Robotyka

AMR — Autonomous Mobile Robot

2013AktywnyAktualizacja: 23 czerwca 2026Opublikowany

AMR (Autonomous Mobile Robot) to klasa mobilnych robotów autonomicznie nawigujących w dynamicznym środowisku bez sztywnej infrastruktury naprowadzającej. Wykorzystuje SLAM, percepcję wizyjną i LiDAR oraz planowanie trasy w czasie rzeczywistym.

Kluczowa innowacja

Autonomiczna nawigacja w dynamicznym, niezdefiniowanym wcześniej środowisku — robot sam mapuje teren (SLAM), planuje trasę, omija przeszkody i podejmuje decyzje w czasie rzeczywistym, w odróżnieniu od AGV poruszających się po sztywno wyznaczonych ścieżkach (taśmy magnetyczne, kody QR, tory).

Kategoria

Robotyka

Poziom abstrakcji

System

Poziom operacji

SystemSterowanie robotemŚrodowisko agentoweWdrożenie

Zastosowania

Intralogistyka e-commerce: przemieszczanie palet, totesów i wózków w magazynach (Amazon, Walmart, GXO)Goods-to-person fulfillment: robot przywozi półkę z towarem do operatora (Locus Robotics, AutoStore)Transport materiałów w szpitalach: leki, próbki, bielizna (Aethon TUG, Moxi)Logistyka produkcji samochodowej: dostarczanie komponentów do linii montażowej just-in-timeInspekcja obiektów: rondy bezpieczeństwa, monitoring stanu maszyn, odczyty wskaźnikówSerwis w restauracjach i hotelach: dowóz dań, sprzątanieRolnictwo i sady: transport ładunku po polu uprawnym (Burro Grande)

Jak działa

(1) Mapowanie wstępne (commissioning): operator prowadzi robota joystickiem po obiekcie, robot buduje mapę 2D/3D z SLAM. (2) Lokalizacja: w trakcie pracy robot porównuje bieżące skany sensorów z mapą i estymuje swoją pozycję (Monte Carlo Localization, NDT). (3) Globalne planowanie: dla zadania transportu z A do B planner buduje optymalną trasę po mapie. (4) Lokalne planowanie: w każdym cyklu sterowania (10-30 Hz) lokalny planner generuje krótką trajektorię w przestrzeni prędkości, omijając dynamiczne przeszkody. (5) Sterowanie napędem: trajektoria zamieniana na komendy prędkości kół.

Rozwiązany problem

AMR rozwiązuje problem sztywności starszych systemów AGV. AGV wymagają drogiej infrastruktury naprowadzającej (tory, taśmy) i przeprogramowania przy każdej zmianie układu hali. AMR usuwa tę barierę — wdrożenie nie wymaga ingerencji w istniejące środowisko, a robot adaptuje się do dynamicznych zmian (nowe regały, ludzie, wózki widłowe) bez programisty.

Kluczowe mechanizmy

SLAM (Simultaneous Localization And Mapping) — równoczesne mapowanie środowiska i lokalizacja robota

Multi-sensor fusion: LiDAR + kamery + IMU + enkodery kół

Globalne planowanie trasy: A*, Dijkstra, RRT* nad mapą obejściową

Lokalne planowanie: TEB, MPPI, DWB, Timed Elastic Bands — dynamiczne omijanie przeszkód

Receding-horizon control z replanningiem w częstotliwości 10-30 Hz

Fleet management: koordynacja wielu robotów w punktach kolizji + integracja WMS/MES

Standard VDA 5050 dla interoperacyjności heterogenicznych flot AMR

Mocne strony i ograniczenia

Mocne strony

✓Brak wymogu modyfikacji infrastruktury obiektu (vs AGV)

✓Adaptacja do dynamicznych zmian środowiska (nowi pracownicy, przesunięte regały)

✓Skalowalność floty — można dodać/odjąć roboty bez przeprogramowania całego systemu

✓Mieszanie producentów dzięki standardowi VDA 5050

✓Krótki czas wdrożenia (kommisioning + mapowanie zwykle 1-3 dni)

✓Dojrzała technologia z dziesiątkami tysięcy wdrożeń produkcyjnych (Amazon, MiR, OTTO)

✓Niski koszt operacyjny w porównaniu do dedykowanych przenośników lub AGV

Ograniczenia

✗Ograniczona udźwig i prędkość vs dedykowane przenośniki (zwykle 100-1500 kg, 1.5-2 m/s)

✗Trudność w bardzo gęstych ludziami środowiskach (np. supermarkety z klientami) — robot często zwalnia

✗Zależność od jakości oświetlenia dla SLAM kamerowego (problem w halach bez okien)

✗Bezpieczeństwo funkcjonalne (IEC 61508, ISO 13849) — AMR mają sztywne limity prędkości i siły, co ogranicza wydajność blisko ludzi

✗Brak ramienia robotycznego — czysty AMR transportuje ładunek, ale nie pakuje go ani nie odbiera (wymaga osobnego cobota lub mobilnego manipulatora)

✗Wąskie korytarze i ostre zakręty wymagają specjalnych mechanizmów napędu (Mecanum, swerve, omni)

Komponenty

Sensor StackDostarcza surowych danych o otoczeniu jako wejście do warstwy percepcji i SLAM.

