Sistema de identificación y posicionamiento de objetos extraños robot clasificador de cinta transportadora de mina de carbónComo un equipo importante para la producción de la mina de carbón, la operación segura de la cinta transportadora de la mina de carbón es una base importante para garantizar la producción normal de la mina de carbón. Sin embargo, en el proceso de producción y transporte de carbón, las cintas transportadoras de las minas de carbón pueden verse afectadas por objetos extraños extraídos por minería integral o excavación integral, etc., lo que puede provocar accidentes graves, como correas rasgadas y rotas. Los métodos tradicionales de detección de objetos extraños, como la detección manual, la detección por radar y los detectores de metales, son ineficientes, costosos, difíciles de implementar y mantener, y presentan riesgos para la seguridad.Con el desarrollo continuo de la tecnología de visión artificial, las instituciones y académicos nacionales y extranjeros han llevado a cabo una gran cantidad de investigaciones sobre la aplicación de la tecnología de visión artificial en la detección de objetivos y el monitoreo del estado de la cinta transportadora de minas de carbón. Aunque la visión artificial tiene una cierta base teórica en la detección e identificación de objetivos de cintas transportadoras de minas de carbón, la identificación actual de objetivos de robots de clasificación de cintas transportadoras de minas de carbón es principalmente para la identificación de gangas, y hay menos investigación sobre la identificación de objetivos de objetos extraños que provocan la penetración de la cinta, el desgarro. , etc., y hay menos investigación sobre el posicionamiento preciso de objetos extraños objetivo. Por la presente, MingDe diseñó un sistema de identificación y posicionamiento de objetos extraños de robot clasificador de cinta transportadora de mina de carbón, que puede identificar y ubicar diferentes tipos y formas de objetos extraños en la cinta transportadora. A través de una cámara de alta precisión estéreo multidimensional y multiángulo, el robot clasificador inteligente escanea rápidamente el mineral en la cinta transportadora. El algoritmo de reconocimiento de objetos extraños CRM-CNN de desarrollo propio ubica con precisión la posición 3D de los escombros, controla el robot para agarrar el objeto extraño y lo coloca en la caja de recolección de objetos extraños.Caracteristicas de producto 1: Basado en tecnología de aprendizaje profundo, combinado con una gran base de datos de objetos extraños minerales, El clasificador de robot inteligente tiene una alta tasa de reconocimiento de objetos extraños.2: Usando una cámara estéreo industrial multiángulo y multidimensional y un algoritmo de reconocimiento geométrico 3D, la máquina de clasificación de robots inteligente puede medir y posicionar con precisión la profundidad, dirección y posición de objetos extraños.3: control altamente flexible, ya que los objetos extraños recién surgidos se pueden agregar en cualquier momento.4: El brazo robótico de altos niveles de protección especialmente desarrollado, más rápido y más flexible, puede adaptarse de manera efectiva a varias velocidades de transporte y entornos industriales hostiles5: Supervisión remota altamente inteligente, desatendida y opcional Verificación experimental La confiabilidad del sistema de reconocimiento y localización de objetos extraños del robot clasificador de cinta transportadora de la mina de carbón y su algoritmo es verificada por el prototipo experimental con objetos extraños en forma de varilla como objeto experimental. Los resultados experimentales del prototipo del sistema muestran que la tasa de reconocimiento de objetos extraños del sistema de posicionamiento y reconocimiento de objetos extraños del robot clasificador de cinta transportadora de la mina de carbón no se ve afectada por el tamaño, el material y el color, etc., y puede realizar la adquisición, el procesamiento , extracción de características, reconocimiento y posicionamiento de posición de la imagen de objeto extraño objetivo de la cinta transportadora, y la tasa de reconocimiento es superior al 99,5%, y el error promedio del posicionamiento de posición de objeto extraño objetivo es de aproximadamente 1%.

Robot de eliminación de material MingDe manipulador robótico Brazo robótico Robot de eliminación de objetos extrañosrobot de remoción de material Un robot es una máquina inteligente que puede trabajar de forma semiautónoma o totalmente autónoma. Los robots se pueden programar y controlar automáticamente para realizar tareas como trabajar o moverse.Principio del productoA través de una cámara de alta precisión estéreo multidimensional y multiángulo, el robot clasificador inteligente escanea rápidamente el mineral en la cinta transportadora. El algoritmo de reconocimiento de objetos extraños CRM-CNN de desarrollo propio ubica con precisión la posición 3D de los escombros, controla el robot para agarrar el objeto extraño y lo coloca en la caja de recolección de objetos extraños.Mingde Características del producto1: Basado en tecnología de aprendizaje profundo, combinado con una gran base de datos de objetos extraños minerales, El clasificador de robot inteligente tiene una alta tasa de reconocimiento de objetos extraños.2: Usando una cámara estéreo industrial multiángulo y multidimensional y un algoritmo de reconocimiento geométrico 3D, la máquina de clasificación de robots inteligente puede medir y posicionar con precisión la profundidad, dirección y posición de objetos extraños.3: control altamente flexible, ya que los objetos extraños recién surgidos se pueden agregar en cualquier momento.4: El brazo robótico de altos niveles de protección especialmente desarrollado, más rápido y más flexible, puede adaptarse de manera efectiva a varias velocidades de transporte y entornos industriales hostiles 5: Supervisión remota altamente inteligente, desatendida y opcional Áreas de aplicaciónSe utiliza principalmente para la clasificación de minerales, clasificación de varillas de anclaje, braseros de acero, trapos, madera, piezas de hierro, tuberías de llenado de desechos y otros desechos en el proceso de producción y transporte de minerales, reemplazando la clasificación manual, sentando las bases para reducir el trabajo del personal. , reduciendo la tasa de fallas del equipo, reduciendo el personal y aumentando la eficiencia.

