Oversigt En robust, sporet robotplatform bygget af grøn aluminiumlegering for holdbarhed og en lav visuel profil. Crawler-chassiset er kompakt og stabilt og designet til navigations-, perceptions- og manipulationsprojekter, hvor pålidelig hardware og åben kontrol er påkrævet. Vigtigste fordele Klar til virkelig robotudvikling: SLAM lidar og dybderegistrering lader platformen kortlægge og navigere i komplekse miljøer autonomt. Stærk, holdbar konstruktion: Aluminiumlegering oxid-kabinet giver en let, men robust ramme, der er egnet til feltbrug og gentagen håndtering. Ydeevne og mobilitet: Momentgearmotorer leverer trækkraft og præcis bevægelseskontrol til at krydse ujævne overflader og bære nyttelast. Fleksibel udvidelse og integration: Et kraftfuldt robotudvidelseskort giver grænseflader til sensorer, aktuatorer og brugerdefineret elektronik. Åben softwareunderstøttelse: Indbygget understøttelse af Python- og ROS-arbejdsgange accelererer udvikling, test og implementering ved hjælp af velkendte værktøjer. Hvad der gør den unik Integreret perceptionsstak med SLAM lidar plus HD- og dybdekameraer til samtidig kortlægning, forhindringsdetektion og visuelle opgaver. Fuld ROS-kompatibilitet ved hjælp af Rviz-, Movelt- og Qt-værktøjskasser til bevægelsesplanlægning, visualisering og udvikling af brugergrænseflader. Flere kontrolstier: mobilapp til hurtig feltkontrol, håndholdt controller til FPV-betjening og JupyterLab til interaktiv onlineprogrammering og eksperimenter. Nøgleegenskaber Funktion: autonom navigation, fjernbetjening og manipulationstest. Materiale: grønt aluminiumslegeringsoxidchassis for styrke og let håndtering. Ydeevne: momentgearmotorer for pålidelig trækkraft og stabil bevægelseskontrol. Kompatibilitet: understøtter Python- og ROS-økosystemer, Rviz, Movelt, Qt og JupyterLab til udvikling og simulering. Størrelse: kompakt sporet platform designet til bærbarhed og implementering i indendørs og udendørs scenarier. Typiske brugsscenarier Forskning og prototyping: hurtig udvikling af SLAM-, perceptions- og navigationsalgoritmer ved hjælp af ROS-værktøjskæder og visuel debugging i Rviz og Movelt. Inspektion og kortlægning: implementering af crawleren til at inspicere begrænsede områder eller oprette nøjagtige kort over indendørs rum ved hjælp af lidar- og dybdekameraer. Uddannelse og træning: praktisk læring til robotkurser og workshops med mobilapp-styring, FPV-betjening og JupyterLab-programmeringsøvelser. Hvad du får En komplet crawlerplatform, der kombinerer robust mekanisk design med avanceret sensorering og åben softwareintegration. Ideel til ingeniører, forskere og undervisere, der har brug for et pålideligt grundlag for udvikling af arbejdsgange inden for autonom navigation, visionsbehandling og robotarmsimulering.