🤖 AI

Industrial Internet Robot Collaboration System and Edge Computing Optimization

Dit artikel presenteert een industrieel robotcollaboratiesysteem dat een driedalig neuraal netwerk met simulated annealing integreert voor globale padplanning en een fuzzy-controller voor lokale uitvoering, geoptimaliseerd via edge computing om robuuste, botsingsvrije navigatie met hoge precisie en lage latentie te bereiken.

Oorspronkelijke auteurs: Haopeng Zhao, Dajun Tao, Tian Qi, Jingyuan Xu, Zijie Zhou, Lipeng Liu

Gepubliceerd 2026-01-30

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Haopeng Zhao, Dajun Tao, Tian Qi, Jingyuan Xu, Zijie Zhou, Lipeng Liu

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je een drukke loods voor waar een vloot bezorgrobots heen en weer moet zoeven tussen stellingen, heftrucks moet ontwijken en pakketjes moet afleveren zonder tegen iets aan te botsen. Dit artikel gaat over het leren van deze robots hoe ze veilig en efficiënt door deze chaotische omgeving kunnen navigeren.

Dit is het verhaal van hoe de auteurs dit probleem hebben opgelost, onderverdeeld in eenvoudige concepten:

1. Het Probleem: Een Robot met een "Eigen Wil"

In de echte wereld zijn robots niet perfect. Als je een robot vertelt om rechtuit te rijden, kan hij een beetje afwijken omdat de vloer glad is of de wielen niet perfect rond zijn. In een drukke loods kan een robot, als hij zelfs maar een klein beetje afwijkt, tegen een stelling of een andere robot aanbotsen.

De auteurs realiseerden zich dat je dit niet kunt oplossen door de robot alleen maar te zeggen "ga daarheen". Je moet begrijpen hoe de robot beweegt (zijn fysica) en hem vervolgens een plan geven dat rekening houdt met zijn imperfecties.

2. De Strategie: De Reis Opdelen in Drie "Modi"

In plaats van te proberen de hele reis in één keer op te lossen, deelden de auteurs de beweging van de robot op in drie eenvoudige gedragingen, zoals het schakelen van versnellingen in een auto:

Obstakelvermijding: "Ik zie een muur! Draai weg!" (Dit gebruikt de hoek van het obstakel om te bepalen hoe scherp er afgebogen moet worden).
Doelbenadering: "Ik ben ver van het doel; laten we snelheid maken, maar niet te snel." (Dit past de snelheid aan op basis van hoe ver de bestemming verwijderd is).
Doeldraaien: "Ik ben dicht bij het doel; laten we vertragen en precies draaien om het doel aan te kunnen."

Door tussen deze drie "modi" te schakelen, kan de robot complexe situaties op een natuurlijke manier afhandelen.

3. De Kaartmaker: De "Energie"-planner

Om de beste route van punt A naar punt B te bepalen, gebruikte het team een digitaal brein (een neuraal netwerk) gecombineerd met een slimme zoekmethode genaamd Simulated Annealing.

Denk hierbij aan een wandelaar die probeert het laagste punt in een mistige bergvallei te vinden:

Het Doel: Het pad vinden met de "laagste energie". In deze context betekent "energie" een combinatie van twee dingen: korte afstand (minder lopen) en veiligheid (ver van obstakels blijven).
De Truc: Soms kan de wandelaar vast komen te zitten in een kleine kuil, denkend dat dit de bodem is. Simulated Annealing is als het af en toe geven van een kleine "schok" of "sprong" aan de wandelaar. Hierdoor kan de robot uit kleine vallen springen en het werkelijke beste pad (het globale minimum) vinden, in plaats van genoegen te nemen met slechts een "goed genoeg" pad.

4. Het Stuur: De "Fuzzy" Controller

Zodra de robot een kaart heeft, moet hij nog steeds rijden. Dat is waar de Fuzzy Controller om de hoek komt kijken.

Stel je voor dat je een auto bestuurt en je begint naar de rechterrijstrook af te wijken. Je hebt geen wiskundige graad nodig om te weten dat je het stuur een klein beetje naar links moet draaien. Je "voelt" de afwijking gewoon.

De robot doet hetzelfde. Hij controleert constant twee dingen: Ben ik wel de juiste kant op gericht? (Hoekfout) en Ben ik in het midden van de rijstrook? (Laterale fout).
Als de robot een paar graden of een paar centimeter uit koers is, werkt de fuzzy controller als de handen van een ervaren bestuurder, door kleine, vloeiende aanpassingen te maken aan de snelheid van de linker- en rechterwielen om de robot weer op koers te brengen.

