Система визуального SLAM и позиционирования для мостового крана

Визуальный SLAM для крана: точное позиционирование без GPS

Основная сложность автоматизации мостового крана — достижение высокой точности и надежности глобального позиционирования внутри цеха, где сигнал GPS недоступен. Традиционные решения для кранового позиционирования — лазерный дальномер, шина с кодом Грея, абсолютный энкодер — обеспечивают точность до миллиметра, но имеют inherent недостатки: лазерный дальномер чувствителен к запыленности, шина с кодом Грея дорога в монтаже и обслуживании, а энкодер накапливает ошибки и страдает от дрейфа из-за проскальзывания колес. Более того, эти системы предоставляют лишь одномерную или двумерную информацию о положении и не способны определить курс (угол рыскания) и трехмерную ориентацию крана. Для таких задач, как гибкий такелаж, гашение раскачивания и предотвращение столкновений, необходимы данные о шести степенях свободы.

Визуальный SLAM (Simultaneous Localization and Mapping) предлагает принципиально новый подход к позиционированию крана. Система использует монокулярную или стереокамеру, установленную на кране, для непрерывного захвата изображений заводского окружения. Извлекая и сопоставляя признаки ORB между кадрами и выполняя тесно связанную оптимизацию с данными инерциального датчика (IMU), она одновременно оценивает шесть степеней свободы положения крана и строит разреженную или плотную карту окружающей среды. Ключевые преимущества: во-первых, не требуется инфраструктура на рельсах — камера является единственным датчиком, что значительно снижает затраты на внедрение по сравнению с шиной с кодом Грея или отражательными пластинами; во-вторых, предоставляется полная информация о положении по осям X, Y, Z и углах крена, тангажа и рыскания, что критически важно для гашения раскачивания и планирования траектории; в-третьих, позиционирование глобально согласовано и не подвержено накопленному дрейфу, свойственному энкодерам. В условиях большепролетного цеха (пролет 30~50 м) точность визуального SLAM достигает ±10 см. Хотя это уступает миллиметровой точности лазерного измерения расстояния, устойчивость к точечным перекрытиям делает его идеальным резервированием для лазерных и энкодерных систем, значительно повышая общую надежность системы позиционирования.

▲ Система визуального SLAM-картирования для мостового крана — извлечение признаков ORB · построение карты в реальном времени · конвейер мультисенсорной интеграции VINS-Mono

Адаптация ORB-SLAM3 для крана: извлечение признаков

ORB-SLAM3 — один из самых зрелых фреймворков визуального SLAM, поддерживающий монокулярный, стерео и RGB-D режимы. Он включает тесно связанный визуально-инерциальный фронтенд, бэкенд с локальной оптимизацией BA (Bundle Adjustment), обнаружение замкнутых циклов и повторное использование карт. Прямое применение ORB-SLAM3 в крановой среде сталкивается с тремя инженерными проблемами: недостаточное количество признаков из-за разреженной текстуры цеха, нестабильное сопоставление кадров из-за вибрации крана и рост карты в условиях большого пролета.

2.1 Стратегия извлечения признаков для производственной среды

Промышленная среда значительно отличается от офисных помещений: стены цеха — это гладкие металлические панели или бетон с высокой повторяемостью текстуры и низким содержанием высокочастотных деталей; пол бетонный с крайне разреженной текстурой. Однако конструктивные элементы здания — стальные фермы крыши, прогоны, световые фонари, крановый рельс (двутавровая балка, рельсовый зажим) и колонны — предоставляют богатые источники краев и угловых признаков. Для адаптации к такому распределению признаков необходимо скорректировать параметры извлечения ORB в ORB-SLAM3:

Кроме того, для многочисленных прямолинейных кромок в заводском здании (кромки рельсов, раскосы ферм покрытия, рёбра колонн) после извлечения признаков ORB добавляется вспомогательный уровень сопоставления по линейным сегментам. Для выделения прямолинейных участков на изображении применяется алгоритм LSD (Line Segment Detector), а для описания и сопоставления сегментов используются дескрипторы LBD (Line Band Descriptor). Введение линейных признаков повышает коэффициент сопоставления признаков с примерно 35% (чистый вариант ORB) до примерно 52%, что значительно усиливает устойчивость позиционирования при движении вдоль рельсового пути.

