Bagaimana cara kerja robot pembersih profesional di ruangan dengan banyak rintangan?

Nov 17, 2026

Tinggalkan pesan

Liam Johnson
Liam Johnson
Liam adalah seorang ilmuwan peneliti di perusahaan ini. Ia telah mendedikasikan dirinya untuk mempelajari teknologi sasis robot dan algoritma mesin. Dengan pengetahuannya yang mendalam, ia telah memberikan kontribusi signifikan terhadap pengembangan teknologi inti perusahaan dan memegang beberapa paten di bidang ini.

Sebagai pemasok robot pembersih profesional, saya telah menghabiskan waktu berjam-jam untuk menjawab pertanyaan yang sama dari manajer fasilitas, admin kantor, dan pemilik properti: Bagaimana mesin yang ringkas dan cerdas ini menavigasi ruangan yang penuh dengan kursi kantor, tanaman dalam pot, alas meja, dan barang-barang yang berantakan—tanpa macet, kehilangan tempat, atau merusak peralatan mahal? Jawaban singkatnya adalah sistem berlapis dan didukung ilmu pengetahuan yang menyeimbangkan sensor, pemetaan, dan logika adaptif, namun jawaban panjangnya adalah di mana inovasi sebenarnya terjadi, terutama ketika Anda berbicara tentang model kelas profesional yang menggerakkan ruang komersial, bukan hanya dapur rumah. Ini bukanlah teknologi penyedot debu konsumen yang dilakukan secara acak. Saat kami merancang robot pembersih profesional untuk ruangan yang penuh rintangan, kami membuat alat yang mempelajari ruangan, bereaksi dalam milidetik, dan memprioritaskan ketelitian dan keandalan.

Pertama, mari kita uraikan jenis-jenis hambatan yang mungkin Anda temui dalam lingkungan komersial yang sibuk—dan mengapa hambatan tersebut sangat rumit. Sebuah rumah mungkin memiliki satu kaki meja kopi, namun ruang kerja bersama seluas 10.000 kaki persegi memiliki 20+ alas kursi kantor, celah lemari arsip, kabel di bawah meja, dudukan tanaman hias, dan bahkan kekacauan sementara seperti kotak pindahan atau meja lipat ruang konferensi di tengah acara. Tidak seperti trotoar terbuka, rintangan di dalam ruangan sering kali dibuat tidak mencolok, bentuknya tidak beraturan, dan ditempatkan dalam pola yang dinamis (kursi ditarik keluar dan didorong ke dalam sepanjang hari). Itu sebabnya lini profesional kami melewatkan sensor inframerah murah yang tidak dapat mendeteksi kabel tipis atau kaki furnitur gelap—sebagai gantinya, kami menggunakan kombinasi tiga teknologi penginderaan inti: LIDAR, penglihatan stereo 3D, dan susunan bumper taktil. Mari kita telusuri cara kerjanya secara bersamaan, karena itulah rahasianya tidak ada vendor yang cukup beriklan.

LIDAR (Light Detection and Ranging) adalah "mata" jarak jauh mesin ini—yang berputar 360 derajat 10 kali per detik, memancarkan pulsa laser kecil yang memantul ke setiap permukaan ruangan, menciptakan peta 3D yang berisi rintangan, dinding, dan ruang terbuka secara real-time. Untuk ruangan yang penuh dengan meja, LIDAR dapat mendeteksi celah antara kaki meja dan dinding, tepi dudukan monitor yang menonjol, atau botol air yang tertinggal di lantai bahkan sebelum robot berada dalam jarak satu kaki darinya. Namun LIDAR memiliki titik buta: benda yang sangat tipis dan gelap (seperti kabel listrik 2 mm atau zip tie plastik hitam) dapat menyerap sinar laser, sehingga tidak terlihat oleh sensor jarak jauh. Di sinilah sistem penglihatan stereo 3D kami berperan. Dipasang tinggi di bagian depan robot, dua kamera berfungsi seperti mata manusia, membandingkan gambar dari dua sudut untuk menghitung tinggi dan lebar rintangan secara tepat, bahkan yang terlewatkan oleh LIDAR. Kami mengujinya secara ekstensif dengan kamiRobot Pembersih Jalananprototipe tahun lalu, melatih model visinya untuk mengenali rantai sepeda tipis dan mengekang paku, dan kami menggunakan kembali algoritme visi komputer yang sama untuk model dalam ruangan guna mendeteksi kabel liar dan tali sepatu longgar yang mungkin diabaikan oleh LIDAR.