Diseño de un sistema robotizado de despaletizado guiado por visión 3D para materiales multicalibreRobot de eliminación de material Manipulador robótico de brazo robóticoResumen: En la fabricación industrial y logística, la despaletización de materiales por robots es una de las aplicaciones comunes. La despaletización de materiales es un escenario en el que se cargan mercancías de diferentes calibres (es decir, mercancías de diferentes tamaños, pesos o texturas) en tarimas para su entrega. La despaletización por robot anterior solo era aplicable a la descarga de mercancías individuales y requería que las mercancías se dispusieran en un orden fijo, y el robot no tenía capacidad de percepción; El sistema de despaletización de robot guiado por visión que se describe en este documento está equipado con capacidad de percepción del entorno en tiempo real para guiar la acción de agarre, resolviendo así los problemas de tamaños variables de objetos que se descargarán y la colocación irregular de los sistemas de despaletización de materiales de varios calibres. Palabras clave: reconocimiento de visión 3D, robot, paletizado híbrido, posicionamiento de objetos, algoritmo de despaletizado En la fabricación industrial y la logística, se pueden utilizar varios robots industriales para optimizar el flujo de mercancías, y una de las aplicaciones comunes es la despaletización de materiales. La "despaletización robótica" por lo general se refiere al proceso de descarga secuencial de materiales de paletas usando brazos robóticos y puede usarse para reemplazar el trabajo manual simple pero pesado. En logística, existen escenarios donde mercancías de diferentes calibres (es decir, diferentes tamaños, pesos o texturas) se entregan en cajas, como se muestra en la Figura 1.Sin embargo, los primeros sistemas robóticos de despaletización se controlaban principalmente de forma manual para completar el agarre del robot, que solo era aplicable a la descarga de una sola carga y requería que la carga se dispusiera en un orden fijo, y el robot no tenía la capacidad de percepción para reaccionar a cambios externos. Sin embargo, los sistemas de despaletización de materiales de calibres múltiples requieren que los robots tengan conciencia ambiental en tiempo real para guiar la acción de agarre porque los objetos que se descargarán son de tamaño variable y están colocados de manera irregular.Con el desarrollo de varios sensores ópticos, la tecnología de visión por computadora se ha introducido gradualmente en las tareas de agarre de los robots para mejorar la capacidad del robot para adquirir información externa. Un sistema de despaletización de robot guiado por visión generalmente contiene cinco módulos, que son el módulo de adquisición de información de visión, el módulo de localización y análisis de objetos, el módulo de cálculo de posición de agarre, el módulo de conversión de coordenadas ojo-mano y el módulo de planificación de movimiento, como se muestra en la Figura 2. Entre ellos , los primeros tres módulos son la parte principal del sistema de visión, responsables de adquirir y procesar información visual y proporcionar poses de objetos. Los dos últimos módulos se utilizan principalmente para proporcionar información de control al robot y completar la función de agarre. A continuación, presentaremos cada módulo, métodos comunes y casos de implementación.I. Módulo de adquisición de información de visiónLa función del módulo de adquisición de información de visión es capturar información visual y proporcionar información para los pasos posteriores. En la actualidad, las entradas visuales comúnmente utilizadas incluyen imágenes RGB 2D, imágenes de nube de puntos 3D e imágenes combinadas 2D y 3D RGB-D. Entre ellos, el agarre del brazo robótico asistido por visión basado en imágenes 2D RGB es actualmente una solución madura en la industria, que transforma el problema del agarre del robot en el problema de la detección de objetivos de objetos o la segmentación de imágenes en imágenes RGB. Sin embargo, la visión 2D carece de información de escala absoluta de los objetos y solo se puede usar en condiciones específicas, como escenarios con paletas fijas y tamaños de materiales conocidos. Para escenarios en los que se desconoce el calibre del material, se requiere que el módulo de visión proporcione al robot información precisa del tamaño absoluto del objeto que se va a agarrar, por lo que solo se pueden obtener imágenes de nube de puntos 3D o imágenes RGB-D con una combinación de 2D y 3D. usado. En comparación con la información RGB, la información RGB-D contiene información de distancia espacial desde la cámara hasta el objeto; en comparación con las imágenes de nubes de puntos 3D, la información RGB-D contiene información rica en texturas de color. Por lo tanto, las imágenes RGB-D se pueden utilizar como entrada de información visual del sistema de despaletización de materiales de varios calibres.Módulo de posicionamiento y análisis de objetosEl módulo de posicionamiento y análisis de objetos recibe la entrada de datos del módulo de adquisición de información de visión, analiza los materiales presentes en la escena y obtiene información clave como su posición y pose, y luego ingresa esta información clave en el módulo de cálculo de pose de agarre. En términos generales, el problema de localización de materiales en el sistema de despaletización robótico puede transformarse en un problema de detección de objetivos o segmentación de imágenes en el campo de visión. La solución de agarre de robot basada en visión RGB-D puede realizar primero la detección de objetivos 2D o la segmentación de imágenes 2D en la imagen RGB del material, y luego fusionar el mapa de profundidad para generar el tamaño absoluto del objeto y la pose de agarre; oRealice directamente la detección o segmentación de objetivos en el mapa de nube de puntos 3D. Lo siguiente será una breve introducción al trabajo relacionado.Detección de objetivos 1.2DLa entrada de la detección de objetivos 2D es la imagen RGB de la escena, y la salida es la clase y la posición del objeto en la imagen, y la posición se da en forma de borde o centro. Los métodos para la detección de objetivos se pueden dividir en métodos tradicionales y métodos basados en aprendizaje profundo. Los métodos tradicionales de detección de objetivos generalmente usan una ventana deslizante para recorrer toda la imagen, y cada ventana se convierte en una región candidata. Para cada región candidata, las características se extraen primero mediante SIFT, HOG y otros métodos, y luego se entrena un clasificador para clasificar las características extraídas. Por ejemplo, el algoritmo DPM clásico usa SVM para clasificar las funciones HOG modificadas para lograr el efecto de detección de objetivos. El método tradicional tiene dos inconvenientes obvios: en primer lugar, lleva mucho tiempo recorrer toda la imagen con una ventana deslizante, lo que hace que la complejidad temporal del algoritmo sea alta y difícil de aplicar a escenarios a gran escala o en tiempo real; en segundo lugar, las características utilizadas a menudo deben diseñarse manualmente, lo que hace que dichos algoritmos dependan más de la experiencia y sean menos robustos.2. Segmentación de imágenes bidimensionalesLa segmentación de imágenes se puede considerar como una tarea de clasificación de imágenes a nivel de píxel. Según el significado del resultado de la segmentación, la segmentación de imágenes se puede dividir en segmentación semántica y segmentación de instancias. La segmentación semántica