2.2 Адаптация фронтенда с плотной связью визуально-инерциальной системы

Механические вибрации при работе мостового крана (особенно низкочастотный резонанс, вызванный пуском и остановкой механизма подъёма, а также раскачиванием груза) создают серьёзные помехи для фронтенда визуальной SLAM-системы. В чисто визуальном режиме ORB-SLAM3 происходит потеря отслеживания между кадрами при амплитуде вибрации, превышающей ±50 пикселей. Решение заключается в активации режима плотной связи визуально-инерциальной системы (VI) в ORB-SLAM3 с привлечением данных угловой скорости и ускорения от IMU (инерциального измерительного модуля):

• Предынтеграция IMU: на временном интервале между двумя кадрами изображения (типовое значение 33–50 мс, что соответствует 20–30 кадрам/с) выполняется численное интегрирование угловой скорости ω и ускорения a от IMU, в результате чего получаются относительные поворот ΔR, скорость Δv и перемещение Δp между кадрами. Модель предынтеграции включает смещение (bias) IMU в вектор состояния в качестве оптимизируемой переменной и выполняет совместную оптимизацию с ошибкой визуальной перепроекции, что исключает зависимость от априорной калибровки смещения IMU.
• Совместная визуально-инерциальная инициализация: на этапе запуска SLAM-системы сначала выполняется оценка положения и ориентации в чисто визуальном режиме в течение 5–15 кадров, одновременно с этим по измерениям IMU оцениваются направление силы тяжести, смещение акселерометра и начальные значения скорости. Когда ошибка согласования визуальных и инерциальных данных сходится к значению ниже порога (типовое значение остаточной ошибки ускорения <0,5 м/с²), выполняется переход в режим плотной связи VI.
• Повышение устойчивости к вибрациям: в режиме VI модуль IMU обеспечивает высокочастотное прогнозирование движения между кадрами (частота дискретизации IMU 200–400 Гц, что значительно выше, чем 20–30 кадров/с у камеры). Когда вибрация приводит к сбою сопоставления визуальных признаков, прогнозируемое IMU положение и ориентация служат жёстким априорным ограничением, сужающим область поиска признаков, что снижает долю потери отслеживания с примерно 8% в чисто визуальном режиме до примерно 0,5% в режиме VI.

2.3 Стратегия управления картой для большепролётных заводских зданий

Зона перемещения мостового крана в большепролётном заводском здании (длина 100–300 м) приводит к резкому росту объёма карты в ORB-SLAM3. После одного часа непрерывной работы количество ключевых кадров (KeyFrame) в разреженной карте может достигать 3000–5000, а количество картовых точек (MapPoint) — 150–250 тысяч, что превышает возможности обработки в реальном времени на граничном устройстве Jetson. Для решения этой инженерной задачи применяются следующие три меры оптимизации:

• Сокращение графа смежности (Covisibility Graph): когда количество ключевых кадров в карте превышает верхний порог (установлен на 1000 кадров), запускается операция сокращения — удаляются избыточные ключевые кадры, имеющие менее 15 общих картовых точек с текущим кадром. Сокращение графа смежности запускается каждые 50 обработанных кадров, при каждом запуске удаляется примерно 5–10% избыточных кадров, что позволяет стабильно удерживать объём карты в пределах потребления памяти <2 ГБ.
• Активное управление локальной картой: рабочая зона мостового крана разделяется на сетку с ячейками 50 м × 30 м, каждая ячейка сетки поддерживает собственную подкарту. При пересечении границы ячейки сетки запускается переключение подкарты: в оптимизатор для участия в локальном пакетном регулировании (BA) загружаются только подкарты текущей ячейки и восьми соседних с ней. Подкарты удалённых зон сохраняются на диск в сжатом формате и загружаются по мере необходимости (например, при обнаружении петли с совпадением удалённых ключевых кадров).
• Инкрементальное обнаружение петель: для каждого нового ключевого кадра с помощью модели мешка слов DBoW2 формируется вектор визуальных слов, который сопоставляется с историческими ключевыми кадрами. При обнаружении кандидата на петлю и успешной геометрической проверке запускается оптимизация графа поз (Pose Graph Optimization), а не глобальная пакетная оптимизация (BA) — оптимизация графа поз оптимизирует только позы ключевых кадров без корректировки положения картовых точек, что требует примерно 1/10 вычислений от глобальной BA и позволяет выполнить оптимизацию для 3000 кадров за 500 мс.

