro ROS2 Robot med OpenClaw AI-agent, dubbel TOF LiDAR, 6DOF-arm, Mecanum SLAM
Yahboom ROSMASTER M3 Pro ROS2 Robot med OpenClaw AI-agent, dubbel TOF LiDAR, 6DOF-arm, Mecanum SLAM
Yahboom
Det gick inte att ladda hämtningstillgänglighet
Översikt
ROSMASTER M3 Pro är en ROS2-robotplattform av Yahboom för ROS-utbildning, vetenskapliga forskningsexperiment och AI-applikationsundervisning. Den använder ett Mecanum-hjulschassi med pendelupphängning för omnidirektionell rörelse och är utvecklad på ROS2 Humble. Plattformen integrerar en 6DOF-robotarm, en binokulär strukturerad ljusdjupkamera för 3D-visions hand-öga-integration och dubbla TOF LiDAR för omnidirektionell SLAM-kartläggning, autonom navigering, hinderundvikande och vägplanering. Den stöder också multimodal AI-stor-modellinteraktion (text/bild/röst) med taligenkänning och naturlig språkförståelse för uppgiftsplanering och utförande.
Viktiga funktioner
- OpenClaw AI-agentdistribution (med distributions- och användningshandledning). Notera: OpenClaw-distribution stöds inte på Jetson Nano B01-versionen.
- Inbäddade multimodala stora modellfunktioner: utbyggbar RAG-kunskapsbas, visuell stor språkmodell, textstor språkmodell, dubbelmodellsresoneringsarkitektur och dynamisk feedbackresonering.
- Dual TOF LiDAR punktmolnsfusion: 360° allsidig perception utan blinda fläckar; kartläggningsnavigering/vägnätsplanering; vägplanering och flerpunktnavigering.
- Vägnätsplanering: skapa, redigera och hantera rutt-nätverk bestående av punkter och förbindelselänkar; stöder kortaste vägens val i sandlådestil rutt-nätverk.
- 6DOF 3D visuell robotarm: 3D-rumsgrepp, sortering och transport; 3D punktmolnsigenkänning; målpositionering och spårning; avstånds-/volymberäkning; 3D verklighetstrogen kartläggning.
- Djupseendeteknologiapplikationer: YOLOv26 / Transformer, MediaPipe / OpenCV, visuell fusion ompositioneringsnavigering, PCL realtids punktmolnssegmentering.
- Inbyggd AI-stor modell röstmodul och högtalare: stöder realtidskonvertering mellan röst och text.
- MoveIt2-simuleringsstöd.
Specifikationer
| Modell | ROSMASTER M3 Pro |
| System | ROS2 Humble |
| Chassi | Helkropp i aluminiumlegering; Mecanum-hjul pendelupphängning; bakhjuls pendelupphängningsstruktur |
| Hjulstorlek | 80mm Mecanum-hjul |
| LiDAR | Dubbel TOF LiDAR (diagonal offset layout: höger fram + vänster bak); 360° skanning |
| LiDAR-detektering (från jämförelsediagram) | 360° omnidirektionell perception; 24m detektionsavstånd |
| Djupkamera | Binokulär strukturerat ljus djupkamera |
| Djupkamera FOV (från jämförelsediagram) | H91° V62° |
| Robotarm | 6DOF robotarm; 6PCS intelligenta seriella buss-servon (stöder återläsning av position/status och annan information) |
| Gripperkapacitet (från armens beskrivning) | Klamrar upp till 410g; repeterbar positioneringsnoggrannhet 0.5mm |
| Batteri | 9600mAh högkapacitetsbatteripaket |
| Pekskärm | 7-tums IPS högupplöst pekskärm (valfri); konfigurationsvarianter visas: med display / utan display |
| Motorer | Högvridmomentkodare metallmotor; oberoende svängfjädring med högvridmomentmotor |