clasifica cada píxel de una imagen en una categoría correspondiente, mientras que la segmentación de instancias no solo realiza una clasificación a nivel de píxel, sino que también diferencia diferentes instancias en función de categorías específicas. En relación con el cuadro delimitador de la detección de objetivos, la segmentación de instancias puede ser precisa hasta los bordes de los objetos; en relación con la segmentación semántica, la segmentación de instancias necesita etiquetar diferentes individuos de objetos similares en el gráfico. En las aplicaciones de despaletización, necesitamos extraer los bordes de los materiales con precisión para calcular la posición de agarre, por lo que necesitamos usar técnicas de segmentación de instancias. Las técnicas de segmentación de imágenes existentes se pueden dividir en métodos tradicionales y métodos basados en aprendizaje profundo. La mayoría de los métodos tradicionales de segmentación de imágenes se basan en la similitud o mutación de los valores de gris de una imagen para determinar si los píxeles pertenecen a la misma clase. Los métodos comúnmente utilizados incluyen métodos basados en teoría de grafos, métodos basados en agrupamiento y métodos basados en detección de bordes. Los métodos basados en el aprendizaje profundo han mejorado sustancialmente la precisión de la segmentación de imágenes 2D en comparación con los métodos tradicionales. Los marcos típicos de redes neuronales profundas, como AlexNet, VGGNet, GoogleNet, etc., agregan una capa completamente conectada al final de la red para la integración de funciones, seguida de softmax para determinar la categoría de la imagen completa. Para resolver el problema de segmentación de imágenes, el marco FCN reemplaza estas capas completamente conectadas con capas de deconvolución, convirtiendo la salida de la red de una probabilidad unidimensional en una matriz con la misma resolución que la entrada, que es el trabajo pionero de aplicar aprendizaje profundo a la segmentación semántica.3. Detección de objetivos 3DLa detección de objetivos en 3D permite a los robots predecir y planificar con precisión su comportamiento y rutas mediante el cálculo directo de la posición de los objetos en 3D para evitar colisiones y violaciones. La detección de objetivos 3D se divide en cámara monocular, cámara binocular, cámara multiocular, escaneo LIDAR de superficie lineal, cámara de profundidad y detección de objetivos con cámara infrarroja según el tipo de sensor. En general, los sistemas estéreo/de visión múltiple que consisten en cámaras de visión múltiple o LiDAR permiten mediciones de nubes de puntos 3D más precisas, donde los métodos basados en vistas múltiples pueden usar el paralaje de imágenes de diferentes vistas para obtener mapas de profundidad; Los métodos basados en nubes de puntos obtienen información de destino a partir de nubes de puntos. En comparación, dado que los datos de profundidad de los puntos se pueden medir directamente, la detección de objetivos 3D basada en nubes de puntos es esencialmente un problema de delineación de puntos 3D y, por lo tanto, es más intuitiva y precisa. En tercer lugar, el módulo de cálculo de pose de captura.El módulo de cálculo de postura de agarre utiliza la información de postura de posición del objeto de destino que sale del segundo módulo para calcular la postura de agarre del robot. Dado que a menudo hay varios objetivos que se pueden agarrar en un sistema de despaletización de materiales de varios calibres, este módulo debería resolver los dos problemas de "cuál agarrar" y "cómo agarrar".El primer paso es resolver el problema "cuál". El objetivo de este problema es seleccionar el mejor destino de rastreo entre muchos destinos de rastreo, y el "mejor" aquí a menudo debe definirse según los requisitos reales. Específicamente, podemos cuantificar algunos indicadores que tienen un impacto en el juicio de rastreo de acuerdo con la situación real y luego priorizar estos indicadores.El segundo paso es resolver el problema de "cómoatrapar ". Podemos elegir analizar y calcular la postura de agarre mediante análisis mecánico, o podemos clasificar primero el objeto por el método de aprendizaje, y luego seleccionar el punto de agarre de acuerdo con la clasificación, o retroceder directamente la postura de agarre. En cuarto lugar, el módulo de conversión de coordenadas ojo-manoCon el tercer módulo, hemos obtenido una pose de agarre factible. Sin embargo, la pose de agarre se basa en la pose del sistema de coordenadas de la cámara, y la pose de agarre debe convertirse al sistema de coordenadas del robot antes de que se pueda realizar la planificación del movimiento. En los sistemas de despaletización se suele utilizar la calibración mano-ojo para solucionar este problema. Dependiendo de la posición de fijación de la cámara, el método de calibración ojo-mano se puede dividir en dos casos. Una es que la cámara está fija en el brazo del robot y la cámara se mueve junto con el brazo, llamado Eye-in-hand, como se muestra en la Figura 3. En esta relación, la relación de posición entre la base del robot y la placa de calibración permanece constante. durante los dos movimientos del brazo del robot, y la cantidad resuelta es la relación de posición entre la cámara y el sistema de coordenadas del extremo del robot. El otro tipo de cámara se fija en un soporte separado, llamado Ojo a mano, como se muestra en la Figura 4. En este caso, la relación de actitud entre el extremo del robot y la placa de calibración permanece igual durante los dos movimientos de el brazo, y la solución es la relación de actitud entre la cámara y el sistema de coordenadas de la base del robot. Ambos casos finalmente se transforman en un problema de solución con AXu003dXB, y la ecuación se puede transformar en una ecuación lineal usando grupo de Lie y álgebra de Lie para resolver las cantidades de rotación y traslación, respectivamente.Quinto. Módulo de planificación de movimientoEste módulo considera principalmente la cinemática, la dinámica, el análisis mecánico y la planificación del movimiento del robot para planificar una trayectoria de movimiento factible que no colisione con el entorno. Al multiplicar la pose de agarre en el sistema de coordenadas de la cámara obtenido por el módulo de cálculo de pose de agarre con la matriz de conversión calibrada por el módulo de conversión de coordenadas mano-ojo, podemos obtener la pose de agarre en el sistema de coordenadas del brazo del robot. En función de esta postura, se puede llevar a cabo la planificación del movimiento y se puede guiar el brazo robótico para completar la tarea de despaletización. Por lo tanto, la entrada del módulo de planificación de movimiento son las posiciones inicial y objetivo del brazo robótico, y la salida es la ruta de movimiento del brazo robótico. El algoritmo de planificación de movimiento completo se puede dividir en los siguientes tres pasos.Paso 1: resolución cinemática inversa. Para evitar problemas como las singularidades, la planificación del movimiento del brazo robótico generalmente se realiza en el espacio articular. Por lo tanto, primero debemos realizar la solución cinemática inversa basada en las poses de entrada para obtener los valores conjuntos correspondientes a las poses.Paso 2: Planificación de ruta. Con el algoritmo de planificación de rutas, podemos obtener la ruta de movimiento del brazo robótico. El objetivo de este paso es doble: uno es evitar obstáculos, para garantizar que el brazo robótico no colisione con otros objetos en la escena durante su movimiento; el