3. Развёртывание системы визуально-инерциального позиционирования VINS-Mono

VINS-Mono (Visual-Inertial System — Monocular) — это открытая визуально-инерциальная SLAM-система, разработанная командой Шэнь Шаоцзе из Гонконгского университета науки и технологий. Система использует монокулярную камеру и шестиосевой IMU в схеме с плотной связью. По сравнению с ORB-SLAM3, VINS-Mono обладает преимуществом в производительности в реальном времени благодаря нелинейной оптимизации в скользящем окне, что делает её более подходящей для развёртывания на граничных устройствах мостовых кранов с ограниченными вычислительными ресурсами.

3.1 Архитектура адаптации VINS-Mono для мостового крана

Полный процесс обработки VINS-Mono разделён на четыре модуля: фронтенд визуального отслеживания, предынтеграция IMU, оптимизация в скользящем окне и обнаружение петель. Ключевыми аспектами адаптации для сценария мостового крана являются настройка параметров и калибровка внешних параметров датчиков:

3.2 Калибровка внешних параметров и синхронизация времени системы «камера-IMU»

Точность визуально-инерциальной гибридной системы напрямую зависит от точной калибровки внешних параметров (матрицы поворота R и вектора переноса t) между камерой и IMU, а также временного сдвига t_offset. На бортовом устройстве мостового крана (NVIDIA Jetson Orin NX) применяется следующий трёхэтапный процесс калибровки:

• Грубая калибровка в автономном режиме: в лабораторных условиях с использованием шахматной доски выполняется калибровка внутренних параметров камеры (fx, fy, cx, cy, k1, k2, p1, p2), а также калибровка IMU методом шести положений (смещение акселерометра и масштабный коэффициент). Требования к точности калибровки: ошибка репроекции камеры <0,3 пикселя, устойчивость смещения акселерометра IMU <0,1 mg.
• Точная калибровка в реальном времени: после установки оборудования на мостовой кран, кран приводится в движение по рельсу по S-образной траектории. Используя встроенную функцию онлайн-калибровки VINS-Mono, внешние параметры камеры и IMU непрерывно оптимизируются в процессе работы SLAM. Начальные внешние параметры задаются по чертежам механизма (точность ±2 мм/±0,5°), а после 1000 кадров онлайн-калибровка сходится к значениям с точностью ±0,1 мм/±0,02°.
• Аппаратная синхронизация времени: выравнивание временных меток камеры и IMU является основополагающим условием точности всей системы. Применяется схема аппаратной синхронизации: сигнал 1PPS (импульс в секунду) от IMU используется в качестве внешнего триггера для камеры, что обеспечивает строгое выравнивание момента экспозиции камеры с моментом выборки IMU. При отсутствии аппаратной синхронизации (например, в случае недорогой USB-камеры с отдельным IMU) используется алгоритм выравнивания по программным временным меткам: для последовательностей сообщений IMU и камеры применяется линейная интерполяция и интерполяция кубическими сплайнами соответственно, а в скользящем окне выполняется поиск временного сдвига t_offset, минимизирующего ошибку визуальной репроекции. Точность синхронизации программного метода составляет ±2 мс, аппаратного — до ±50 мкс.

3.3 Сравнительная оценка точности позиционирования

Сравнительные испытания VINS-Mono проводились в стандартном заводском здании с пролётом 36 м и длиной 120 м. Условия испытаний: камера Basler acA2040-25gm (разрешение 2048×1536, частота кадров 25 кадров/с, глобальный затвор), IMU ADIS16470 тактического класса (устойчивость смещения акселерометра 0,1 mg, угловое случайное блуждание гироскопа 0,2°/√ч), устройство граничных вычислений NVIDIA Jetson Orin NX (потребляемая мощность 25 Вт). Опорные значения истинного положения предоставлены лазерным дальномером Leuze AMS 308i (точность ±1 мм) и SLAM на основе лидара SICK LMS111:

Результаты тестирования показали, что VINS-Mono демонстрирует наилучшую совокупную производительность в сценарии мостового крана — погрешность позиционирования около ±8 см, вероятность потери трекинга всего 0,5 %, время обработки кадра 42 мс (при пороге реального времени <50 мс), загрузка CPU в установившемся режиме 55 %. Это делает его оптимальным кандидатом для периферийного развертывания. Преимущество VINS-Mono обусловлено механизмом оптимизации скользящего окна — оптимизируются состояния только 15 кадров в пределах окна, что позволяет избежать вычислительного взрыва, характерного для глобальной оптимизации.

