Forfatter: robolab-admin

Publisert av — Legg igjen en kommentar

Sensorfusjon i autonome kjøretøy: Hvordan flere sensorer skaper sikrere selvkjørende biler

En ny studie av 66 forskningsartikler avslører hvordan avansert sensorfusjon kan være nøkkelen til pålitelige selvkjørende biler. Teknologien kombinerer data fra flere sensorer for å skape et komplett bilde av omgivelsene.

Utviklingen av autonome kjøretøy har akselerert kraftig de siste årene, men en av de største utfordringene er fortsatt å oppnå pålitelig persepsjon av omgivelsene. Her kommer sensorfusjon inn som en kritisk teknologi som kombinerer data fra flere sensortyper for å skape et mer robust og nøyaktig bilde av kjøremiljøet.

Sensorteknologier i moderne autonome systemer

Dagens autonome kjøretøy benytter et arsenal av sensorer, hver med sine unike styrker og begrensninger:

Kameraer gir høyoppløselig visuell informasjon og er relativt rimelige, men sliter i dårlig lys og værforhold. Moderne RGB-kameraer opererer typisk med oppløsninger på 1920×1080 piksler eller høyere, med bildehastigheter på 30-60 fps.

LiDAR-systemer skaper detaljerte 3D-punktskyer ved å måle avstand med laserlys. Dagens LiDAR-enheter kan operere med rekkevidder på opptil 300 meter og nøyaktighet ned til få centimeter, men er fortsatt kostbare og kan påvirkes av tett regn eller snø.

Radar fungerer godt i alle værforhold og måler både avstand og hastighet til objekter, men har lavere oppløsning enn kameraer og LiDAR. Automotive-radar opererer typisk i 77-81 GHz-båndet.

Ultralydsensorer brukes primært for nærhetsdeteksjon og parkering, med rekkevidder på 0,2-8 meter. GNSS/IMU-systemer gir posisjonering og orientering med nøyaktighet ned til centimeter-nivå når RTK-korreksjon benyttes.

Fusjonsarkitekturer: Fra tidlig til avansert integrasjon

Studien identifiserer fire hovedkategorier av fusjonsarkitekturer:

Tidlig fusjon kombinerer rådata fra sensorer før prosessering, mens sen fusjon først prosesserer data fra hver sensor separat før sammenslåing.

Tidlig fusjon (Early Fusion) kombinerer rådata direkte, noe som gir maksimal informasjonsutnyttelse men krever høy prosessorkraft. Sen fusjon (Late Fusion) prosesserer hver sensor separat før beslutningsintegrasjon – enklere å implementere men kan miste viktig korrelasjonsinformasjon.

Mellomfusjon (Mid-level Fusion) kombinerer delvis prosesserte data og representerer en balanse mellom kompleksitet og ytelse. Den nyeste utviklingen er transformer-baserte arkitekturer som benytter kunstig intelligens for å automatisk lære optimal integrasjon av sensordata.

Praktiske implikasjoner og fremtidsperspektiver

For utviklere av autonome systemer åpner disse teknologiene for spennende muligheter. Moderne mikrokontrollere som ARM Cortex-A78 eller dedikerte AI-chips kan håndtere kompleks sensorfusjon i sanntid. Utviklingsplattformer som ROS2 (Robot Operating System) tilbyr standardiserte grensesnitt for sensorintegrasjon.

Utfordringer inkluderer fortsatt høye kostnader for LiDAR-systemer, beregningskapasitet for sanntidsprosessering, og behovet for robuste algoritmer som håndterer sensorfeil. Forskningen viser at hybrid-arkitekturer som kombinerer regel-baserte systemer med maskinlæring gir mest lovende resultater.

Kilde: Sensors (Basel, Switzerland)

Relevante produkter fra RoboNordic

Publisert av — Legg igjen en kommentar

Autonom navigasjon med LeKiwi-robot og Nav2 – komplett integrasjon av ROS2-systemer

**Foxglove har samarbeidet med robotikk-utvikler Aditya Kamath om å demonstrere autonom navigasjon på LeKiwi holonomisk robot. Prosjektet viser en imponerende integrasjon av Nav2, ros2_control, lokalisering og SLAM-teknologi. Dette eksemplet illustrerer hvordan moderne ROS2-verktøy kan kombineres for å skape sofistikerte navigasjonsløsninger.**

LeKiwi – En holonomisk robotplattform

LeKiwi-roboten representerer en elegant tilnærming til holonomisk bevegelse, hvor roboten kan bevege seg i alle retninger uten å måtte rotere først. Denne egenskapen gjør den ideell for autonom navigasjon i trange rom og komplekse miljøer.