5. Het "Edge"-Voordeel: Lokaal Denken

Het artikel vermeldt ook Edge Computing. Stel je voor dat de robot voor elk obstakel een foto naar een enorme server in een andere stad moet sturen, daar op de berekening moet wachten, en die vervolgens weer terugkrijgt. Dat zou te lang duren, en de robot zou ondertussen tegen iets aan kunnen botsen.

In plaats daarvan voert dit systeem het zware denkwerk uit op de robot zelf (of op een computer direct naast de robot). Het is also[ een co-piloot die in de auto met je meereist, in plaats van een navigatie-expert op de telefoon bellen. Dit zorgt ervoor dat de robot direct kan reageren op veranderingen.

6. De Resultaten: De Proefrit

De auteurs hebben dit systeem getest in een computersimulatie (met de software Matlab 2024) en vergeleken het met twee andere veelvoorkomende methoden.

Nauwkeurigheid: De nieuwe methode hield de robot binnen 5 centimeter (ongeveer 2 inch) van het perfecte pad.
Snelheid: Het corrigeerde de koers in slechts 10 milliseconden (sneller dan een menselijke knipper).
Efficiëntie: De gekozen paden waren korter dan die van de andere methoden. Zo vond de nieuwe methode na 500 pogingen bijvoorbeeld een pad van 106 meter, terwijl de anderen 117–118 meter nodig hadden.

Samenvatting

Kortom, dit artikel presenteert een navigatiesysteem voor robots dat:

Begrijpt hoe de robot fysiek beweegt.
Plant de beste route door een balans te zoeken tussen "kortste pad" versus "veiligste pad" met behulp van een slim zoekalgoritme.
Stuurt de robot in realtime aan met een "fuzzy" logica systeem dat werkt als een ervaren bestuurder die kleine fouten corrigeert.
Lokaal denkt om vertragingen te voorkomen.

Het resultaat is een robot die in staat is om door een rommelige, veranderende industriële omgeving te navigeren met hoge precisie en snelheid, waarbij botsingen beter worden vermeden dan bij eerdere methoden.

Technische Samenvatting: Industrieel Internet Robotische Collaboratie Systeem en Edge Computing Optimalisatie

Probleemstelling
In industriële Internet-omgevingen, zoals magazijnen en flexibele productie, worden mobiele robots geconfronteerd met aanzienlijke uitdagingen bij het genereren van botsingsvrije globale routes. Deze uitdagingen ontstaan door stochastische obstakelconfiguraties en willekeurige verstoringen in de gecommitteerde lineaire en hoekversnellingen. Bestaande benaderingen optimaliseren vaak voor minimale afstand of energie, maar hebben vaak moeite met lokale minima en uitvoeringsverstoringen in complexe, overvolle omgevingen. Bovendien vereist navigatie met hoge precisie een strikte naleving van niet-holonome bewegingsrestricties, terwijl tegelijkertijd een stabiele tracking en botsingsvermijding behouden moeten blijven. Het artikel adresseert ook de latentie- en verkeersproblemen die inherent zijn aan de communicatie tussen robot en server, waarbij edge computing wordt voorgesteld als een middel om de responsiviteit te verbeteren.

Methodologie
De voorgestelde aanpak integreert dynamische modellering, energiegebaseerde globale padplanning en fuzzy-controle voor uitvoering, ondersteund door berekeningen aan de edge-zijde.

Dynamische Modellering en Gedragsdecompositie:
De auteurs modelleren een differential-drive robot met niet-holonome restricties. De dynamische vergelijking wordt initieel opgesteld op basis van pose ( $x, y, \theta$ ) en controle-inputs, en vervolgens vereenvoudigd naar een kinematische vorm waarbij lineaire snelheid ( $\eta$ ) en hoeksnelheid ( $v$ ) de beweging aansturen. Om de controleerbaarheid te verbeteren, wordt de robotbeweging gedecomposeerd in drie geparametriseerde gedragingen:

Obstakelvermijding: Past de hoeksnelheid aan op basis van afwijkingshoeken en de positie van het obstakel, terwijl de lineaire snelheid wordt gemoduleerd op basis van de minimale afstand tot het obstakel.
Doelbenadering: Beperkt de lineaire snelheid op basis van de afstand tot het doel en de maximale snelheid, terwijl termen gerelateerd aan obstakels behouden blijven.
Doeldraaiing: Stelt de hoeksnelheid in op basis van het verschil tussen de koers van het doel en het obstakel, waarbij de lineaire snelheid wordt begrensd.