Проектирование системы гибридного позиционирования на основе мультисенсорной интеграции

Автономное развертывание визуального SLAM имеет два неотъемлемых недостатка: во-первых, в экстремальных условиях — при контровом свете, запыленности или низкой освещенности в ночное время — извлечение визуальных признаков может полностью выйти из строя; во-вторых, выходная частота визуального SLAM ограничена частотой кадров камеры (типичное значение 25–30 Гц), что не позволяет удовлетворять требованиям управления в реальном времени в сценариях высокоскоростного движения. Поэтому в реальной инженерной практике визуальный SLAM необходимо интегрировать с энкодерами, лазерными дальномерами и другими датчиками для построения резервированной и надежной системы позиционирования.

4.1 Структура fusion-фильтра на основе расширенного фильтра Калмана

Ядром системы гибридного позиционирования является фильтр EKF (Extended Kalman Filter — расширенный фильтр Калмана), который с частотой 25 Гц объединяет оценки состояния от четырех источников датчиков:

• Визуальный SLAM (VINS-Mono, 25 Гц): обеспечивает трехмерное положение (x, y, z), трехмерную ориентацию (roll, pitch, yaw) и соответствующую ковариационную матрицу. Визуальный SLAM имеет высокую степень достоверности в областях с богатой текстурой; в условиях недостаточной освещенности или разреженной текстуры ковариация автоматически увеличивается.
• Абсолютный энкодер (Heidenhain ECN1313, 1 кГц): обеспечивает одномерное измерение положения моста крана и тележки с точностью ±0,1 мм. Энкодер обладает высокой достоверностью при отсутствии проскальзывания, однако при пробуксовке или холостом вращении колес возникает накапливающаяся погрешность.
• Лазерный дальномер (Leuze AMS 308i, 100 Гц): обеспечивает одномерное абсолютное измерение положения в направлении движения моста с точностью ±1 мм. Лазерный дальномер отличается высокой точностью при отсутствии препятствий, однако полностью выходит из строя при перекрытии светоотражающей пластины или рефлектора.
• Шестиосевые инерциальные данные IMU (ADIS16470, 400 Гц): обеспечивают высокочастотное прогнозирование движения для интерполяции между кадрами и расчета положения при кратковременном отсутствии визуального сигнала.

На этапе прогнозирования в системе EKF используется дифференциальная модель движения двух колёс мостового крана, где в качестве управляющих входов выступают скорость от энкодера и угловая скорость от IMU. На этапе обновления обработка выполняется последовательно по времени поступления данных от датчиков: лазерный дальномер (100 Гц) > энкодер (1 кГц с децимацией до 200 Гц) > визуальный SLAM (25 Гц) > коррекция нулевой скорости IMU (вход 400 Гц, используется только для расчёта движения на этапе прогнозирования). При практической реализации особое внимание следует уделить временной синхронизации датчиков — временные метки всех датчиков преобразуются в главный тактовый домен контроллера крана (синхронизация по протоколам NTP или PTP). При получении нового наблюдения EKF автоматически запрашивает прогнозируемое состояние на соответствующий момент времени для выполнения обновления.

4.2 Обнаружение отказов датчиков и динамическое управление весовыми коэффициентами

Одиночный датчик в промышленной среде может выйти из строя в любой момент, поэтому система гибридного позиционирования должна обладать способностью автоматического обнаружения отказов и деградации режима работы. Для каждого датчика поддерживается показатель состояния здоровья H_i в диапазоне [0, 1], который рассчитывается на основе следующих критериев:

• Показатель качества сигнала: интенсивность отражённого сигнала (RSSI) лазерного дальномера — при снижении ниже порогового значения вес автоматически уменьшается; количество отслеживаемых внутренних точек визуального SLAM — при количестве менее 20 внутренних точек достоверность визуальных данных обнуляется.
• Проверка согласованности: нормализованная невязка (расстояние Махаланобиса) между наблюдениями каждого датчика и прогнозом EKF сравнивается с пороговым значением. При трёх последовательных превышениях порога активируется маркер отказа датчика.
• Актуальность данных: разница между временной меткой последнего наблюдения датчика и текущим временем. При превышении максимально допустимой задержки (лазер — 50 мс, визуальный SLAM — 100 мс, энкодер — 10 мс) вес автоматически снижается.

Показатель состояния здоровья динамически корректирует ковариационную матрицу шума наблюдения соответствующего датчика в EKF: R_i = R_base / H_i. Когда H_i падает ниже 0,1, датчик полностью исключается из обновления EKF, и оставшиеся датчики продолжают выполнять слияние данных. При полном отказе визуального канала (например, при ночном отключении для технического обслуживания) система гибридного позиционирования деградирует до режима трёх датчиков: лазер + энкодер + IMU, сохраняя при этом точность позиционирования ±3 мм. После восстановления визуального канала механизм мониторинга невязок EKF восстанавливает весовой коэффициент визуальных данных до нормального уровня в течение 3–5 циклов обновления (примерно 0,1–0,2 с).