Den holonomiske designen gir flere fordeler:

• Bevegelse i alle retninger uten rotasjon
• Økt manøvrerbarhet i trange områder
• Optimaliserte baneplaner gjennom Nav2
• Redusert tid for komplekse navigasjonsoppgaver

Nav2-integrasjon og systemarkitektur

Prosjektet demonstrerer en helhetlig tilnærming til robotnavigasjon ved å integrere flere kritiske ROS2-komponenter. ros2_control håndterer motorkontrollen og gir et standardisert grensesnitt for robotens aktuatorer. Dette muliggjør sømløs kommunikasjon mellom Nav2s planleggingsalgoritmer og robotens fysiske bevegelsessystemer.

SLAM-funksjonen (Simultaneous Localization and Mapping) lar roboten bygge kart av miljøet samtidig som den lokaliserer seg selv. Dette er fundamentalt for autonom drift i ukjente omgivelser. Lokaliseringsystemet bruker sensorfusjon for å opprettholde nøyaktig posisjonering under bevegelse.

Praktiske anvendelser og videre utvikling

Denne integrasjonen åpner for numerous praktiske bruksområder:

Industrielle applikasjoner: Automatiserte lagersystemer, materialhandling og inspeksjonsoppgaver kan dra nytte av den presise navigasjonen og holonomiske bevegelsen.

Forsknings- og utdanningsprosjekter: Prosjektet gir et solid fundament for studenter og forskere som ønsker å eksperimentere med avanserte navigasjonsalgoritmer.

Kommersielle roboter: Serviceroboter i kontormiljøer, hoteller eller helseinstitusjoner kan implementere lignende systemer for autonom navigasjon.

Kompatibiliteten med ROS2s økosystem sikrer at løsningen kan tilpasses ulike robotplattformer og sensorkonfigurasjoner. Dette gjør det mulig å skalere teknologien fra prototyper til produksjonsklar robotikk.

Samarbeidet mellom Foxglove og Aditya Kamath demonstrerer hvordan åpen kildekode-samfunnet driver innovasjon innen robotikk fremover, og gir utviklere tilgang til avanserte navigasjonskapabiliteter som tidligere kun var tilgjengelige for store forskningsinstitutter.

Kilde: ROS Discourse

Publisert av — Legg igjen en kommentar

Kunstig intelligens styrer autonome fartøy: Slik fungerer maskinlæring i maritime roboter

Autonome overflatefartøy (USV) blir stadig smartere takket være avansert maskinlæring. Reinforcement learning gir disse robotene evnen til å navigere trygt gjennom komplekse farvann med real-time hinderdeteksjon. La oss utforske teknologien som revolusjonerer maritim robotikk.

Hvordan fungerer intelligent ruteplanlegging?

Reinforcement learning, eller forsterkningslæring, fungerer som hjerne i moderne autonome fartøy. Teknologien lærer robotene å ta beslutninger ved å belønne riktige handlinger og straffe feil valg – akkurat som når man trener et dyr.

I praksis betyr dette at fartøyet kontinuerlig analyserer omgivelsene gjennom sensorer som:

  • LIDAR-systemer for avstandsmåling
  • Kameraer med bildegjenkjenning
  • Radar for væruavhengig deteksjon
  • GPS og IMU for posisjonering

Deep Q-Network (DQN) er en av de mest brukte algoritmene. Den kombinerer nevrale nettverk med Q-learning for å håndtere høydimensjonale problemer som kompleks navigasjon.

Praktiske anvendelser og spesifikasjoner

Moderne autonome fartøy opererer typisk med følgende tekniske krav:

Prosesseringskraft: Minimum NVIDIA Jetson Xavier eller tilsvarende ARM-basert system med GPU-akselerasjon. Minnekrav på 8-32 GB RAM avhengig av modellkompleksitet.

Systemene må håndtere real-time prosessering med oppdateringsfrekvenser på 10-50 Hz for sikker navigasjon. Dette krever optimaliserte algoritmer som kan kjøre på begrenset strøm og datakraft.