segundo es mejorar la velocidad de operación para aumentar la eficiencia de operación del sistema. Mediante la planificación de una trayectoria de movimiento razonable, el tiempo de ejecución de un solo agarre del brazo robótico se puede acortar, mejorando así la eficiencia.Paso 3: interpolación de tiempo. Aunque ya podemos obtener una ruta de movimiento factible a través de la planificación de la ruta, esta ruta se compone de un punto de ubicación tras otro. Cuando el brazo robótico corre a lo largo de este camino, necesita mantener la aceleración y la desaceleración, por lo que tendrá un impacto en la velocidad de marcha. Por esta razón, necesitamos realizar una interpolación temporal para obtener la información de velocidad, aceleración y tiempo para cada punto en la ruta a medida que el brazo robótico se mueve hacia ese punto. De esta forma, el brazo robótico puede funcionar de forma continua y sin problemas, mejorando así la eficiencia. Sexto. Ejemplo de implementaciónCon base en la investigación anterior, se puede usar un sistema de visión completo que consta de una cámara de profundidad 3D, un sistema de iluminación, una computadora y un software de procesamiento de visión en el escenario de identificación del material de la caja de piezas para obtener información especial sobre objetos reales y la información obtenida a través de este El sistema se puede utilizar para realizar algunas tareas especiales, como obtener la posición de la caja a través del sistema de visión, que puede guiar al robot para agarrar y obtener información sobre la cantidad de cajas como calibración para la tarea. Los componentes principales de este sistema, como se muestra en la Figura 5.La cámara 3D y el sistema de luz se utilizan principalmente para imágenes fotográficas, donde la cámara 3D puede obtener datos de profundidad dentro de un cierto rango. Y la formación de imágenes digitales está relacionada con el sistema de iluminación. La computadora, por otro lado, incluye dispositivos informáticos y de almacenamiento de propósito general para guardar imágenes, procesar imágenes a través de software de visión especializado y también para redes.comunicación con otros sistemas. La visualización de imágenes facilita al operador operar el software de procesamiento de visión y monitorear la operación del sistema. El almacenamiento de gran capacidad se utiliza para el almacenamiento permanente o temporal de imágenes u otros datos. El software de visión especializado, por otro lado, incluye procesamiento de imágenes digitales, análisis de datos de imágenes y algunas funciones especiales. En términos generales, una cámara de profundidad 3D tiene una velocidad de fotogramas de 1 a 30 fps, resolución de imagen RGB de 640 × 480, 1280 × 960, especial 1920 × 1080, 2592 × 1944 y un rango de profundidad de aproximadamente 500 mm a aproximadamente 5000 mm. Y dependiendo del precio, hay diferente precisión y rango. Este es un ejemplo de una marca de cámara 3D con los parámetros que se muestran en la Figura 6 y la precisión que se muestra en la Figura 7.Con la cámara 3D, puede obtener imágenes RGB e imágenes de profundidad de escenas especiales y, de acuerdo con el procesamiento y análisis de estas imágenes (consulte la Figura 8), puede obtener información sobre la posición, el número y la información de los objetos en el escena.El cuadro rectangular en la Figura 9 es el mapa de posición de captura de cuadro identificado después del procesamiento. El orden de arriba a la izquierda, abajo a la izquierda, arriba a la derecha y abajo a la derecha es "2, 3, 3, 2" respectivamente, es decir, la mano del robot agarrará dos cajas a la izquierda, tres cajas a la izquierda, tres cajas a la derecha y dos casillas a la derecha según la información de posición dada por el sistema de reconocimiento de imágenes.Séptimo. ResumenEn este documento, presentamos el marco y los métodos comunes del sistema de despaletización de robot de material de calibres múltiples guiado por visión 3D, y definimos varios módulos básicos que el marco debe tener, a saber, módulo de adquisición de información de visión, localización de objetos y módulo de análisis, módulo de cálculo de posición de agarre, módulo de conversión de coordenadas mano-ojo y módulo de planificación de movimiento, y explicó las tareas principales y los métodos comunes de cada módulo. En aplicaciones prácticas, se pueden usar diferentes métodos para implementar estos módulos según sea necesario sin afectar las funciones de otros módulos y el sistema como un todo.

Robótica y automatización: los nuevos robots mejoran la eficiencia en el manejo de materialesEl advenimiento de la robótica significa que los trabajadores del almacén pueden dedicar menos tiempo al manejo de materiales y más tiempo a excavar y atender a los clientes. También crea oportunidades para que los trabajadores manejen y "entrenen" nuevos equipos. Durante años, los almacenes han estado incorporando silenciosamente robots en sus operaciones de manejo de materiales, pero en los últimos 18 meses, la tendencia se ha acelerado debido a un aumento en la demanda de comercio electrónico y una escasez general de mano de obra durante la nueva epidemia de la corona. No se espera que esta demanda se estabilice pronto. El aumento de la automatización podría tener un efecto dominó en la fuerza laboral, es decir, reescribir las descripciones de trabajo de muchos trabajadores en manufactura, logística y venta minorista. Los robots no solo acelerarán las operaciones, especialmente en áreas con una grave escasez de mano de obra, sino que también crearán nuevos puestos de trabajo para trabajadores que puedan administrar, mantener y "entrenar" equipos automatizados, dicen los proveedores. ¿Cómo están cambiando los trabajos los robots en la industria de manejo de materiales de almacén? ¿Cómo están las personas "entrenando" a los robots para hacer ciertos trabajos en DC?Actualmente, la mayoría de los robots están programados por personas que escriben el código del software o guían físicamente el brazo del robot a la posición correcta. Pero la próxima generación de robótica se basa cada vez más en la inteligencia artificial (IA) para guiar la dirección, dando a los trabajadores total libertad para realizar otras tareas de CD.¿Cómo está cambiando la robótica el proceso de manejo de materiales en la mina?En el proceso de extracción y transporte, los minerales a menudo se mezclan con madera, clavos de acero, trapos, piezas de plástico, tuberías de llenado de desechos y otros artículos diversos. Estos diversos ha afectado gravemente la seguridad y eficacia de los equipos de transporte, trituración, molienda y beneficio. En el pasado, normalmente se usaba la clasificación manual para eliminarlo, pero existen graves riesgos para la seguridad y la salud en el trabajo en la clasificación manual, así como problemas como la clasificación manual incompleta. El robot para minería puede resolver eficazmente los problemas anteriores.A través de una cámara estéreo de alta precisión multidimensional y multiángulo, el robot inteligente de eliminación de material escanea rápidamente el mineral en el transportador. El algoritmo de reconocimiento de objetos extraños CRM-CNN de desarrollo propio ubica con precisión la posición 3D de los escombros, controla el robot para agarrar el El algoritmo de reconocimiento de objetos extraños desarrollado por CRM-CNN localiza con precisión la posición 3D de los escombros, controla el robot para agarrar el objeto extraño y lo coloca en la caja de recolección de objetos extraños.