| ROS styrkort | 3:e generationens ROS styrkort |
| MoveIt | MoveIt2 |
| AI stora-modell applikationsscheman | OpenClaw AI-agent; valfri Dify arbetsflödesplattform |
| OpenClaw AI-agent – stödd huvudkontroll | Raspberry Pi 5; Jetson Orin Nano SUPER; Jetson Orin NX SUPER |
| OpenClaw AI-agent – interaktionsmetoder | Röst, WAP, webb/terminal textkommandon |
| OpenClaw AI-agent – robotkontrollläge | MCP, CLI |
| Dify arbetsflödesplattform – stödd huvudkontroll | Raspberry Pi 5; Jetson Orin Nano SUPER; Jetson Orin NX SUPER; Jetson Nano B01 |
| Dify arbetsflödesplattform – robotkontrollläge | http |
| AI visuell spårningsalgoritm (från lösningsjämförelse) | OpenClaw: Transformer-modell; Dify: KCF |
| Valfri AI stor-modell scenario sandbord / sandlådekarta | Storlek: 3m × 4.1m (tillbehör som kan köpas till; ingår ej med ROSMASTER M3 Pro) |
Alternativ för huvudkontrollkort (för val)
| Alternativ | Nyckelspecifikation för beräkning visas | Effekt (visas) | ROS-system (visas) | OpenClaw (visas) |
| Jetson Nano B01 4GB | 0.5 TFLOPS (FP16); Quad-Core Arm Cortex-A57 MPCore; 128-kärnig NVIDIA Maxwell GPU; 4GB 64-bit LPDDR4 (25.6 GB/s) | 5W, 10W | Ubuntu 18.04 LTS + Docker + ROS2 Humble | Inte stöds |
| Raspberry Pi 5 (8GB/16GB) | Cortex-A76; VideoCore VII; RAM: 8GB/16GB | 10W | Raspberry Pi OS + Docker + ROS2 Humble | (Se OpenClaw-supportnotering ovan) |
| Jetson Orin Nano SUPER 8GB | 67 TOPS; 6-kärnig Arm Cortex-A78AE v8.2 64-bit CPU (1.5MB L2 + 4MB L3); 1024-kärnig NVIDIA Ampere GPU med 32 Tensor-kärnor; 8GB 128-bit LPDDR5 (102 GB/s) | 7W, 15W, 25W | Ubuntu 22.04 LTS + ROS2 Humble | Support |
| Jetson Orin NX SUPER 8GB | 117 TOPS; 6-kärnig NVIDIA Arm Cortex-A78AE v8.2 64-bit CPU (1.5MB L2 + 4MB L3); 1024-kärnig NVIDIA Ampere GPU med 32 Tensor-kärnor; 8GB 128-bit LPDDR5 (102 GB/s) | 10W, 15W, 25W, 40W | Ubuntu 22.04 LTS + ROS2 Humble | Support |
| Jetson Orin NX SUPER 16GB | 157 TOPS; 8-kärnig NVIDIA Arm Cortex-A78AE v8.2 64-bit CPU (2MB L2 + 4MB L3); 1024-kärnig NVIDIA Ampere GPU med 32 Tensor-kärnor; 16GB 128-bit LPDDR5 (102 GB/s) | 10W, 15W, 25W, 40W | Ubuntu 22.04 LTS + ROS2 Humble | Support |
Funktionellt falltestjämförelse (visas)
| Version | Offline taligenkänning / talsyntes | AI stor modell uppgiftsbeslut planeringstid | Enkel uppgiftsladdningstid | Komplex uppgiftsladdningstid | Spårning & färgblock greppning | Avancerade 3D-visuella funktioner | MediaPipe utveckling | MoveIt2 simulering |
| Raspberry Pi 5 16GB | Ingen | 2s | 10s | 15s | 15fps | 15fps | 15fps | Använder en kompletterande virtuell maskin |
| Jetson Nano B01 4GB | Ingen | 2s | 12s | 13s | 15fps | 15fps | 10fps | Använder en kompletterande virtuell maskin |
| Jetson Orin Nano SUPER 8GB | 4s | 2s | 6s | 8s | 30fps | 30fps | 30fps | 30fps+ |
| Jetson Orin NX SUPER 16GB | 4s | 2s | 4s | 4s | 30fps | 30fps | 30fps | 30fps+ |
För hjälp med konfigurationsval (Raspberry Pi vs Jetson-alternativ) eller eftermarknadssupport, kontakta https://rcdrone.top/ eller e-posta [email protected].