Typiske bruksområder inkluderer:

  • Havovervåking og miljøkartlegging
  • Search and rescue-operasjoner
  • Autonome ferger og lastfartøy
  • Forskningsfartøy i utilgjengelige områder

Utfordringer og fremtidsutsikter

Hovedutfordringene ligger i å håndtere dynamiske hindringer som andre fartøy, værforhold og uforutsigbare strømmer. Algoritmen må samtidig følge maritime trafikkregler og optimalisere energiforbruk.

Fremtidens systemer vil sannsynligvis integrere flere AI-teknikker:

  • Multi-agent reinforcement learning for fartøykoordinering
  • Federated learning for å dele kunnskap mellom fartøy
  • Edge computing for redusert latency

For hobbyister og studenter åpner denne teknologien for spennende muligheter. Små autonome båter kan bygges med Raspberry Pi 4 eller lignende plattformer, mens mer avanserte prosjekter krever dedikerte AI-akseleratorer.

Utviklingen peker mot en fremtid der autonome fartøy blir like vanlige som selvkjørende biler på land.

Kilde: Sensors (Basel, Switzerland)

Publisert av — Legg igjen en kommentar

3D-printet fuktighetssensor revolusjonerer søvnovervåking og helseanalyse

Forskere har utviklet en banebrytende fuktighetssensor ved hjelp av 3D-printingteknologi som kan revolusjonere måten vi overvåker søvn og helse på. Den fleksible sensoren er laget av en spesiell aerogel-sammensetning som gir eksepsjonell nøyaktighet og holdbarhet.

Personalisert søvnmedisin og hjemmebasert helseovervåking har eksplodert i popularitet de siste årene, men har vært begrenset av mangelen på komfortable og pålitelige sensorer for langtidsbruk. Nå har forskere tatt et betydelig steg fremover med en innovativ tilnærming som kombinerer avanserte materialer med 3D-printingteknologi.

Revolusjonerende aerogel-teknologi

Den nye sensoren er bygget opp av en kompleks sammensetning kalt PCGM (PVA/CNF/Gr/MWCNTs), som kombinerer flere høyteknologiske materialer:

• Polyvinylalkohol (PVA) som biokompatibel matrise
• Nanocellulose for strukturell forsterkning
• Grafen for høy elektrisk ledningsevne
• Karbonnanotuber for forbedret 3D-struktur

Det som gjør denne sensoren spesiell, er den hierarkisk porøse strukturen som skapes gjennom en frysørkings-assistert 3D-printingprosess (DIW – Direct Ink Writing). Dette gir sensoren en unik evne til å absorbere fuktighet samtidig som den opprettholder elektrisk ledningsevne.

Praktiske fordeler for utviklere

For maker-miljøet og profesjonelle utviklere åpner denne teknologien for spennende muligheter. Sensoren viser eksepsjonelle egenskaper når det gjelder:

Stabilitet og holdbarhet: Hydrogenbindinger og π-π konjugering mellom materialene sikrer lang levetid og pålitelig ytelse over tid.

Fleksibilitet: Den aerogel-baserte konstruksjonen gjør sensoren fleksibel nok til å integreres i wearable-enheter uten å miste funksjonalitet.

Høy følsomhet: Den porøse strukturen gir rask responstid på fuktighetsendringer, noe som er kritisk for presis pusteovervåking.

Fremtidige anvendelser

Denne teknologien kan potensielt implementeres i en rekke prosjekter:

• Søvnanalysesystemer for hjemmebruk
• Wearable helseenheter for kontinuerlig overvåking
• Smarte tekstiler med integrerte sensorer
• IoT-baserte helseplattformer for eldre og pasienter

Selv om teknologien foreløpig er i forskningsfasen, viser den veien mot mer avanserte og komfortable sensorer som kan integreres sømløst i vårt daglige liv. For utviklere som arbeider med helseovervåking og wearable-teknologi, representerer dette et betydelig fremskritt mot mer nøyaktige og brukervennlige løsninger.

Kilde: ACS applied materials & interfaces

Relevante produkter fra RoboNordic

Publisert av — Legg igjen en kommentar

Nvidia-sjef spår autonom fremtid for alle edge-enheter

Nvidia-sjef Jensen Huang lanserer en revolusjonerende visjon der alle edge-enheter blir autonome. Det nye datamønsteret skal bringe sky-intelligens direkte ut i roboter og IoT-enheter.