Namun bahkan dengan LIDAR dan penglihatan stereo, tidak ada sensor yang sempurna. Tahun lalu, seorang penguji beta di kantor hukum di pusat kota memberi tahu kami bahwa robot konsumen mereka terjepit di bawah lemari arsip karena sensornya tidak dapat membedakan antara ruang terbuka di bawah lemari dan permukaan padat di luarnya. Itu sebabnya kami menambahkan lapisan ketiga: susunan bumper taktil dan sensor tebing. Bumper fleksibel dan berlapis karet yang melapisi bagian depan robot peka terhadap tekanan—mereka tidak hanya menghentikan mesin saat menabrak sesuatu; mereka mengirimkan sinyal untuk menyesuaikan kecepatan sebesar 50% dan mengubah rute jika rintangannya lunak (seperti rok kain kursi) vs. keras (seperti lemari logam). Sensor tebing, yang dipasang di sepanjang tepi bawah, menggunakan cahaya inframerah untuk mendeteksi jatuhan (seperti tepi tangga, atau platform yang ditinggikan untuk peralatan AV) yang akan merusak robot jika mencoba terguling. Kami juga memprogram robot pembersih profesional kami untuk menggunakan isyarat sentuhan ini sebagai bagian dari proses pembelajarannya: jika robot tersebut mengenai kaki meja kecil yang sama sebanyak tiga kali dalam satu siklus pembersihan, ia akan menambahkan titik tersebut ke zona "dilarang bepergian" pada iterasi pemetaan berikutnya, sehingga tidak membuang-buang energi untuk mencoba menavigasi di sekitarnya pada lintasan berikutnya.

Penginderaan hanyalah setengah dari perjuangan. Separuh lainnya adalah pemetaan dan perencanaan jalur, di mana model profesional benar-benar berbeda dari pilihan konsumen. Saat robot konsumen menggunakan sistem dasar SLAM (Pelokalan dan Pemetaan Simultan), ia menghasilkan peta ruangan yang kasar dan berbasis grid saat dibersihkan, namun ia tidak dapat menyimpan beberapa tata letak peta untuk ruangan yang berubah—seperti ruang konferensi yang mengatur ulang tabel setiap minggu. Jalur profesional kami menggunakan SLAM semantik tingkat lanjut, yang tidak hanya memetakan dinding dan rintangan; ia mengklasifikasikannya berdasarkan jenisnya, sehingga ia dapat menyesuaikan jalurnya. Misalnya, di ruangan yang penuh dengan kursi kantor yang dapat dipindahkan, SLAM semantik mengidentifikasi alas kursi sebagai "hambatan dinamis" vs. lemari arsip tetap sebagai "hambatan statis", sehingga ia menyesuaikan jalur pembersihannya untuk mengelilingi kursi yang bergerak (yang muncul sebagai hambatan baru secara real-time) sambil tetap berpegang pada rute tetap di sepanjang tepi kabinet. Hal ini merupakan terobosan baru untuk ruangan yang tata letaknya berubah setiap hari: startup yang menambahkan meja baru setiap bulan dapat mengunggah denah lantai baru dalam 5 menit, dan robot akan memperbarui database hambatannya tanpa memerlukan kalibrasi ulang manual secara penuh.

Kami juga menjalankan algoritme penghindaran rintangan yang memprioritaskan jangkauan dibandingkan kecepatan, yang tidak dapat dinegosiasikan untuk penggunaan profesional. Robot rumahan mungkin melewatkan satu titik di bawah meja karena tidak ingin terjebak, namun robot pembersih kami dirancang untuk menjangkau setiap inci, bahkan di area yang berantakan. Algoritme ini menghitung jalur sekecil mungkin di antara rintangan (seperti kaki kursi yang berjarak 12 inci) dan menyesuaikan lebarnya agar sesuai: jika kepala pembersih robot memiliki lebar 14 inci, robot tidak akan mencoba masuk melalui celah 12 inci—sebaliknya, robot akan mundur sedikit dan mengambil jalur yang lebih lebar di sekitar meja, daripada terjepit. Kami mengujinya terhadap berbagai model konsumen dan komersial kelas menengah dalam simulasi ruang kantor yang berantakan, dan robot pembersih profesional kami kehilangan 0% luas lantai, dibandingkan dengan 18% pada pesaing, dan hanya terjebak 2 kali dalam 8 jam pembersihan, vs. 12 kali untuk model terbaik berikutnya.

Fitur penting lainnya untuk ruang padat rintangan: kecepatan adaptif dan jarak berhenti. Kita semua tahu bahwa robot yang bergerak di sekitar ruangan yang sibuk dapat menjatuhkan tanaman dalam pot atau secangkir kopi penuh, itulah sebabnya kami memprogram sistem kami untuk menyesuaikan kecepatannya berdasarkan jarak rintangan. Jika LIDAR mendeteksi rintangan sejauh 6 kaki, robot akan melambat hingga 70% dari kecepatan maksimalnya; pada jarak 2 kaki, ia turun menjadi 20%, dan berhenti sepenuhnya ketika jaraknya 6 inci. Ini sangat penting untukRobot Pembersih Luar Ruanganmodel, yang harus menavigasi medan yang tidak rata dan puing-puing acak seperti cabang tumbang atau peralatan bermain, namun untuk penggunaan di dalam ruangan, robot ini cocok untuk ruangan dengan lalu lintas pejalan kaki—jika seorang karyawan berjalan di depan robot saat sedang membersihkan, robot akan langsung berhenti, daripada membelok secara tidak menentu dan menjatuhkan barang-barang di dekatnya.