Globale Padplanning (Energiefunctie & Simulated Annealing):
Globale padplanning wordt geformuleerd als een geoptimaliseerd probleem onder restricties. Het model wordt omgezet in een gewogen energiefunctie ( $F$ ) bestaande uit een padlengte-term ( $F_l$ ) en een botsingsstraf-term ( $F_z$ ). Een drie-lagen neuraal netwerk representeert het planningsmodel. Om de optimale route te vinden en lokale minima te vermijden, maken de auteurs gebruik van Simulated Annealing. Dit algoritme genereert iteratief naburige paden, evalueert veranderingen in energie en accepteert inferieure oplossingen met een waarschijnlijkheid die afneemt naarmate de "temperatuur" daalt, waardoor het convergeert naar een globaal pad met een lage energie.
Globale Padcontrole (Fuzzy Logic):
Tijdens de uitvoering corrigeert een fuzzy-controller afwijkingen. De inputs zijn de koersafwijking (instelbare drempel: $\pm10^\circ$ ) en de laterale offset-fout (instelbare drempel: $\pm100$ mm). De output is het verschil in snelheid tussen het linker- en rechterwiel. De controller maakt gebruik van driehoekige lidmaatschapsfuncties voor foutcorrectie en defuzzificatie op basis van expertregels om discrete controleacties te generen.
Edge Computing Integratie:
Het artikel bespreekt het verplaatsen van berekeningen naar de edge om het robot-serververkeer en de latentie te verminderen, wat het tijdig delen van omgevingsinformatie tussen samenwerkende robots faciliteert.

Belangrijkste Bijdragen

Gedragsgebaseerde Parametrisatie: Een innovatieve decompositie van robotbeweging in obstakelvermijding, doeldraaiing en doelbenadering om controlevariabelen onder niet-holonome restricties te parametriseren.
Hybride Planningsarchitectuur: De combinatie van een op neurale netwerken gebaseerd planningsmodel met Simulated Annealing om te zoeken naar bijna-globale minima in complexe energielandschappen.
Foutcorrigerende Fuzzy-controller: Een specifieke fuzzy-controlstrategie die koers- en laterale offset-fouten gebruikt om snel de wielsnelheidsverschillen aan te passen, waardoor de robot binnen gedefinieerde afwijkingsdrempels blijft.
Edge-geoptimaliseerde Uitvoering: Een framework dat edge computing integreert om latentie- en bandbreedtebeperkingen in industriële samenwerking aan te pakken.

Experimentele Resultaten
De methode werd geëvalueerd met behulp van Matlab 2024 simulaties, waarbij de voorgestelde aanpak werd vergeleken met twee baselines: een visual-servo generalized-constraint planner en een dynamic/static safety-field planner.

Padafwijking: De voorgestelde methode hield afwijkingen binnen $\pm5$ cm en bereikte convergentie binnen 10 ms, waarmee zij de baselines overtrof in zowel stabiliteit als snelheid van convergentie.
Padlengte: Naarmate het aantal iteraties toenam (tot 500), genereerde de voorgestelde methode consistent kortere paden. Bij 500 iteraties bereikte de voorgestelde methode een padlengte van 106 m, vergeleken met 118 m (visual-servo) en 117 m (safety-field). De gemiddelde padlengte voor de voorgestelde methode was 114 m, aanzienlijk korter dan de baselines (respectievelijk 132 m en 130 m).
Robuustheid: De simulaties toonden een verbeterde robuustheid in globale navigatie onder stochastische condities.

Betekenis en Beperkingen
Het artikel stelt dat deze aanpak de robuustheid van globale navigatie in praktische industriële omgevingen verbetert door effectief een balans te vinden tussen padoptimaliteit, botsingsvermijding en trackingstabiliteit. De integratie van edge computing wordt benadrukt als een cruciale factor voor het verminderen van latentie in collaboratieve omgevingen.

De auteurs erkennen bescheiden de beperkingen, waarbij zij opmerken dat het systeem afhankelijk is van specifieke modelleringsaannames, het gebruik van handmatig ontworpen fuzzy-lidmaatschapsfuncties en regels, en gevoeligheid voor sensorruis of abrupte veranderingen in de omgeving. Toekomstig werk richt zich op het integreren van onzekerheidsbewuste detectie, adaptieve afstemming van fuzzy-parameters en validatie via experimenten met echte robots.