對于我們中的許多人來說，機器人技術仍然是一種主要局限于工廠或倉庫地板的應用。我們看到媒體對個人機器人助理和機器人在醫(yī)院中發(fā)揮更大作用的報道，這些聽起來都是好主意，但似乎仍然是有抱負的，而不是短期的。然而，實際應用已經(jīng)開始興起。如今，家中的機器人正在執(zhí)行基本的家務。送貨無人機開始出現(xiàn)。一家富有想象力的丹麥公司正在使用機器人紫外線消毒裝置攻擊 Covid-19，該裝置現(xiàn)在在一些中國醫(yī)院運營。

機器人應用和市場
危機總是一個很好的動力，但對于我們大多數(shù)人來說，只要價格合適，便利仍然足夠。機器人吸塵器已經(jīng)很熟悉了。機器人割草機現(xiàn)在出現(xiàn)在家庭和花園商店中。您可以在線購買機器人窗戶清潔器或機器人泳池清潔器。甚至還有機器人來監(jiān)控家庭安全。到 2025 年，國內(nèi)機器人市場預計將增長到近4000 萬臺，到 2030 年將增長到 1 億臺以上。到2030 年，機器人送貨無人機預計將增長到近80 萬臺. 自主移動機器人還將在工廠、超市和商店的送貨服務、庫存和其他應用中發(fā)揮價值。預計到 2030 年，這種需求也將增長到數(shù)百萬臺的水平。

SLAM 和導航
所有自主機器人背后的魔力是同時定位和映射 (SLAM)。SLAM 學會在飛行中導航陌生的領域。現(xiàn)在不同尋常的是，SLAM 不是基于機器學習，因為該領域的某些方面可以并且將會動態(tài)變化（您移動了家具或狗決定睡在地板中間）。相反，SLAM 依賴于更傳統(tǒng)的技術，尤其是計算機視覺，以及一些非常繁重的線性代數(shù)。

為了像掃地機器人一樣導航，SLAM 需要估計相機軌跡并構建地圖。它需要地圖來估計相機軌跡和構建地圖的軌跡，因此這些步驟需要同時進行。這張地圖遠非詳盡無遺。它是沿行進路徑的一組非常稀疏的點，通過三個步驟構建——跟蹤、映射和閉環(huán)。跟蹤是基礎，包括尋找特征點、擬合運動模型和準備映射——所有這些都使用定點處理，它必須以實時速度運行。映射在幀的子集上運行，但執(zhí)行由大約幾百乘幾百浮點矩陣表示的線性方程 - 不如跟蹤快，但仍接近實時。

這非常有效，但請記住，這都是即時計算。由于算法的限制和與傳感器相關的校準誤差/噪聲，實際路徑和估計路徑會隨著時間的推移而發(fā)散。當機器人在全局閉環(huán)中重新訪問之前的某個點時，可以糾正錯誤。這種計算顯然不需要經(jīng)常發(fā)生，但必須求解由幾千乘幾千浮點矩陣表示的線性方程。這需要足夠長的時間，以至于它必須在后臺運行。

多傳感器和融合
視覺感知必須通過其他形式的感知來增強——例如通過接近或飛行時間傳感器——以避免撞到狗或電視。此外，機器人可能會卡在低矮的障礙物、椅子的地板支撐或地板和地毯之間的過渡處。為了管理這樣的情況，機器人需要一個六軸傳感器來檢測傾斜，這可能表明機器人可能會卡住的區(qū)域，應該嘗試不同的路徑。機器人通常還包括光流傳感器（例如跟蹤鼠標移動的傳感器）等等。這些額外的輸入提高了 SLAM 處理的準確性，但它們必須經(jīng)過智能校準和融合才能真正提高準確性。

SLAM 平臺的要求
總而言之，這是運行高質(zhì)量 SLAM 所需的大量傳感器處理。您不能在云中執(zhí)行此操作；通信延遲會影響效率。計算需要在機器人專用的低功耗平臺上實時運行；采用基于 DSP 的架構，旨在支持多種傳感器類型的融合，并使用專用指令進行優(yōu)化，以實現(xiàn)快速定點 SLAM 計算和快速浮點線性代數(shù)；硬件支持我上面提到的視覺慣性 SLAM 融合；并帶有一個支持廣泛使用的 ORB-SLAM2 開源流程的 SDK。

如果您正在考慮機器人技術并希望構建高效、高精度的解決方案，請查看我們的CEVA SensPro架構。

審核編輯 黃昊宇