Aplicación de la Inteligencia Artificial en la Robótica de Minas de Carbón Resumen Con el rápido desarrollo de la tecnología de inteligencia artificial, su aplicación en las minas de carbón se ha vuelto cada vez más extensa. En el proceso de producción de minas de carbón, la urgencia de la demanda de reemplazo de robots ha acelerado la aplicación industrial de robots de minas de carbón y la aplicación de tecnología de inteligencia artificial en robots de minas de carbón. Se analiza y explora la aplicación de la tecnología de inteligencia artificial en robots de minas de carbón, se introducen los principales contenidos de investigación de la tecnología de inteligencia artificial y su aplicación en la industria, se analiza la situación actual de la aplicación de la inteligencia artificial en la producción de minas de carbón, el concepto de Se elabora la aplicación efectiva de la tecnología de inteligencia artificial a los robots de las minas de carbón y se analiza la perspectiva del desarrollo de la inteligencia artificial en los robots de las minas de carbón. Palabras clave inteligencia artificial, robot de mina de carbón, percepción inteligente, toma de decisiones inteligente, monitoreo inteligente, robot de remoción de material0 IntroducciónEl proceso de producción y operación subterránea de la mina de carbón tiene los problemas de muchas personas que bajan por el pozo, alto riesgo de desastre, alta tasa de accidentes, entorno operativo hostil y contaminación ambiental grave [1]. Frente a las operaciones subterráneas de alto riesgo, los robots de minas de carbón se convierten en una de las formas importantes de lograr el objetivo de una producción de minas de carbón subterránea segura y eficiente. Los robots de minas de carbón pueden ayudar o reemplazar a las personas para completar algunas operaciones mineras peligrosas y lograr una producción segura y eficiente en las minas de carbón. Para lograr que "nadie esté a salvo", los robots son la tendencia para reemplazar a los mineros en las operaciones subterráneas. Con la estrategia de "Hecho en China 2025", "Industria alemana 4.0" e "Internet industrial estadounidense", comunicación 5G, Internet de las cosas, big data, computación en la nube e inteligencia artificial La madurez gradual de tecnologías como la comunicación 5G, Internet de Las cosas, los grandes datos, la computación en la nube y la inteligencia artificial han promovido en gran medida la transformación y mejora de la industria manufacturera tradicional de China [2]. Como ciencia y tecnología emergentes, la inteligencia artificial puede hacer que la tecnología informática sea más precisa, rápida y conveniente para completar cálculos científicos complejos que el cerebro humano es incapaz de realizar, y lograr el reemplazo parcial, la extensión y la mejora del cerebro humano, creando así máquinas inteligentes que pueden realizar operaciones complejas y peligrosas en lugar de humanos [3]. La producción futura de minas de carbón se desarrollará hacia la no tripulada, autónoma, inteligente y eficiente, en la que la tecnología de inteligencia artificial desempeñará un papel insustituible y se aplicarán diversas tecnologías de inteligencia artificial a los robots de las minas de carbón [4]. Aunque la aplicación actual de la inteligencia artificial en el campo de las minas de carbón industriales aún se encuentra en un período de torpeza, sin embargo, con la aplicación cada vez más generalizada de la tecnología de inteligencia artificial en el campo de las minas de carbón, la construcción de minas de operación no tripulada es inevitable [5] . 1 Los problemas urgentes en la industria del carbónLa industria del carbón de China ha experimentado más de 40 años de desarrollo, y la extracción de recursos minerales de carbón gradualmente tiende a ser inteligente, pero todavía hay algunos cuellos de botella que deben resolverse. 1.1 La tecnología y el equipo deben actualizarseAunque la minería y el transporte de carbón en China han pasado por las etapas de digitalización, automatización e informatización, el nivel técnico general y el equipo de producción aún son más bajos que los de los países desarrollados [6]. En 2019, la antigua Administración Estatal de Minas de Carbón Safety Supervision propuso acelerar la industrialización y la aplicación de robots de minas de carbón para excavación, extracción de carbón, transporte, control de seguridad, apoyo y rescate. El robot de la mina de carbón actual ya no solo completa operaciones repetitivas simples, puede sentir el entorno circundante y brindar retroalimentación en tiempo real al mundo exterior, pero aún no tiene capacidades de pensamiento, identificación, razonamiento, juicio y toma de decisiones independientes. , y todavía necesita la participación humana para completar algunas tareas de trabajo complejas. 1.2 Peligros graves para la seguridadLa industria del carbón es una industria de alto riesgo, y existen varios peligros en cada paso de la producción, el agua, el fuego, el gas, el polvo de carbón, las formaciones geológicas y otros desastres son frecuentes, y el complejo entorno subterráneo desconocido amenaza seriamente la seguridad de la vida de operadores subterráneos. Aunque la tecnología de monitoreo inteligente y alerta temprana de las minas de carbón basada en Internet de las cosas, big data y la computación en la nube ha reducido en gran medida la ocurrencia de accidentes y ha garantizado la producción segura de las minas de carbón, aún existen muchos problemas. La escasa precisión y sensibilidad de los sensores conducen a resultados incompletos.y recopilación inoportuna de información precursora; los sistemas de monitoreo son independientes entre sí y tienen una sola función, y la profundidad de integración y aplicación de la plataforma en la nube no es lo suficientemente profunda; la seguridad de la base de datos del sistema de monitoreo es débil; el equipo de monitoreo carece de aprendizaje profundo y de capacidad de autoadaptación [7]. 1.3 Contaminación ambiental graveLas minas de carbón producen polvo de carbón durante el proceso de extracción y también producen gases nocivos como el monóxido de carbono y el dióxido de carbono para contaminar la atmósfera [8]. Al mismo tiempo, el efluente de producción de la minería del carbón contiene una gran cantidad de metales pesados y sustancias ácidas, que pueden filtrarse fácilmente en el suelo o ingresar al agua subterránea para contaminar la geología y las fuentes de agua. Los proyectos de minería de carbón invadirán una gran cantidad de vegetación y tierras agrícolas, y la tierra es propensa a colapsar después de la minería, lo que lleva a la destrucción de la capa superficial [9]. 2 El principal contenido de investigación de la inteligencia artificial2.1 Reconocimiento de patronesEl reconocimiento de patrones en la tecnología de inteligencia artificial utiliza las potentes funciones de recopilación, análisis y procesamiento de datos de la tecnología informática avanzada para simular la percepción humana y el reconocimiento del entorno externo mediante la configuración de los programas correspondientes por adelantado. Los robots inteligentes que incorporan el reconocimiento de patrones pueden simular mejor las habilidades sensoriales humanas, reconocer personajes, sonidos, imágenes, escenas y su información fusionada con alta precisión, y percibir y modelar con precisión el entorno circundante a través de la adquisición de información de múltiples fuentes [10]. La visión artificial en la tecnología de inteligencia artificial, como una de las modalidades de percepción ambiental más importantes, simula las capacidades visuales humanas para mejorar la comprensión del robot del entorno del fondo del pozo, los procesos operativos y los fenómenos de retroalimentación. Los robots inteligentes que incorporan visión artificial son, en primer lugar, capaces de adaptarse bien al entorno operativo del fondo del pozo y colaborar bien con otros dispositivos artificiales; en segundo lugar, capaz de capturar más información sobre el paisaje externo y comprender y profundizar en el contenido de las imágenes a través de técnicas de visión estereoscópica, inspección visual y análisis dinámico de imágenes; y tercero, capaz de juzgar los fenómenos de retroalimentación subterráneos del proceso operativo y retroalimentar información sobre el estado del robot al sistema de control de movimiento [11]. 