AI Summary & Key Takeaways
AI InsightOriginality: This study provides a novel integration of social navigation and deep learning to address the dual challenge of ensuring safety and efficiency in AMR navigation, contributing to advancements in warehouse logistics.
📌 3 Key Takeaways
Abstract
Purpose: Ensuring both human safety and transportation efficiency simultaneously during the navigation of autonomous mobile robots (AMRs) in warehouse logistics is a challenging problem due to dynamic environments and diverse obstacles. In this study, a social navigation approach based on artificial intelligence was developed to optimize these two critical factors. Methodology: RGB images from an Intel_RealSense_D455 depth camera mounted on the PIXER AMR were utilized in a YOLOv8-based model to detect humans and reach trucks (RT). For human detection, the YOLOv8 model was trained with 4746 images and labels for 362 epochs, while RT detection used 4193 images and labels for 450 epochs. Each dataset was split into 60% training, 20% testing, and 20% validation subsets. The depth feature of the camera was used to measure object distances. Findings: Objects detected with at least 80% accuracy had their midpoints identified, and distances were calculated using the depth camera. For humans detected within 2 meters, the robot's max_speed was reduced to 80%. For RTs detected at 6 meters, a new path was planned. Originality: This study provides a novel integration of social navigation and deep learning to address the dual challenge of ensuring safety and efficiency in AMR navigation, contributing to advancements in warehouse logistics.
Özet
Amaç: Depo lojistiğinde otonom mobil robotların (AMR) navigasyonu sırasında insan güvenliğini ve taşıma verimliliğini aynı anda sağlamak, dinamik ortamlar ve çeşitli engeller nedeniyle zor bir problemdir. Bu çalışmada, bu iki kritik faktörü optimize etmek amacıyla yapay zekâ tabanlı bir sosyal navigasyon yaklaşımı geliştirilmiştir. Yöntem: PIXER AMR üzerine monte edilmiş Intel_RealSense_D455 derinlik kamerasından alınan RGB görüntüler, insan ve Reach Truck (RT) algılaması için YOLOv8 tabanlı bir modelde kullanılmıştır. İnsan algılama için YOLOv8 modeli 4746 görüntü ve etiketle 362 epoch boyunca, RT algılama için ise 4193 görüntü ve etiketle 450 epoch boyunca eğitilmiştir. Her bir veri seti, %60 eğitim, %20 test ve %20 doğrulama alt kümelerine bölünmüştür. Algılanan nesnelerin mesafeleri, kameranın derinlik özelliği kullanılarak ölçülmüştür. Bulgular: En az %80 doğrulukla algılanan nesnelerin orta noktaları belirlenmiş ve mesafeleri derinlik kamerası kullanılarak hesaplanmıştır. İnsanlar 2 metre mesafede algılandığında robotun maksimum hızı %80’e azaltılmıştır. RT’ler 6 metre mesafede algılandığında yeni bir rota planlanmıştır. Özgünlük: Bu çalışma, AMR navigasyonunda güvenliği ve verimliliği sağlama ikili problemini ele alan sosyal navigasyon ve derin öğrenmenin yenilikçi bir entegrasyonunu sunarak depo lojistiğinde ilerlemelere katkı sağlamaktadır.