Under en pressesamling etter sin GTC Taipei-presentasjon lanserte Nvidia-sjef Jensen Huang en ambisiøs visjon for fremtiden innen edge computing og robotikk. Hans budskap var klart: Vi står overfor et fundamentalt skifte i hvordan vi tenker om databehandling og autonomi.

«Det finnes et nytt datamønster,» forklarte Huang til forsamlede journalister, og pekte på hvordan intelligens fra skyen nå kan implementeres direkte i edge-enheter.

Fra sky til edge: Et paradigmeskifte

Det tradisjonelle mønsteret har vært at tunge AI-beregninger utføres i skyen, mens lokale enheter kun fungerer som «dumme» terminaler. Huangs visjon snur dette på hodet ved å bringe sofistikert AI-behandling direkte ut til edge-enhetene selv.

Dette åpner for spennende muligheter innen robotikk og automatisering. Tenk deg en Arduino eller Raspberry Pi-basert robot som kan ta avanserte beslutninger i sanntid, uten å være avhengig av skyoppkobling. For hobbyister og utviklere betyr dette at selv relativt enkle mikrokontrollere kan få tilgang til kraftig AI-funksjonalitet.

Praktiske konsekvenser for robotikkprosjekter

For de som arbeider med robotikkprosjekter, åpner denne utviklingen for flere interessante muligheter:

Sanntidsrespons: Eliminering av nettverkslatens gjør at roboter kan reagere øyeblikkelig på endringer i miljøet. Dette er kritisk for autonome kjøretøy, droner og industriroboter.

Offline-funksjonalitet: Edge-enheter kan fungere autonomt selv uten internettforbindelse, noe som er uvurderlig i industrielle miljøer eller avsidesliggende områder.

Reduserte kostnader: Mindre avhengighet av skybaserte tjenester kan føre til lavere driftskostnader for robotikkprosjekter.

Tekniske utfordringer og muligheter

Implementeringen av denne visjonen krever betydelige fremskritt innen flere områder. Prosessoreffektivitet må økes dramatisk for å kunne kjøre komplekse AI-algoritmer på batteridrevne enheter. Samtidig må utviklere lære å optimalisere koden for edge-arkitekturer.

For Arduino- og mikrokontroller-entusiaster betyr dette at fremtidige prosjekter kan få tilgang til maskinlæring og AI-funksjoner som tidligere kun var tilgjengelige for store datasentre. Dette demokratiserer avansert teknologi og gjør den tilgjengelig for hobbyister og mindre bedrifter.

Huangs spådom representerer ikke bare en teknisk evolusjon, men en revolusjon som kan endre hele måten vi bygger og programmerer autonome systemer på.

Kilde: Tom’s Hardware

Publisert av — Legg igjen en kommentar

Slik bygger du en autonom palletruck med ROS 2 og NVIDIA Jetson

Et spennende prosjekt fra Los Angeles viser hvordan en standard 24V elektrisk palletruck kan transformeres til en fullstendig autonom enhet. Med ROS 2, NVIDIA Jetson og smart integrering kan hobbyister og profesjonelle lære av denne tilnærmingen.

Retrofitting av eksisterende industriutstyr til autonome systemer representerer en kostnadseffektiv måte å modernisere arbeidsplasser på. Dette prosjektet demonstrerer hvordan etablert teknologi kan kombineres med moderne robotikk-stacks for å skape praktiske løsninger.

Teknisk arkitektur og maskinvareintegrasjon

Kjernen i systemet bygger på NVIDIA Jetson Orin Nano som kjører Ubuntu med ROS 2 Humble. Denne kombinasjonen gir tilgang til Nav2-navigasjonsstacken og slam_toolbox for kartlegging og lokalisering.

Drive-by-wire-implementeringen løses elegant ved å bruke en Teensy-mikrokontroller som grensesnitt mot pallettruckens eksisterende motorkontroller. Systemet kan kommunisere via throttle injection eller CANopen-protokoll, avhengig av utstyrets spesifikasjoner. Dette gir kontroll over:

  • Trekkraft og retning
  • Løftemekanisme
  • Hjulencoder-avlesning for posisjonsfeedback

Mekanisk tilpasning og sikkerhet

Den mest krevende delen av integreringen er fabrikasjon og montering av styreaktuator på tiller-kolonnen. Dette krever presisjon og forståelse for pallettruckens opprinnelige design. Aktuatoren må være robust nok til å håndtere industrielle arbeidsforhold.