2.2 Sistema expertoLos sistemas expertos son tecnologías que modelan el conocimiento y la experiencia de expertos humanos y se utilizan para resolver problemas como decisiones, procesos y fallas del sistema. A través de técnicas de inteligencia artificial, se crean sistemas de conocimiento para sistemas de fondo de pozo que simulan humanos para resolver problemas prácticos encontrados durante las operaciones. Los expertos humanos pueden predecir fallas del sistema, determinar los puntos de falla y generar soluciones de solución de problemas basadas en el estado actual del sistema, como pantallas y sonidos del equipo, parámetros de datos operativos y el estado del producto, al resolver problemas del mundo real. Por lo tanto, los sistemas expertos se utilizan comúnmente para la predicción de fallas, el diagnóstico y la resolución de problemas. Además, en la industria manufacturera, los sistemas expertos también se utilizan para decisiones de planificación de producción, optimización de procesos de producción, coordinación de producción y optimización de parámetros de equipos. 2.3 Aprendizaje automáticoEl aprendizaje automático en tecnologías de inteligencia artificial imita las capacidades de aprendizaje humano a través de marcos modelo y algoritmos para extraer automáticamente leyes intrínsecas a través de datos de entrenamiento, información ambiental y retroalimentación para mejorar el rendimiento del sistema y mejorar la adaptación y robustez ambiental. Los robots que incorporan el aprendizaje automático tienen capacidades de extracción de leyes y resumen de conocimientos similares a las humanas para identificar información efectiva de la gran cantidad de recursos de información recopilados y aprender a mejorar su propia inteligencia. La tecnología de aprendizaje automático puede resolver de manera efectiva una serie de problemas en situaciones inesperadas y reducir en gran medida los costos de mano de obra y producción [12]. 2.4 Inteligencia Artificial DistribuidaEl sistema de inteligencia artificial distribuida coordina la programación y el control de sistemas corporales multiinteligentes heterogéneos mediante la combinación científica y racional de inteligencia artificial y tecnología informática, a fin de mejorar el rendimiento del sistema de inteligencia artificial, mejorar la capacidad de ejecución de tareas y aumentar la eficiencia de el trabajo cooperativo de cada sistema independiente en el robot inteligente. Cuando el robot inteligente se encuentra con algunas situaciones inesperadas, aún puede garantizar que cada subsistema realice un trabajo normal. El actual sistema de inteligencia artificial distribuida aún se encuentra en la etapa inicial de investigación y desarrollo, y la dificultad técnica radica en cómo coordinar las reglas de operación de los diferentes sistemas [13]. 3 Estado de aplicación deinteligencia artificial en robots de minas de carbón3.1 Aplicación de inteligencia artificial en el control de movimiento de robots de minas de carbónPara garantizar que los robots de las minas de carbón puedan operar correctamente en entornos subterráneos complejos, los investigadores han aplicado tecnologías de inteligencia artificial, como sistemas expertos y redes neuronales artificiales, a métodos de control de movimiento de robots, algoritmos y operaciones colaborativas. Al simular el nivel de pensamiento y conocimiento de expertos humanos, los robots de minas de carbón pueden resolver algunos problemas no lineales multidimensionales complejos, reducir la cantidad de operaciones para el análisis de sistemas dinámicos, la configuración de parámetros y el procesamiento de datos, y mejorar la eficiencia y precisión del control. Los investigadores de Wang Nian et al [14] diseñaron un robot minero inteligente basado en ucos integrados y utilizaron la red GSM para realizar el control remoto del dispositivo; Los investigadores de Zhang Chuancai et al [15] utilizaron la red neuronal BP para establecer un método de medición para determinar el ángulo de giro del robot en función de la velocidad del motor y el tiempo de ejecución, que puede proporcionar parámetros de ángulo para la planificación de la ruta del robot; El personal de investigadores de Wang Xuesong et al [16] se aproximó a los parámetros cinéticos inciertos basados en la red neuronal mejorada de Elman y envió comandos de control para el servosistema del robot de la mina de carbón usando un controlador neurodifuso; Los investigadores de Song Xin et al [17] aplicaron redes neuronales en el campo del control de robots para llevar a cabo acciones como el control de acoplamiento de múltiples articulaciones del brazo robótico, la planificación de la trayectoria final y el control de válvulas hidráulicas.  3.2 Aplicación de la Inteligencia Artificial en la Percepción Inteligente y Predicción de Peligros del Robot de Minas de CarbónLos robots de inspección minera realizan una percepción integral de la información del entorno subterráneo al llevar varios sensores, monitoreo en tiempo real de fallas de instrumentos y equipos, seguridad del personal e información sobre desastres como gas, polvo de carbón, agua e incendios, y emisión oportuna de alerta temprana a reducir la ocurrencia de accidentes en minas de carbón. Para varias dificultades técnicas, como la identificación inexacta y el monitoreo inoportuno en entornos subterráneos complejos, los investigadores utilizan tecnologías de aprendizaje profundo, reconocimiento de patrones y sistemas expertos para mejorar aún más la identificación precisa del robot y el monitoreo en tiempo real de los peligros emergentes subterráneos. Los investigadores de Lu Wanjie et al [18] utilizaron algoritmos de aprendizaje profundo basados en redes neuronales convolucionales para modelar y entrenar equipos de minas de carbón de modo que el robot de inspección subterránea pudiera identificar con precisión el tipo de equipo de la mina de carbón; Los investigadores de Zhang Fan et al [19] propusieron un método de reconstrucción de imágenes de minería basado en redes neuronales residuales para los efectos perturbadores del ruido subterráneo en el entorno operativo visualizado, que mejoró efectivamente la claridad de las imágenes de monitoreo y Nie Zhen et al [20] utilizaron un algoritmo genético basado en la red neuronal de BP para construir un sistema de detección inteligente del entorno de gas del túnel y obtener datos en tiempo real de la distribución de la concentración de gas en diferentes secciones del túnel en el camino de los robots de inspección de minas de carbón; Pan Yue et al [21] utilizaron la red neuronal de BP para establecer un modelo de diagnóstico de fallas de los ventiladores y establecer un mapeo entre los tipos de fallas de los ventiladores y las bandas de frecuencia de vibración del rotor del ventilador, realizando así el diagnóstico de fallas de los ventiladores. relación, y luego lograr el diagnóstico de fallas del ventilador; Los investigadores de Yan Junjie et al [22] se basaron en una red neuronal artificial para establecer un modelo de diagnóstico para fallas en los engranajes de la maquinaria de la mina de carbón, utilizando la señal de entrada para entrenar el modelo de red neuronal, clasificar la señal de salida y luego determinar la falla del engranaje. 