Outdoor Cleaning RobotProfessional Cleaning Robot

Salah satu tantangan paling umum dalam menangani ruangan yang berantakan adalah tempat-tempat kecil dan sulit dijangkau yang sering terlewatkan. Misalnya saja celah antara meja dan dinding, atau di bawah rak buku yang digantung rendah. Jajaran produk profesional kami memecahkan masalah ini dengan desain kepala pembersih modular yang memungkinkan robot menyesuaikan ketinggiannya hingga 3 inci. Jika LIDAR dan sistem penglihatan mendeteksi jarak bebas yang rendah (di bawah 5 inci, tipikal untuk ruang di bawah meja), robot secara otomatis menurunkan kepala pembersihnya agar sesuai, daripada mencoba melewatinya dengan ketinggian penuh. Kami juga menambahkan sistem sikat samping yang memanjang 2 inci dari badan utama robot, sehingga dapat menyapu kotoran dari celah antara badan robot dan dinding, tempat yang tidak dapat dijangkau oleh sebagian besar robot konsumen karena sikat sampingnya terlalu pendek.

Namun tidak ada sistem penghalang yang sempurna, itulah sebabnya kami membuat fitur pengesampingan manual dan pemantauan jarak jauh untuk pengguna komersial. Jika robot terjebak (jarang terjadi, tetapi hal ini terjadi), dasbor berbasis cloud kami mengirimkan peringatan kepada manajer fasilitas dengan foto hambatan dan panduan langkah demi langkah untuk membebaskannya, tidak perlu memanggil teknisi. Untuk ruangan berprioritas tinggi, seperti bagian rumah sakit atau kantor pusat perusahaan, kami juga dapat melengkapi robot pembersih profesional kami dengan fitur teleoperasi yang memungkinkan manajer mengarahkan robot dari jarak jauh melalui dasbor untuk menavigasi rintangan yang tidak terduga, seperti kereta medis beroda atau pengaturan acara yang tidak dijadwalkan.

Penting untuk dicatat bahwa navigasi rintangan bukanlah satu hal yang bisa diterapkan untuk semua orang. Toko ritel memiliki kendala yang berbeda dengan ruang kelas sekolah, itulah sebabnya kamiRobot Pembersih Jalandibuat untuk menangani rintangan yang besar dan tidak rata seperti tepi jalan dan mobil yang diparkir, sementara lini produk dalam ruangan profesional kami disesuaikan untuk rintangan kecil dan tidak beraturan yang umum terjadi di kantor dan interior ritel. Saat kami merancang setiap model, kami melakukan ratusan jam uji lapangan di ruang nyata, tidak hanya di laboratorium, karena pengujian konsumen tidak dapat meniru keacakan ruang komersial yang sibuk—seseorang meninggalkan kursi di luar, setumpuk kotak di dekat pintu, dan karet gelang longgar di lantai.

Setelah 7 tahun menyempurnakan lini produk kami, satu hal yang jelas: robot pembersih terbaik untuk ruang padat rintangan tidak hanya "menghindari" rintangan—mereka juga beradaptasi, belajar darinya, dan memprioritaskan ketelitian tanpa mengorbankan keandalan. Bagi manajer fasilitas yang lelah menghabiskan waktu berjam-jam membersihkan tempat-tempat yang terlewat atau membebaskan robot-robot yang terjebak, investasi pada model profesional bukan hanya tentang otomatisasi—tetapi tentang mesin yang dapat mengimbangi kekacauan di ruang dalam ruangan yang sibuk. Jika Anda ingin meningkatkan operasi pembersihan Anda dan melihat bagaimana sistem kami bekerja di ruangan spesifik Anda, kami akan dengan senang hati memandu Anda melalui proses pengujian kami dan menunjukkan bagaimana robot pembersih profesional kami dapat menavigasi ruangan Anda yang paling berantakan sekalipun.


Referensi

  1. Melalui, S. dkk. (2005). Robotika Probabilistik. Pers MIT. (Teks dasar tentang SLAM dan navigasi robot)
  2. Chen, L. dkk. (2021). "Deteksi Hambatan untuk Robot Layanan: Perbandingan Pendekatan LIDAR dan Stereo Vision." Jurnal Robotika Lapangan, vol. 38, tidak. 4, hal.562-587.
  3. Organisasi Internasional untuk Standardisasi (ISO). (2018). ISO 13482: Robot dan perangkat robotik — Persyaratan keselamatan untuk robot perawatan pribadi.
  4. Data Uji Lapangan: "Kinerja Robot Pembersih Profesional vs. Konsumen di Lingkungan Dalam Ruangan yang Berantakan." 2023. Laporan Internal Pemasok (Pengujian dilakukan di 12 ruang komersial di Amerika Utara, 2022-2023)
Kirim permintaan
Kirim permintaan