Zestaw czujników środowiska: LiDAR 2D (Hokuyo, SICK) lub 3D (Velodyne, Ouster, RoboSense), kamery RGB-D (Intel RealSense, ZED), IMU (Bosch BMI088, MicroStrain), enkodery kół, opcjonalnie ToF i radary. Sensor fusion daje robotowi spójny obraz otoczenia w czasie rzeczywistym.

Oficjalna

SLAM + LocalizationBuduje wewnętrzny model przestrzenny i wskazuje pozycję robota — podstawa dla planowania trasy.

Algorytm jednoczesnego mapowania środowiska i lokalizacji robota. Popularne implementacje: Cartographer (Google), LIO-SAM, FAST-LIO (LiDAR + IMU), ORB-SLAM3 (visual), Hector SLAM (2D LiDAR-only). W produkcji zwykle używane są zamknięte komercyjne odpowiedniki (MiR Sync, OTTO Fleet, Locus).

LiDAR SLAMDokładny i niezależny od oświetlenia; standardowy wybór dla AMR przemysłowych.

Visual SLAM (kamery)Tańszy, mniej dokładny; podatny na słabe oświetlenie i powtarzalne tekstury.

Visual-Inertial Odometry (VIO)Hybryda kamery i IMU; lepsza dokładność niż czyste visual SLAM przy szybkim ruchu.

Oficjalna

Path Planner (Global + Local)Zamienia mapę i cel zadania w konkretne komendy prędkości dla warstwy sterowania.

Dwustopniowy planner: globalny (A*, Dijkstra, RRT*) buduje optymalną trasę z A do B po mapie obejściowej; lokalny (TEB — Timed Elastic Bands, MPPI, DWB — Dynamic Window Approach) generuje krótkoterminową trajektorię w przestrzeni prędkości, omijając dynamiczne przeszkody. Replanowanie typowo 10-30 Hz.

Oficjalna

Fleet ManagerWymagany dla wdrożeń multi-robot — pojedynczy AMR działa bez fleet managera, flota produkcyjna nie.

Centralny system koordynujący wiele robotów: przydział zadań, koordynacja w punktach kolizji (skrzyżowania, wąskie przejścia, windy), kolejkowanie ładowania, monitoring zdrowia floty, integracja z WMS/MES klienta. Standard interoperacyjności: VDA 5050.

Oficjalna

Implementacja

Pułapki implementacyjne

Środowiska z gęstym ruchem ludziŚrednia

Klasyczny AMR oparty na hard safety speed limits (zwykle 0.3-0.5 m/s w pobliżu ludzi) drastycznie traci wydajność w miejscach z dużym ruchem osobowym — sklepach, korytarzach szpitalnych. Robot często staje lub porusza się w ślimaczym tempie.

Rozwiązanie:Stosowanie ISO 13482 (personal care robots) lub dedykowanych obszarów wykluczenia. Outside-In Safety (NVIDIA Halos) z zewnętrznymi kamerami obiektu pozwala dynamicznie znosić limity gdy strefa jest pusta. Zaawansowane social navigation (np. SACSoN) przewiduje intencje ludzi.

Utrata lokalizacji (kidnapped robot problem)Wysoka

Robot może utracić lokalizację gdy: środowisko zmienia się dramatycznie (przebudowa hali), oświetlenie skacze (visual SLAM), lub robot zostaje fizycznie przeniesiony przy wyłączeniu. Bez relokalizacji AMR jest bezużyteczny.

Rozwiązanie:Solidne relocalization (np. Adaptive Monte Carlo Localization z global initialization), reset z markerów referencyjnych (kody QR w punktach dokowania), lub okresowe re-mappingi obiektu.

Deadlock w wąskich przejściach (multi-robot)Wysoka

Bez koordynacji fleet managerem, dwa roboty AMR spotykające się w wąskim korytarzu mogą wpaść w deadlock — oba czekają na drugiego, bo lokalny planner traktuje innego robota jak nieprzewidywalnego człowieka.

Rozwiązanie:Centralny fleet manager z koordynacją w punktach kolizji (rezerwacja zasobów przestrzennych), lub zdecentralizowane protokoły jak Conflict-Based Search. Standard VDA 5050 obejmuje rezerwację stref kolizji.

Mylne projektowanie udźwigu i geometrii ładunkuŚrednia

AMR projektowane z marginesem udźwigu często okazują się niewystarczające w realnych operacjach — pallets ważą więcej niż zakładano, ładunki są wysokie lub niestabilne. Robot przekracza dopuszczalne obciążenie i kasuje bezpieczeństwo lub nie może się zatrzymać na czas.

Rozwiązanie:Konsultacja z klientem przed wdrożeniem co do typowych ładunków, testy z 130% nominalnego udźwigu, audytowane przeglądy okresowe.

