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院中發揮更大作用的報道，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，實際應用已經開始興起。如今，家中的機器人正在執行基本的家務。送貨無人機開始出現。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，該裝置現在在一些中國醫院運營。

機器人應用和市場
危機總是一個很好的動力，但對于我們大多數人來說，只要價格合適，便利仍然足夠。機器人吸塵器已經很熟悉了。機器人割草機現在出現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控家庭安全。到 2025 年，國內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揮價值。預計到 2030 年，這種需求也將增長到數百萬臺的水平。

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 依賴于更傳統的技術，尤其是計算機視覺，以及一些非常繁重的線性代數。

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。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散。當機器人在全局閉環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常發生，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，這是運行高質量 SLAM 所需的大量傳感器處理。您不能在云中執行此操作；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化，以實現快速定點 SLAM 計算和快速浮點線性代數；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