4.3 Единая система координат и выравнивание карты

1. Начальное выравнивание: при первом запуске мостового крана с помощью лазерного дальномера и энкодера определяется абсолютное положение в начальный момент времени (x0, y0), одновременно визуальный SLAM выдаёт относительную позу (x'_0, y'_0, θ'_0) на этот момент. Вычисляется матрица гомогенного преобразования T_map_init = T_abs / T_rel для устранения начального отклонения.
2. Оперативная коррекция: в процессе работы непрерывно собираются парные данные выходной позы визуального SLAM и абсолютной позы лазера/энкодера. Методом наименьших квадратов вычисляется оптимальная матрица преобразования. После повторной инициализации визуальных признаков (например, после восстановления после потери визуального контакта) используется последняя вычисленная матрица преобразования для выравнивания систем координат, что позволяет избежать скачкообразных изменений позы, способных оказать ударное воздействие на систему управления мостовым краном.
3. Якорение по семантическим ориентирам: на выбранных фиксированных позициях в заводском здании (например, у колонн с номерами, в местах рельсовых стыков) размещаются QR-метки AprilTag (размер стороны 200 мм). При обнаружении метки AprilTag в процессе работы визуальный SLAM автоматически связывает идентификатор метки с предварительно сохранёнными координатами заводского здания, используя их в качестве абсолютных опорных точек для коррекции накапливающегося дрейфа. Типичная частота коррекции по меткам AprilTag — один раз на каждые 50–100 м длины рельса, величина каждой коррекции составляет <5 см.

5. Промышленное внедрение и оптимизация производительности

5.1 Выбор оборудования и схема монтажа

5.2 Порядок развёртывания и ключевые контрольные точки

1. Монтаж и калибровка камеры: камера закрепляется в передней части рамы тележки под углом 15° к горизонту для одновременного захвата текстурных признаков ближнего рельса и удалённой кровли заводского здания. Калибровка внутренних параметров выполняется по плоской шахматной доске (12×9 клеток, шаг 30 мм); требуемая ошибка репроекции — менее 0,3 пикселя. После калибровки используется объектив с фиксированным фокусным расстоянием, исключающий смещение фокуса из-за вибрации и связанный с ним дрейф внутренних параметров.
2. Калибровка IMU и температурная компенсация: модуль IMU помещается в термокамеру; в диапазоне от −20 °C до 70 °C с шагом 10 °C снимаются температурные кривые нулевого смещения и масштабного коэффициента акселерометра и гироскопа. На основе полученных данных строится модель температурной компенсации (кусочно-линейная интерполяция, шаг компенсации 1 °C). Коэффициенты температурной компенсации IMU записываются в конфигурационный файл бортового контроллера; в процессе работы компенсация выполняется в реальном времени по показаниям встроенного датчика температуры IMU.
3. Построение карты с детекцией замкнутых контуров: перед первым автоматическим запуском мостового крана выполняется два прохода по всей длине рельса на скорости 0,3 м/с (комбинированное движение моста и тележки) для формирования исходной карты заводского здания с детекцией замкнутых контуров. После завершения начального построения карты вручную проверяется полнота покрытия (доля неисследованных областей на краях карты не должна превышать 50 %) и качество замкнутых контуров (средняя ошибка репроекции после оптимизации графа поз — менее 2 пикселей).
4. Верификация системы координат: с помощью тахеометра (точность ±1 мм, например Leica TS16) выполняется калибровка координат 10 равномерно распределённых контрольных точек в заводском здании. Визуальное положение этих точек определяется на SLAM-карте, после чего вычисляется отклонение от фактических координат. Система координат считается выровненной корректно, если отклонение в центральной зоне здания составляет менее 8 см, а в краевой зоне — менее 15 см.
5. Тест непрерывной работы: выполняется 24-часовой непрерывный тест позиционирования с контролем следующих показателей: максимальное отклонение позиционирования — менее 15 см, количество потерь сопровождения — не более 3, интервал отсутствия валидных наблюдений на выходе EKF-фильтра — менее 200 мс. При несоответствии любого из параметров выполняется возврат к соответствующему этапу для устранения причин.