Ewolucja

Oryginalny paper · 1972 · SRI International / Stanford AI Lab — heritage references · Nils Nilsson

Stanford Cart / Shakey heritage — early autonomous mobile robotics (1966-1980)

Nils Nilsson, Peter E. Hart, Hans Moravec (Stanford Cart)

1972

Shakey (SRI) — pierwszy mobilny robot z autonomicznym rozumowaniem

Punkt przełomowy

Shakey od SRI International (Nils Nilsson i zespół) był pierwszym robotem łączącym percepcję, planowanie (STRIPS) i sterowanie ruchem w jeden autonomiczny system. Choć bardzo wolny i ograniczony, ustanowił architektoniczny wzorzec sense-plan-act, który pozostaje podstawą wszystkich późniejszych AMR.

2000

Komercyjne AGV w przemyśle samochodowym i magazynowym

AGV (Automated Guided Vehicles) wymagające taśm magnetycznych lub kodów QR upowszechniają się w fabrykach Toyoty, GM, Volkswagena oraz w magazynach. To poprzednik AMR — ten sam cel (autonomiczny transport), ale ze sztywną infrastrukturą naprowadzającą.

2012

Amazon przejmuje Kiva Systems — początek robotyzacji magazynów na masową skalę

Amazon przejmuje Kiva Systems za 775 mln USD, zamyka ją dla zewnętrznych klientów i wdraża dziesiątki tysięcy mobilnych robotów w swoich centrach fulfillmentu. Choć Kiva to technicznie AGV (kody QR na podłodze), to przejęcie pokazuje skalę biznesową, którą mobilna robotyka może osiągnąć — i otwiera rynek dla konkurencji AMR.

2013

MiR (Mobile Industrial Robots) — komercyjna premiera AMR jako klasy

Punkt przełomowy

Duńska firma Mobile Industrial Robots (MiR) wprowadza MiR100 — pierwszy szeroko sprzedawany AMR bez infrastruktury naprowadzającej. Konkurencyjne Fetch Robotics (US, 2014), OTTO Motors (Canada, 2015), Locus Robotics (US, 2014) szybko dołączają. Termin AMR upowszechnia się jako odróżnienie od AGV.

2019

Standard VDA 5050 — interoperacyjność heterogenicznych flot AMR

Niemiecki przemysł motoryzacyjny (VDA — Verband der Automobilindustrie) wprowadza standard VDA 5050 — interfejs komunikacji między fleet managerem a heterogeniczną flotą AMR różnych producentów. Pozwala mieszać MiR, OTTO, Geek+, Fetch w jednej hali.

2025

AMR + mobilna manipulacja: Collaborative Robotics Proxie, Agility Digit, AGIBOT G2

Generacja 2024-2026 mobilnych humanoidów (Proxie Gen 2, Digit, AGIBOT G2) łączy klasyczną nawigację AMR-style (omni/swerve drive, SLAM, planning) z bimanualną manipulacją. Granica klasyfikacyjna AMR rozszerza się od czystego transportu do mobile manipulation.

Wąskie gardło obliczeniowe

Lokalne planowanie + sensor fusion w czasie rzeczywistym

Najbardziej wymagająca obliczeniowo część stosu AMR to lokalne planowanie (10-30 Hz) z dynamiczną mapą przeszkód aktualizowaną z LiDAR i kamer. Dla 3D LiDAR (Velodyne 64-line) plus 2-4 kamer RGB-D wymagany jest CPU x86 średniej półki (Intel i7) lub Jetson Orin/Thor. SLAM mapowanie wstępne jest krótkim, jednorazowym kosztem; bieżąca lokalizacja jest lekka.

Równoległość

Poziom równoległości

Częściowo równoległy

Sensor fusion i percepcja są dobrze zrównoleglone (każdy strumień czujnika to osobny wątek/proces ROS 2). Planowanie globalne jest sekwencyjne (graph search), ale lokalne planery MPPI/CEM zrównoleglają sampling trajektorii na GPU. Fleet management dla N robotów skaluje się dobrze w klastrze (każdy robot ma własny węzeł). Bottleneck nie leży zazwyczaj w obliczeniach, lecz w koordynacji wieloagentowej w wąskich gardłach przestrzennych.

Zakres

training_and_inference

Wymagania sprzętowe

aiArchitecture.profile.fitLevel.excellent

AMR działa lokalnie na pokładowym komputerze. NVIDIA Jetson Orin/Thor, Intel NUC, Qualcomm RB5 standardem dla nowych wdrożeń. Wymagana niska latencja (lokalne planowanie 10-30 Hz) i deterministyczne sterowanie.

Dobry fit

Klasyczne AMR z 2D LiDAR i 2 kamerami działają dobrze na Intel i5/i7. Dla pełnego stosu 3D LiDAR + kilka RGB-D kamer + ML inference wymagany jest dodatkowy akcelerator.

aiArchitecture.profile.fitLevel.excellent

Czujniki LiDAR (2D Hokuyo/SICK, 3D Velodyne/Ouster) są de facto standardem dla AMR przemysłowych — niezależne od oświetlenia, dokładne, sprawdzone w certyfikacji bezpieczeństwa.