Applikationer
- ROS2 utbildning och laboratorier: SLAM-kartläggning, navigation, hinderundvikande och vägplansnätverk.
- 3D-visions&manipulation: 3D-igenkänning/grepp, sortering, spårning och hantering med en 6DOF-arm och djup-punktmoln.
- Multimodal AI-interaktion: röst/text/bild-interaktion med uppgiftsnedbrytning, långsiktig schemaläggning, minnessökning och proaktiv responslogik (OpenClaw-arbetsflöde).
- AI visuell igenkänning (exempel visas): mänsklig funktionsigenkänning, gestigenkänning, fingertoppsbanigenkänning, mänsklig skelettigenkänning, 3D-detektion, 3D-ansiktsdetektion, taggkodigenkänning, zero-shot Transformer-objektspårning, visuell re-lokaliseringsfusionsnavigationslösning, roterande objektdetektion och grepp.
- Djupkamerafunktioner (exempel visas): djupbild/punktmoln, avståndsmätning, PCL realtidssegmentering och lokalisering av punktmoln, RTAB-Map 3D visuell kartläggningsnavigering, regional målhöjdmätning, träblockvolymmätning.
- LiDAR-funktioner (exempel visas): Gmapping/Cartographer/slam_toolbox kartläggning, dubbel LiDAR-fusionsfiltrering, DWA dynamisk hinderundvikning, enkel/flerpunktsnavigering, appkartläggningsnavigering, ompositioneringskartläggningsnavigering, vägnätsplanering, LiDAR-hinderundvikning, LiDAR-följning, LiDAR-vakt.
Manualer
- Handledning/Studie sida: https://www.yahboom.net/study/ROSMASTER-M3PRO
Detaljer
En allt-i-ett ROS2 Humble utbildningsplattform som kombinerar omnidirektionell rörlighet, 3D-vision och en 6DOF robotarm.
Multimodal interaktion och autonomifunktioner stöder kartläggning, navigering, gripande och uppgiftsutförande i en plattform.
OpenClaw möjliggör uppgiftsplanering med naturligt språk med alternativ för röst-, app- och textbaserade kommandon.
Dubbel TOF LiDAR-fusion ger 360° perception för SLAM-kartläggning, hinderundvikande och flexibel ruttplanering.
Tre inbyggda modelltyper täcker textresonemang, röstinteraktion och visuell förståelse för rikare robotikdemonstrationer.
Välj mellan inbäddad OpenClaw-distribution eller en valfri arbetsflödesplattform beroende på dina projektbehov.
Ett modulärt scenariotabell stöder repeterbara träningsscener för sortering, räkning och navigeringsövningar.
Exempelprojekt visar hur agentbaserad kontroll kan tillämpas på vardagliga labbuppgifter och interaktiva demonstrationer.
Agentarbetsflöden kan koppla chattbaserade instruktioner med kartläggning, navigering och transportbeteenden.
Verktyg som minnessökning och MCP-stil samtal hjälper till att koppla högre nivåns avsikt till pålitliga robotåtgärder.
Visionsdrivna beteenden inkluderar målföljning, färgigenkänning, autonom kryssning och koordinerade armrörelser.
Binokulär strukturerad ljusdjupssensorik stöder hand-öga-koordination för 3D-mätning, igenkänning och grepp.