Sikkerhet prioriteres høyt med implementering av manuell nødstopp som fysisk avbryter all trekkraft, uavhengig av programvare.

Navigasjon og praktisk implementering

Etter maskinvareintegrasjon følger kalibrering og testing. Systemet startes i teleoperasjonsmodus for initial validering, før det kartlegger et avgrenset område ved hjelp av SLAM-algoritmer.

Nav2-implementeringen gjør det mulig for enheten å:

  • Planlegge optimale ruter
  • Navigere rundt hindringer
  • Utføre presise posisjoneringer for lasting/lossing

Prosjektets 1-2 ukers tidsramme viser at med riktig planlegging og eksisterende programvare kan komplekse autonome systemer realiseres relativt raskt. Dette åpner for skalerbare løsninger hvor flere enheter kan rulles ut basert på samme arkitektur.

For robotikk-entusiaster representerer dette et praktisk eksempel på hvordan ROS 2 og tilgjengelig maskinvare kan løse reelle industriutfordringer. Tilnærmingen kan tilpasses andre typer kjøretøy og arbeidsoppgaver.

Kilde: ROS Discourse

Relevante produkter fra RoboNordic

Publisert av — Legg igjen en kommentar

Ny Python-løsning for analytisk invers kinematikk i robotarmer

Personal Robotics Lab har lansert ssik 1.1, et Python-bibliotek som forenkler analytisk invers kinematikk for 6R og 7R robotarmer. Biblioteket er designet som en moderne etterfølger til IKFast og tilbyr ren Python-kode med BSD-3-lisensiering.

Invers kinematikk er en av de mest grunnleggende utfordringene i robotikk – å beregne hvilke leddvinkler som kreves for å posisjonere en robotarms endepunkt på et ønsket sted. Det nye ssik-biblioteket lover å gjøre denne komplekse oppgaven mer tilgjengelig for utviklere.

Hva gjør ssik annerledes?

ssik skiller seg ut ved å tilby analytiske løsninger i stedet for numeriske tilnærminger. Dette betyr raskere og mer pålitelige beregninger, spesielt viktig for sanntidsapplikasjoner. Biblioteket håndterer både 6R (6 rotasjonsledd) og 7R (7 rotasjonsledd) manipulatorer, inkludert utfordrende konfigurasjoner som tidligere verktøy har slitt med.

ssik returnerer alle mulige løsninger for en gitt posisjon, noe som gir utviklere full kontroll over hvilken armkonfigurasjon de ønsker å bruke.

Installasjonen er enkel med kommandoen pip install ssik. Biblioteket er skrevet i ren Python, noe som eliminerer komplekse avhengigheter og gjør det lettere å integrere i eksisterende prosjekter.

Praktiske bruksområder

ssik støtter flere populære robotarmtyper, inkludert ikke-Pieper 6R armer som Kinova JACO 2 og ikke-SRS 7R armer som Flexiv Rizon 4. Dette gjør biblioteket relevant for et bredt spekter av robotikkprosjekter – fra industriell automatisering til forskning og utdanning.

For hobbyister og studenter representerer ssik en sjanse til å eksperimentere med avansert robotikk uten å måtte implementere komplekse matematiske algoritmer fra bunnen av. Profesjonelle utviklere vil sette pris på den spesialiserte koden per arm-type og den omfattende løsningsoppramsingen.

Arven etter IKFast

ssik bygger videre på erfaringene fra Rosen Diankovs IKFast, som formet hvordan en hel generasjon robotikkutviklere tenkte om analytisk invers kinematikk. Den nye løsningen beholder de beste egenskapene – spesialisert kode per arm, analytiske grener og komplett løsningsoppramming – mens den moderniserer tilnærmingen med ren Python og forbedret kompatibilitet.

Med sin åpne BSD-3-lisens og aktive utviklerfellesskap inviterer ssik til både bruk og bidrag. Utviklerteamet tar gjerne imot spørsmål, forespørsler om støtte for spesifikke armtyper og hjelp med integrasjon i eksisterende systemer.

Kilde: ROS Discourse

Relevante produkter fra RoboNordic

Publisert av — Legg igjen en kommentar

Bygge autonom lagerrobot med ROS 2: Fra CAD-design til ferdig løsning

En utvikler har delt sin erfaring med å bygge en komplett autonom mobilrobot (AMR) for lagerautomatisering ved hjelp av ROS 2. Prosjektet dekker alt fra CAD-design i Fusion 360 til avansert navigasjon og presis docking med ArUco-markører.

