Vom fahrbaren Chassis zum Roboter, der wirklich Arbeit erledigt. Selbst entwickelte 3D-Multiline-LiDAR-SLAM, Multisensorfusion, dynamische Hindernisvermeidung und embodied Entscheidungsfindung – ein Stack für 7 Chassisstrukturen, Reinigungsroboter, Kompositroboter und zweairmige Rad-Humanoide.
Wir bauen keine generische Big-Data-Plattform. Diese Seite beschreibt den vierstufigen Algorithmus- und Softwarestack, mit dem ein Roboter sieht, sich lokalisiert, fährt und versteht – vollständig selbst entwickelt, je nach Bauform zuschneidbar und über mehrere Produktlinien wiederverwendet.
3D-Multiline-LiDAR als Hauptsensor, optional mit vorderem und hinterem Doppel-LiDAR, Tiefenkameras und Ultraschallradar für 360°-Stereoerfassung ohne toten Winkel; Punktwolken-Vorverarbeitung, Bodensegmentierung und Multi-Target-Tracking liefern einen stabilen befahrbaren Bereich.
LiDAR-inertial fusioniertes 3D-SLAM erstellt in Echtzeit eine 3D-Punktwolkenkarte. Keine Reflektorplatten, Magnetbänder oder QR-Codes nötig; 10 mm Wiederlokalisierungsgenauigkeit und kontinuierliche Navigation über große Flächen und mehrere Etagen.
Globale Pfadplanung kombiniert mit lokalem dynamischem Ausweichen lässt den Roboter unter Überhängen sowie durch enge Gänge und an niedrigen Hindernissen vorbeifahren; automatische Aufzugnutzung und automatisches Andocken ermöglichen durchgängig unbeaufsichtigten Betrieb.
Anbindung an DeepSeek, QWQ, ERNIE Bot, Spark und ChatGPT. Sprachbefehle werden semantisch verarbeitet und in Aufgaben zerlegt, dann an die Navigationsebene übergeben – der Roboter versteht also menschliche Formulierungen wie „geh zu Besprechungsraum 3".
Von den Sensoren zu den Aktoren führt eine einseitige Pipeline; Datenprotokollierung und OTA laufen als Seitenkanal. Jede Stufe lässt sich einzeln zuschneiden oder ersetzen, ohne die anderen zu beeinflussen.
| Position | Konventioneller markerbasierter AGV | Tbot 3D Multiline SLAM |
|---|---|---|
| Ortsmarken | Reflektorplatten, Magnetband oder QR-Codes nötig | Keine – kartieren und losfahren |
| Wahrnehmung | 2D Single-Line, nur Hindernisse gleicher Höhe | 3D Multiline, inkl. Überhängen und niedrigen Hindernissen |
| Wiederlokalisierung | Abhängig von der Markeranordnung | 10 mm |
| Fahrleistung Chassis | — | ≥10 h leer · 6 h beladen |
| Mehroboterkoperation | Externer Flottenmanager nötig | Gruppensteuerung und Remote-Dashboard unterstützt |
Native ROS-/rosbridge-WebSocket-Schnittstellen mit vollständigen Topic-/Service-Definitionen vom Chassis bis zur Anwendung, dazu Beispiele in Python, JS, C++, C, Java, C# und Go. Derselbe Stack läuft bereits auf 7 Chassisstrukturen – N5 / OW / S / X / X2 / ACK / MW. Die Bauform ändert sich, der Algorithmus nicht – deshalb kann ODM schnell liefern.
| Ebene | Möglichkeiten | Zugang |
|---|---|---|
| Anwendung | Geschäftslogik ändern, eigene Flottensteuerung anbinden | ROS Topic / Service, WebSocket |
| Parameter | Geschwindigkeit, Ausweichradius, Pfadglättung u. a. | Konfiguration, kein Codeeingriff |
| Sensorik | Tiefenkamera, Ultraschall, zweites LiDAR ergänzen | Über Schnittstelle anbinden und neu kalibrieren |
Standardprojekte folgen der untenstehenden Reihenfolge. Die tatsächliche Dauer hängt von Standortkomplexität und Anpassungsumfang ab – 15–25 Tage für Standardmodelle, 45–60 Tage für kundenspezifisches ODM.
Kein SLAM-Stack deckt jede Umgebung ab. Klar zu benennen, was funktioniert und was nicht, ist nützlicher als Schweigen.
Verwandte BegriffeSLAMBelegungsrasterSensorfusionPfadplanung
One-Stop-Anpassung von Design, Struktur, Hardware, Software und Plattform – vom Prototyp bis zur Serienfertigung.