個人機器人已經從科幻變成現實——一部分已經走向顧客，更多地蓄勢待發。我們現在的任務是讓它們變得更具競爭力。

我最近參加了上海MWC上。機器人在會展上獨占鰲頭。我看到有數十家公司在尋找客戶，他們的產品的應用方式各不相同。以機器人護士Tug為例。它看起來并不像我們在科幻作品中見過的機器人，更接近《星球大戰》中的一些較實用的自動機器。雖然它只是一個帶輪子的盒子，卻具有我們期待移動機器人擁有的許多功能，包括導航和避障。它可以在醫院周圍活動，如果有人踩在它前面就它會停下，它還會繞過亂放的點滴支架；它也可以指揮電梯去另一層樓。 Tug的功能是向患者運送藥物和食品，它已開始在美國37家退伍軍人醫院服役。想象一下，它們能夠為忙碌的candy-striper（志愿者助手）減少多少工作量。此外還有為老年護理、教學支持、餐館和酒店行業應用設計的機器人助手。你可以將其視為繼智能揚聲器之后私人助理領域的下一個重要產品（亞馬遜的倉庫中已經部署了10萬多個工作機器人，顯然他正在研究作為Echo接班人的家用機器人）。

這不是科幻小說；家庭助理機器人已經開始走進現實。

機器人健康助理

生產這種機器人存在明顯的技術挑戰，這些挑戰與自動駕駛問題沒有太大不同，但存在一些明顯的差異。導航和避障是常見挑戰，但清晰的行車道和交通管理的概念不適用于這些助理機器人；它面對的難題是如何在建筑物內避障和導航（通過地圖重測繪繞過臨時不可移動的障礙物）。雖然自然語言界面對于汽車而言是一種額外優勢，但對于機器人助手而言卻可能是必不可少的功能。當藥房送錯藥物或者當餐館搞砸了你的訂單，誰能耐心的按按鈕？

Gartner最近列出了機器人需要的10大人工智能和感應功能，其中包括：

計算機視覺—— 場景分析、物體識別等

機器人內置AI功能 —— 不僅依靠云端

會話界面 —— 語音識別和自然語言處理

位置感應 —— 我在哪里、我附近有什么/誰

聲學場景分析—— 識別獨特的噪音，如狗吠或玻璃破碎聲

生物識別和身份驗證—— 誰在與我交談，是否允許他們下達這些命令

自主運動 —— 能夠移動到建筑內的其他目標位置，而不會與物體或人員發生碰撞

構建擁有這些功能的系統的默認方法的第一步是以多核GPU平臺為基礎給機器人創造一個內置AI系統。這不難理解—— 產品構建者可以使用現成的平臺設計解決方案的原型，而無需擔心ASIC細節，就像他們將CPU開發板用于更傳統的應用一樣。但隨著產品數量的增加、成本和客戶滿意度/差異化變得越來越重要。現成的解決方案價格昂貴、耗電量大，而且使用與其他人相同的平臺難以實現市場區分。這就是為什么大批量解決方案不可避免地轉向ASIC平臺的原因。你無需放棄對原型的所有投資，低成本的GPU平臺仍然可以構成解決方案的一部分，但可以將大量的AI功能卸載到更具成本效益和集成度更高的平臺上。

在機器學習（ML）應用中，DSP相對于GPU的每瓦特性能優勢是眾所周知的，部分原因在于定點運算取代浮點運算、以及某些平臺的量化靈活性。而定制解決方案的價格優勢（量產時）是眾所周知的。這就是為什么你更有可能在數量/價格敏感的ML應用中看到嵌入式DSP，而不是現成的GPU。

智能顯示器：一種不動的機器人？

但它是否具備GPU的全部功能？事實證明，它能做相當多的事情。以計算機視覺（定位、跟蹤、物體識別和手勢識別）為例。目前，在一些基于嵌入式DSP的平臺中，已經可以完成這種級別的視覺處理。或以支持本地再訓練（無需前往云端）的自主運動為例。 DSP同樣具備支持這種智能的核心識別功能，在GPU上可以找到的相同功能。

語音識別/認證和聲學場景分析的任務同樣可以轉移。這些例子（以及此處的其他示例）完美地說明了為什么轉移非常有必要。這些智能操作都可分割為多個步驟，例如從語音拾取和方向分辨到基本單詞識別、甚至自然語言處理（NLP）。最后一步很難，可能需要求助于云端。但是之前的步驟嵌入式解決方案就能非常輕松地處理。有些應用只需要識別有限的詞匯或者只需要檢測非語言提示（例如窗戶破裂聲），在這些情況下，你可能根本不需要云端（或本地GPU）。已經有跡象表明，在不久的將來，在邊緣就能處理有限的NLP。

CEVA在它的邊緣AI、前端語音處理和物聯網深度學習平臺中構建了一系列廣泛的解決方案，用于支持這些使用AI的前端功能。在面臨擴大規模難題時，或者當您想要繞過這些難題時，請看看我們能提供什么幫助。