3.3 Aplicación de inteligencia artificial en navegación de posicionamiento autónomo y construcción de mapas para robots de minas de carbónLograr el posicionamiento y la navegación autónomos en entornos complejos de minas de carbón no estructurados requiere considerar tanto la incapacidad de la tecnología GPS para aplicarse directamente en el fondo del pozo como la necesidad de superar la interferencia de factores externos como el polvo, la temperatura, la humedad, el ruido y el flujo de aire, que coloca más alto demandas de tecnología de navegación y posicionamiento autónomo y preciso para robots en entornos restringidos y cerrados en el fondo del pozo. La construcción de mapas, la navegación de posicionamiento, la planificación de rutas y la evasión de obstáculos en tiempo real de los robots de minas de carbón basados en tecnología de inteligencia artificial se han convertido en puntos calientes para la investigación aplicada. Bai Yun [23] propuso una red neuronal difusa de estructura variable y la aplicó al proceso de detección del entorno de los robots de rescate subterráneos de serpientes, fusionando datos de sensores de múltiples fuentes para lograr el reconocimiento de obstáculos y el modelado del entorno de los robots serpiente en entornos hostiles; Los investigadores de Fu Hua et al [24] utilizaron un modelo de red neuronal artificial para modelar y describir dinámicamente el espacio de trabajo del sistema inteligente de monitoreo de minas de carbón, utilizando un modelo de red neuronal para la planificación de rutas de evitación de obstáculos de robots; Los investigadores de Zhang Yaofeng et al [25] utilizaron la compensación basada en la red de Elman paraerror de medición del sensor del robot subterráneo, que mejoró en gran medida la precisión del alcance ultrasónico y la detección de obstáculos; Los investigadores de Zhai Guodong et al [26] resumieron la tecnología de visión binocular en el robot de rescate de minas de carbón para obtener información de la escena del accidente y lograr la evitación autónoma de obstáculos y la planificación de rutas, incluida la clasificación y el reconocimiento de patrones, la medición visual y la reconstrucción 3D, la medición y localización combinadas y la visualización. servocontrol; Los investigadores de Ma Hongwei et al [27] construyeron un sistema de visión artificial basado en cámaras de profundidad y propusieron un método de navegación basado en visión de profundidad, en el que el robot está equipado con una cámara de profundidad RGB-D para la adquisición de datos para lograr la creación de mapas y la navegación autónoma. . 4 Investigación sobre robots inteligentes para minas de carbónExisten varios tipos de tecnologías de inteligencia artificial, y los principales contenidos de investigación aplicados al campo de los robots de minas de carbón incluyen la percepción inteligente de fusión multimodal, el aprendizaje del conocimiento y la toma de decisiones inteligente, y la operación cooperativa de control inteligente. A través de la percepción, el aprendizaje, la toma de decisiones y el control colaborativo, se realiza el desarrollo inteligente de robots para minas de carbón. 4.1 Percepción inteligente de fusión multimodalEl robot de la mina de carbón está equipado con varios sensores a prueba de explosiones, de alta precisión y alta confiabilidad para construir un sistema de percepción inteligente con fusión multimodal de visión, oído, olfato, tacto, etc., para completar el reconocimiento y análisis inteligente, sonido anormal reconocimiento, monitoreo de temperatura anormal, detección de humo, detección de concentración de gases nocivos, evitación autónoma de obstáculos, agarre autónomo y otras operaciones. (1) Investigación sobre tecnologías de detección visual y reconocimiento de visión artificial en escenarios de aplicación de minas de carbón. A través del procesamiento y comprensión de imágenes, el robot es capaz, en primer lugar, de identificar y monitorear equipos de medidores digitales, pantallas LCD, indicadores, válvulas, etc.; en segundo lugar, detectar el goteo de líquido de la tubería, el funcionamiento de la cinta y el agrietamiento; en tercer lugar, llevar a cabo la intrusión de personal, personal de servicio, detección de vestimenta de personal; en cuarto lugar, identifique y rastree objetos extraños como ganga, varillas de anclaje, troncos de carretera, tuberías de hierro, etc. que aparecen en la cinta. (2) Investigación sobre tecnologías como la audición de robots, es decir, detección y reconocimiento de sonido en escenarios de aplicación de minas de carbón. Usando sensor de captación de sonido de alta sensibilidad, procesador de señal digital DSP de alta velocidad, combinado con tecnología de procesamiento de reducción de ruido dinámico adaptativo, extracción de características de audio y tecnología de reconocimiento de algoritmo de modelo de detección para identificar sonido anormal en la mina. (3) Investigación sobre tecnología de reconocimiento inteligente para olfato robótico, es decir, detección de gas en escenarios de aplicación de minas de carbón. Detección precisa de metano, sulfuro de hidrógeno, monóxido de carbono, oxígeno y otros gases en el ambiente y si el humo excede el límite, detección oportuna de fugas de gas y alerta temprana de incendios. (4) Investigación sobre tecnología háptica para robots en escenarios de aplicación de minas de carbón. Recopile la temperatura de objetos como motores, bombas, cojinetes, rodillos, cintas, etc. con contacto o sin contacto y analice los datos; A través de equipos de detección de fuerza, monitoreo en tiempo real de la fuerza de contacto, fuerza de agarre, fuerza operativa, tensión interna y detección de fuerza y control de seguridad. 4.2 Aprendizaje del conocimiento y toma de decisiones inteligenteEn vista de los problemas actuales de protocolos de sistemas de robots de minas de carbón incompatibles y la falta de intercambio e integración de información, integraremos profundamente los robots de minas de carbón con tecnología de la información de nueva generación, construiremos un sistema generalizado, estándar y flexible para el aprendizaje mutuo y el intercambio de conocimientos sobre el carbón. robots mineros y rompa los cuellos de botella técnicos de la comprensión de la escena del robot de la mina de carbón, la detección de seguridad, el posicionamiento preciso, la percepción autónoma y la navegación eficiente. Realice servicios en línea basados en la nube para tecnologías comunes de robots de minas de carbón para resolver las limitaciones de los robots individuales y mejorar la toma de decisiones inteligente de los robots de minas de carbón. (1) Establecer un marco de aprendizaje y generalización que integre al individuo y al todo. A nivel individual, un solo robot integra información de detección, toma de decisiones, control, colaboración e interacción humano-robot durante la operación, y realiza capacitación incremental en línea en tiempo real a través de un marco de aprendizaje de inteligencia artificial representado por redes neuronales para dinámicamente ajuste el estado operativo del robot y logre un control y una toma de decisiones óptimos durante todo el ciclo. A nivel general, los multi-robots cargan y distribuyen su conocimiento aprendido entre ellos a través de la nueva generación de tecnología de la información, de modo que cuando un robot se enfrenta a una nueva tarea operativa, puede familiarizarse rápidamente con las características operativas con los resultados del conocimiento. de otros robots, reduce el tiempo de reaprendizaje,y mejorar la flexibilidad y adaptabilidad de las tareas del sistema en general. (2) Establecer un modo de operación en el que se integren el cuerpo del robot y la nube. Avance en el modelo tradicional de I + D e integración de robots, y realice una nueva ruta de I + D e integración de robots que integre el cuerpo ligero del robot local con la capacidad de procesamiento de datos de alto rendimiento en la nube con la ayuda de "5G + computación en la nube". Los algoritmos que requieren una gran potencia informática, como la percepción del entorno inteligente, el reconocimiento de patrones, la construcción de mapas y la navegación autónoma, se trasladan a la nube, y el robot local carga los datos de los sensores y actuadores integrados en la nube en tiempo real. y optimiza el cálculo de la percepción, el modelado y la ejecución a través del poderoso procesamiento de datos y el poder de cómputo de la nube. El resultado se envía al robot local en tiempo real, lo que reduce la carga computacional del robot local y transfiere más recursos de hardware al sensor y al lado de la ejecución para lograr un diseño de robot operativo liviano, optimizado y de alto rendimiento.   