Utviklingen av autonome lagersystemer blir stadig mer tilgjengelig for hobbyister og mindre bedrifter takket være åpen kildekode-verktøy som ROS 2. La oss se hvordan dette omfattende robotprosjektet ble realisert fra bunn av.

Systemarkitektur og teknisk stack

Roboten bygger på en solid teknisk foundation med ROS 2 som hovedrammeverk. Chassiset ble designet i Fusion 360 før det ble eksportert til URDF-format for bruk i ROS-økosystemet.

Den tekniske stacken består av flere sentrale komponenter:

  • Nav2 for navigasjon og ruteplanning
  • ArUco-basert visuell docking for presis justering ved hyller
  • Tilpasset waypoint-sekvensering for flerhylle-oppgaver
  • Gazebo og RViz for simulering og visualisering

Dette gir roboten mulighet til å autonomt navigere mellom ulike hyller, hente varer og levere dem til angitte soner uten menneskelig inngripen.

Utfordringer med LiDAR og odometri

En kritisk utfordring oppsto da LiDAR-punktskyen roterte sammen med roboten i RViz, noe som ødela kartlegging og navigasjon. Problemet viste seg å være en odom/TF mismatch under svinger.

Løsningen ble å utvikle en Ground TruthOdom-node som bruker Gazebo pose-data for å publisere stabil /odom og konsistent TF, inkludert håndtering av tidsstempel-problemer mellom ROS og Gazebo.

Denne typen debugging og problemløsning er typisk for robotikkprosjekter og viser viktigheten av å forstå TF-systemet i ROS grundig.

Praktisk anvendelse og resultater

Det ferdige systemet demonstrerer imponerende kapasiteter ved autonomt å betjene forespørsler for spesifikke hyller (Hylle B og Hylle C) og levere varene til utleveringssonen. ArUco-markørene sikrer presis posisjonering ved hver hylle, noe som er kritisk for pålitelig varehåndtering.

Prosjektet viser hvordan moderne robotikk-verktøy kan kombineres for å skape sofistikerte automatiseringsløsninger. For hobbyister og studenter representerer dette en excellent læringskilde for avanserte ROS 2-konsepter som transformasjoner, navigasjon og sensorfusjon.

Systemet er fullt kompatibelt med standard ROS 2-distribusjoner og kan tilpasses ulike lagerlavouter og robotplattformer. OpenCV-integrasjonen for ArUco-deteksjon gjør løsningen robust og kostnadseffektiv sammenlignet med proprietære docking-systemer.

Kilde: ROS Discourse

Relevante produkter fra RoboNordic

Publisert av — Legg igjen en kommentar

Kraftige rabatter på 3D-printere: Spar opptil 2400 kroner på kvalitetsutstyr

Store rabatter på 3D-printere gjør det nå ekstra attraktivt å investere i ny printertekologi. Med besparelser på opptil 2400 kroner fra ledende merkevarer som Bambu Lab, Elegoo og Creality, er dette en gylden mulighet for både hobbyister og profesjonelle.

Markedet for 3D-printere har aldri vært mer tilgjengelig, og de nåværende tilbudene gjør det enda enklere å ta steget inn i denne fascinerende verdenen. La oss se nærmere på hva som gjør disse tilbudene særlig interessante for norske entusiaster.

Bambu Lab: Presisjon møter brukervennlighet

Bambu Lab har revolusjonert 3D-printing-markedet med sine intelligente løsninger. Deres printere utmerker seg med automatisk kalibrering og avanserte sensorer som overvåker printprosessen kontinuerlig. Dette gjør dem ideelle for både nybegynnere som ønsker problemfri oppstart og erfarne brukere som krever konsistent kvalitet.

Med integrert AI-teknologi kan Bambu Lab-printere automatisk justere parametere underveis, noe som dramatisk reduserer feilprint og materialspill.

Spesifikasjoner som ofte imponerer inkluderer lukket printervolum for bedre temperaturkontroll, støtte for avanserte materialer som ABS og PETG, samt byggeområder som dekker de fleste hobbyprosjekter.

Elegoo og Creality: Solid ytelse til konkurransedyktige priser

For de som søker maksimal verdi for pengene, representerer Elegoo og Creality utmerkede alternativer. Elegoo har gjort seg bemerket innen resin-printing med sine MARS-serien, som leverer eksepsjonell detaljoppløsning ned til 0.01mm lagtykkelse.

