一台拣选机器人在高密度仓库中与货架相撞，引发多米诺效应，导致数排货物倒塌。如果激光雷达传感器能正确检测到障碍物的接近，这起事故本可以避免。为了理解故障原因，我们通过数字孪生技术重现了事故，将使用FARO Scene扫描的真实数据与Gazebo中的模拟以及Unreal Engine 5中的可视化进行对比。目标是定位由通道金属表面镜面反射产生的盲点。
使用FARO Scene进行法医重建并在Gazebo中验证 🛠️
第一步是使用FARO Scene捕获事故后仓库的几何形状，生成高精度点云。该点云被导入Navisworks以分析结构倒塌的顺序。随后，在Gazebo中构建了机器人和货架的数字孪生，复制了原始的拣选轨迹。通过在此虚拟环境中模拟激光雷达的扫描路径，识别出激光束以掠射角照射抛光钢板表面的区域，产生反射，导致传感器将其解读为自由空间。真实点云与模拟的直接对比证实，这些盲点恰好与撞击位置重合。
重新思考安全：从物理布局到沉浸式模拟 🚧
这起事故表明，仅依赖激光雷达传感器而不验证虚拟环境可能很危险。金属表面的镜面反射是高密度仓库中的一个关键盲点。作为改进，建议重新设计布局，在货架角落添加漫反射标记，并重新定位激光雷达支架以覆盖有问题的角度。Unreal Engine 5允许实时可视化这些修改，为安全工程师提供沉浸式工具，在物理实施前测试配置，从而降低新的多米诺效应风险。
Unreal Engine 5中的数字孪生哪些参数未能预测拣选机器人的碰撞，以及如何避免高密度仓库中的多米诺效应？
(附注：在Foro3D，我们优化路径就像优化多边形一样：直到电脑说够了为止)