4.3 Control inteligente de la operación cooperativaLa integración de tecnologías SLAM de aprendizaje profundo y láser/visual en robots de minas de carbón, combinadas con un sistema de detección inteligente de fusión multimodal, realiza las funciones de movimiento autónomo, posicionamiento preciso, ajuste de posición, planificación de operación inteligente, operación autónoma y detección inteligente de desastres de robots de minas de carbón en un entorno minero complejo, y realiza un control colaborativo inteligente de los procesos de operación de detección, excavación y soporte. (1) Integración de la tecnología de redes neuronales en el control y la planificación de operaciones colaborativas de múltiples robots de minas de carbón. Autoorganización, autoagrupamiento y autocoordinación de robots móviles en minas para lograr la integración de equipos heterogéneos. A través de tecnologías inteligentes de descomposición de tareas, asignación de tareas y equilibrio de carga, se forma un enjambre de robots en entornos complejos en las minas, y tecnologías como la navegación autónoma en el espacio subterráneo, la detección del estado de múltiples sensores, la planificación inteligente de operaciones y la colaboración de múltiples robots. El control se aplica para realizar operaciones de colaboración eficientes entre múltiples robots en la excavación, perforación, extracción, transporte y soporte del área de trabajo. (2) Extender el modo de interacción humana con un solo robot a la interacción humana con múltiples grupos de robots, y realizar la intervención y colaboración de operadores en grupos de robots. Durante la operación de los robots de las minas de carbón, cada robot heterogéneo con diferentes funciones forma un complejo enjambre colaborativo de múltiples robots. Al mismo tiempo, el enjambre colaborativo de múltiples robots debe poder colaborar con el operador en profundidad. A través de la tecnología de inteligencia artificial, podemos superar el modo simple de "visualización de ejecución de comandos" de la tecnología de interacción humano-robot existente e integrar la intervención humana en el ciclo de control para realizar un nuevo modo de interacción humano-robot con "humano en el circuito". ", y realizar el "grupo de sistema subterráneo no tripulado + grupo de sistema subterráneo no tripulado + grupo de sistema subterráneo no tripulado". modo de operación "grupo de sistema no tripulado subterráneo + operador subterráneo", para mejorar la eficiencia operativa, la flexibilidad de tareas y la robustez del sistema general. Para lograr el objetivo de la mina de carbón inteligente, llevaremos a cabo investigaciones sobre "robot de mina de carbón +", "robot de mina de carbón + 5G" para lograr una detección e interconexión integrales, intercambio de información de dominio completo e interacción hombre-robot multicanal. ; "robot de mina de carbón + computación en la nube" Robot de mina de carbón + computación en la nube" se da cuenta de la compatibilidad de la ontología robótica liviana y de bajo costo y la capacidad de computación de aprendizaje de alto rendimiento; "robot de mina de carbón + big data" se da cuenta de la predicción dinámica, integración de información y proporciona una base de datos para el aprendizaje evolutivo de los robots; "robot de mina de carbón + IA "Robot de mina + IA" realiza una percepción autónoma inteligente, análisis y toma de decisiones óptimos, y evolución del aprendizaje del conocimiento, formando así un sistema inteligente completo de percepción tridimensional, aprendizaje autónomo y control cooperativo en la mina. 5 Perspectivas futurasLa inteligencia artificial se ha aplicado ampliamente en el campo de la robótica de minas de carbón y se han logrado más resultados de investigación. Sin embargo, como tecnología de frontera emergente, la inteligencia artificial todavía tiene limitaciones. (1) La tecnología de IA actual está orientada principalmente a una sola tarea, y aún no se ha realizado un marco general de IA que pueda enfrentar múltiples tareas. Por ejemplo, los modelos entrenados para el reconocimiento de imágenes no pueden utilizarse para la detección y el reconocimiento de sonidos; el marco del algoritmo para reconocer un objeto de destino específico no se puede extender al reconocimiento de objetos de destino arbitrarios, y el conjunto de datos debe construirse y volver a entrenarse cuando aparece un nuevo objetivo de clasificación. Esta función limita la aplicaciónde IA en escenarios de tareas complejas. (2) Los algoritmos de inteligencia artificial deben depender de una gran cantidad de datos, y las operaciones como la recopilación, el procesamiento, la calibración y la alineación de datos deben realizarse manualmente, lo que es menos eficiente. Cómo utilizar una menor cantidad de datos para lograr un mayor rendimiento se ha convertido en uno de los puntos críticos de investigación actuales de los métodos de inteligencia artificial. (3) Hay muchos tipos de robots para minas de carbón, y existe una gran cantidad de dispositivos sensores, dispositivos impulsores y dispositivos actuadores. Los formatos de datos de cada dispositivo son diversos y es difícil formar una interfaz de datos unificada, lo que hace que los datos entre cada sistema sean independientes entre sí. Los datos incompatibles dificultan que el sistema de IA coordine los robots en cada parte del proceso de producción de la mina de carbón y obtenga suficientes datos para formar un plan unificado de ciclo cerrado para todo el proceso de producción. (4) El entorno en el que operan los robots de las minas de carbón es extremadamente peligroso, por lo que los sistemas de IA actuales por sí solos no pueden garantizar un alto nivel de seguridad y estabilidad. Cómo integrar el sistema de IA con la intervención manual del operador e integrar la intervención humana en todo el ciclo de operación del sistema de IA se convierte en uno de los elementos clave que se abordarán en el próximo paso. En el futuro, los sistemas de IA aplicados a los robots de las minas de carbón se desarrollarán hacia la generalización, los gastos generales bajos, la unificación y la colaboración hombre-máquina, con el surgimiento de un marco general de algoritmos de IA para múltiples tareas que aprende y evoluciona continuamente en línea utilizando pequeñas cantidades de datos. y métodos de capacitación de bajo costo, capaces de integrar datos clave de todos los aspectos de la producción de minas de carbón para computación y programación integradas, y capaces de colaborar entre sí y con humanos para lograr Es capaz de colaborar con humanos para lograr eficiencia, seguridad y producción autónoma de minas de carbón. 6. ConclusiónCon el desarrollo de la tecnología de inteligencia artificial, la industria minera del carbón verá un cambio importante. Con la construcción de modelos eficientes, la computación paralela y las capacidades de planificación de la IA, la inteligencia y la automatización de los robots de las minas de carbón alcanzarán un nuevo nivel, satisfaciendo verdaderamente los requisitos no tripulados y seguros de la producción de las minas de carbón. Al mismo tiempo, la inteligencia artificial permitirá un aumento significativo en la eficiencia de producción de las minas de carbón y promoverá el desarrollo seguro, saludable y sostenible de la industria de las minas de carbón.