Creality, kanskje best kjent for sin Ender-serie, tilbyr robust konstruksjon og omfattende community-støtte. Dette betyr:

• Lett tilgang til oppgraderinger og modifikasjoner
• Omfattende dokumentasjon og feilsøkingsressurser
• Kompatibilitet med tredjepartstilbehør

Filament og resin: Kompletter oppsettet

Sammen med printerrabattene følger ofte reduserte priser på forbruksmateriell. PLA-filament forblir førstevalget for nybegynnere på grunn av lav printtemperatur og minimal lukt, mens PETG egner seg utmerket til funksjonelle deler som krever høyere styrke.

For resin-printing åpner rabattene muligheter for å eksperimentere med spesialresiner som ABS-like eller tough resin, som utvider spekteret av mulige anvendelser betydelig.

Disse tilbudene representerer en sjelden mulighet til å oppgradere verkstedet eller starte 3D-printing-reisen med profesjonelt utstyr til hobbypriser. Med riktig printer kan alt fra prototyping til kunstprosjekter realiseres med imponerende kvalitet.

Kilde: Tom’s Hardware

Publisert av — Legg igjen en kommentar

Gammel 3D-skriver blir til Arduino-styrt penn-plotter

Ingeniørstudent Elliot Madsen har gitt nytt liv til en gammel 3D-skriver ved å bygge om den til en funksjonell penn-plotter styrt av Arduino UNO. Prosjektet viser hvordan klassisk teknologi kan gjenoppstå gjennom moderne mikrokontrollere.

Penn-plottere var en gang ryggraden i ingeniørens verktøykasse, spesielt for utskrift av store tekniske tegninger hvor de var både økonomiske og presise. Selv om digitale arbeidsflyter og alternative utskriftsmetoder har redusert deres utbredelse, fascinerer denne teknologien fortsatt mange som ønsker å forstå ingeniørfagets historie.

Fra 3D-skriver til presisjonsinstrument

Madsen tok utgangspunkt i en eldre 3D-skriver og gjennomførte en omfattende ombygging for å skape sin egen penn-plotter. Kjernen i systemet er en Arduino UNO mikrokontroller som styrer alle bevegelser med imponerende presisjon.

Den opprinnelige 3D-skriverens mekanikk – inkludert steppermotorer, lineære akser og rammestruktur – dannet det perfekte grunnlaget for plotteren. Ved å erstatte ekstruderen med en penn-holder og implementere Arduino-basert kontrollsystem, kunne han bevare den høye posisjoneringsnøyaktigheten som kreves for tekniske tegninger.

Tekniske spesifikasjoner og funksjonalitet

Arduino UNO-kontrolleren kommuniserer med steppermotordrivere som håndterer X-, Y- og Z-aksebevegelser. Z-aksen brukes til å løfte og senke pennen, noe som gir mulighet for både kontinuerlige linjer og separate geometriske elementer i samme tegning.

Systemet kan håndtere standardiserte G-kode-kommandoer, noe som gjør den kompatibel med eksisterende CAD-programvare og tegneverktøy.

Penn-plotteren støtter forskjellige penntyper og kan produsere detaljerte tekniske tegninger, kunstneriske skisser og prototyper av grafiske design. Arbeidsområdet bestemmes av den opprinnelige 3D-skriverens dimensjoner, som typisk gir tilstrekkelig plass for A3-format og mindre.

Praktiske anvendelsesområder

For ingeniørstudenter og hobbyister åpner dette prosjektet for flere interessante muligheter:

  • Utskrift av skjematiske tegninger og kretsskjemaer
  • Produksjon av presise tekniske illustrasjoner
  • Kunstneriske prosjekter med matematiske mønstre
  • Prototyping av grafiske brukergrensesnitt

Ombyggingen krever grunnleggende kunnskap om Arduino-programmering og elektronikk, men representerer et overkommelig prosjekt for de fleste med teknisk interesse. Resultatet er et unikt verktøy som kombinerer nostalgi med moderne fleksibilitet.

Dette prosjektet demonstrerer perfekt hvordan eldre teknologi kan få nytt liv gjennom kreativ tilnærming og moderne mikrokontrollere som Arduino UNO.

Kilde: Arduino Blog

Relevante produkter fra RoboNordic