5.3 Ключевые аспекты оптимизации производительности

• GPU-ускорение извлечения признаков: детектирование углов FAST и вычисление дескрипторов BRIEF в составе ORB-признаков могут быть ускорены на GPU модуля Jetson с использованием CUDA, что сокращает время извлечения признаков с 15 мс до 3 мс на кадр. Для реализации GPU-ускорения применяются библиотеки VisionWorks или VPI (Vision Programming Interface) от NVIDIA.
• Конвейерный параллелизм на многоядерном процессоре: фронтальное отслеживание признаков VINS-Mono (интенсивные вычисления на CPU, привязка к ядрам 2–3), предынтеграция IMU (лёгкие вычисления, привязка к ядру 0) и оптимизация скользящего окна на бэкенде (интенсивная работа с памятью, привязка к ядрам 4–5) распределяются по трём независимым потокам, что обеспечивает конвейерный параллелизм на 6-ядерном CPU модуля Jetson Orin NX. Суммарная межадровая задержка системы (от захвата кадра до выхода оптимизации скользящего окна) снижается с 42 мс в последовательном режиме до 28 мс в конвейерном.
• Квантизация модели и INT8-инференс: в условиях резких перепадов освещённости (день/ночь), приводящих к недостаточному количеству ORB-признаков, целесообразно применение лёгкой CNN-сети SuperPoint для извлечения признаков вместо ручных ORB-дескрипторов. Квантизация весов SuperPoint до формата INT8 (потеря точности менее 2 %) с последующим инференсом на GPU Jetson через TensorRT обеспечивает извлечение признаков и вычисление дескрипторов за ~8 мс на кадр с одновременным формированием 300 высококачественных угловых признаков и 256-мерных дескрипторов.

Типовые сценарии применения и результаты

6.1 Обратная связь по положению для гибкого гашения раскачивания

Традиционные системы гашения раскачивания мостовых кранов используют датчик угла для непосредственного измерения угла отклонения подъёма, однако такой подход сложен в монтаже и обслуживании. Трёхмерное положение подъёма в реальном времени (координаты + угол рыскания), формируемое системой визуального SLAM, может использоваться в качестве обратной связи для контроллера антираскачивания: контроллер на основе скорости изменения угла рыскания от SLAM заблаговременно корректирует скорость движения моста и тележки (компенсация по прямому каналу), компенсируя раскачивание груза. В ходе практического внедрения на отделении чистовой обработки металлургического завода кран с системой антираскачивания на базе VINS-Mono при скорости передвижения 1,5 м/с и дистанции перемещения 25 м обеспечил снижение остаточного раскачивания груза после остановки с 650 мм (без системы) до 80 мм, а время затухания колебаний сократилось с 12 с до 3,5 с.

6.2 Резервирование глобального позиционирования для безлюдной эксплуатации

На автоматизированном складе листового проката с пролётом 30 м и длиной 150 м два мостовых крана выполняют безлюдные операции по приёмке и отгрузке листов. Система позиционирования построена по схеме: лазерный дальномер + абсолютный энкодер в качестве основного канала, визуальный SLAM — в качестве резервного. За трёхмесячный период непрерывной эксплуатации доля времени недоступности визуального SLAM составила всего 0,3 % (в основном в ночные часы простоя и при экстремально высокой запылённости). В 17 случаях кратковременного отказа лазерного дальномера из-за перекрытия луча вилочным погрузчиком визуальный SLAM успешно брал на себя задачу позиционирования, и работа кранов не прерывалась из-за сбоев позиционирования.

6.3 Пространственная привязка для цифрового двойника

Система цифрового двойника мостового крана требует отображения реального положения и ориентации крана в трёхмерном виртуальном пространстве. Шестистепенная оценка положения от визуального SLAM обеспечивает непосредственный координатный вход для этого отображения: после однократной калибровки якорных координат оборудования заводского здания на SLAM-карте задержка синхронизации между изображением цифрового двойника и физическими действиями крана составляет менее 30 мс, что удовлетворяет базовым требованиям мониторинга в реальном времени. По сравнению с традиционной схемой на основе энкодеров и модельных расчётов (которая позволяет отображать только положение, но не угол рыскания и тангажа), решение на базе визуального SLAM обеспечивает достоверное отображение незначительных изменений ориентации крана в процессе работы (например, лёгкого наклона при неравномерной загрузке подъёма), предоставляя обслуживающему персоналу более реалистичный опыт удалённого мониторинга.

Часто задаваемые вопросы (FAQ)