MODEL DEVELOPMENT OF DYNAMIC REPRESENTATION A MODEL DESCRIPTION PARAMETERS FOR THE ENVIRONMENT  OF A COLLABORATIVE ROBOT MANIPULATOR  WITHIN THE INDUSTRY 5.0 FRAMEWORK

І. Ш. Невлюдов; В. В. Євсєєв; Д. В.  Гурін

doi:10.26906/SUNZ.2025.1.42-48

Автор(и)

І. Ш. Невлюдов Харківський національний університет радіоелектроніки
В. В. Євсєєв Харківський національний університет радіоелектроніки
Д. В. Гурін

DOI:

https://doi.org/10.26906/SUNZ.2025.1.42-48

Ключові слова:

колоборативний робот, динамічне представлення, модель навколишнього середовища, Індустрія 5.0, сенсорні системи, робот-маніпулятор, безпека співпраці, автоматизація, адаптивність, кібервиробничі системи

Анотація

У статті представлено дослідження, присвячене розробці моделі динамічного представлення
параметрів опису навколишнього середовища для колоборативного робота-маніпулятора в контексті вимог Індустрії 5.0.
Основна увага приділяється створенню математичної моделі, яка дозволяє роботу швидко адаптуватися до змін у
робочому просторі, забезпечуючи ефективну і безпечну взаємодію з людиною. Запропонована модель враховує дані з
різних сенсорних систем, таких як лідари, камери та ультразвукові датчики, для постійного оновлення інформації про
навколишнє середовище. У дослідженні також розглядаються алгоритми, що дозволяють оптимізувати процес збору та
обробки даних для підвищення точності прогнозування і реакції робота. Результати роботи спрямовані на підвищення
ефективності колоборативних роботів у виробничих умовах, покращення рівня автоматизації та забезпечення гармонійної
співпраці між людиною і машиною в межах сучасних кібервиробничих систем.

Завантаження

Посилання

1. Rahman, M. M., Khatun, F., Jahan, I., Devnath, R., & Bhuiyan, M. A. A. (2024). Cobotics: The Evolving Roles and Prospects of Next‐Generation Collaborative Robots in Industry 5.0. Journal of Robotics, 2024(1), 2918089.

2. Gurin, D., Yevsieiev, V., Maksymova, S., & Abu-Jassar, A. (2024). Effect of Frame Processing Frequency on Object Identification Using MobileNetV2 Neural Network for a Mobile Robot. Multidisciplinary Journal of Science and Technology, 4(8), 36-44.

3. Palácios, R.H.C., Bertoncini, J.P.S., Uliam, G.H.O. et al. Evaluation of mobile autonomous robot in trajectory optimization. Computing 105, 2725–2745 (2023). https://doi.org/10.1007/s00607-023-01205-6

4. Yevsieiev, V., & Gurin, D. (2023). Comparative Analysis of the Characteristics of Mobile Robots and Collaboration Robots Within INDUSTRY 5.0 (Doctoral dissertation, European Scientific Platform).

5. Holzinger, A., Schweier, J., Gollob, C. et al. From Industry 5.0 to Forestry 5.0: Bridging the gap with Human-Centered Artificial Intelligence. Curr. For. Rep. (2024). https://doi.org/10.1007/s40725-024-00231-7

6. Zafar, M. H., Langås, E. F., & Sanfilippo, F. (2024). Exploring the synergies between collaborative robotics, digital twins, augmentation, and industry 5.0 for smart manufacturing: A state-of-the-art review. Robotics and Computer-Integrated Manufacturing, 89, 102769.

7. Gurin, D., Yevsieiev, V., Maksymova, S., & Alkhalaileh, A. (2024). Using Convolutional Neural Networks to Analyze and Detect Key Points of Objects in Image. Multidisciplinary Journal of Science and Technology, 4(9), 5-15.

8. Bhat, F.A., Parvez, S. Emerging Challenges in the Sustainable Manufacturing System: From Industry 4.0 to Industry 5.0. J. Inst. Eng. India Ser. C (2024). https://doi.org/10.1007/s40032-024-01046-y

9. Mahmud, S., Kamarulariffin, A., Ibrahim, A.M. et al. Advancements and Challenges in Mobile Robot Navigation: A Comprehensive Review of Algorithms and Potential for Self-Learning Approaches. J Intell Robot Syst 110, 120 (2024).https://doi.org/10.1007/s10846-024-02149-5