Konfigurationsjämförelser hjälper till att välja rätt kombination av sensorer och beräkningar för ditt klassrum eller laboratorium.
En urvalsguide sammanfattar vanliga konfigurationer och skillnader mellan funktionsuppsättningar.
Kärn-ROS-funktioner täcker LiDAR-kartläggning, djupkameraperception och visuella igenkänningspipelines.
MoveIt2-simulering och rörelsestyrningsdemonstrationer stöder planering, grepparbetsflöden och samordning av flera robotar.
En aluminium-mecanum-chassi med pendelupphängning förbättrar stabiliteten samtidigt som full ROS2 Humble-kompatibilitet bibehålls.
Flera kontrollmetoder och en tydlig strukturlayout gör det enklare att ställa in, underhålla och expandera roboten.
ROSMASTER M3 Pro-plattformen kan konfigureras med en 6DOF-robotarm och en binokulär strukturerad ljusdjupkamera för grip- och djupbaserade perceptionuppgifter.
TOF-laser LiDAR stöder 0,05–12 m avståndsmätning med upp till 4000 skanningar per sekund, medan röstmodulen lägger till mikrofon- och högtalaranslutningar för röstinteraktion.
Yahboom ROSMASTER M3 Pro ROS2 robotkontrollkort ger en kompakt, märkt anslutningslayout för att bygga och expandera ett mobilt robotsystem.
Yahboom ROSMASTER M3 Pro inkluderar tillgång till 200+ detaljerade kurser via ett online-handledningsarkiv för att lära sig ROS2 och AI.
ROSMASTER M3 Pro-lärandeplanen täcker grunderna i ROS-kontroll tillsammans med OpenCV-visionuppgifter, SLAM-kartläggning och AI-funktioner för progressiv ROS2-övning.
ROSMASTER M3 Pro-lärandevägen täcker ämnen som OpenCV-vision, MediaPipe-spårning, MoveIt2-simulering och ROS2-grunder.
ROSMASTER M3 Pro inkluderar open-source kodmappar och detaljerade handledningar som täcker ROS-grunder, kartläggning, navigering och visionuppgifter.
ROSMASTER M3 Pro levereras med ROS2-videohandledningar med engelska undertexter och tillhandahåller 3D-modellfiler för att stödja utveckling och integration.
Jämförelsen av ROSMASTER-serien beskriver viktiga skillnader i chassistyp, RGBD-kameraalternativ, kontrollkort och batterikapacitet för att hjälpa till att välja rätt ROS2-robotplattform.
ROSMaster M1-plattformen kombinerar ett chassi med mekanumhjul och 520 växelmotorer med valbara kamera-, LiDAR- och kontrollkortsalternativ för ROS-baserad utveckling.
ROSMaster M3 Pro kombinerar ett chassi med mekanumhjul med RGBD-kameraalternativ, 0,91-tums OLED/valfri 7-tums pekskärm och ett 12,6V 6000mAh batteri.
ROSMaster M3 Pro-plattformen listar ett chassi med mekanumhjul, valfri RGBD-kamera, 6-DOF robotarm, dubbla LiDAR och Raspberry Pi eller Jetson kontrollkortsalternativ.
Yahboom ROSMASTER M3 Pro ROS2-robotens dimensionsritningar listar viktiga övergripande mått i millimeter för planering av passform och montering.
ROSMaster M3 Pro stöder Raspberry Pi 5 eller Jetson Orin-plattformar med Python-programmering, WiFi-nätverk och ett 12,6V 9600mAh batteripaket.
ROSMASTER M3 Pro-kitet inkluderar robotchassi, 6DOF-arm, styrenhet, expansionskort, batterier, fästen och grundläggande verktyg för montering.
Valfria tillbehörspaket är organiserade efter styrenhetsalternativ, inklusive en 7-tums pekskärmssats och kit för Raspberry Pi eller NVIDIA Jetson-kort med nödvändiga kablar och fästen.
