機器人：科學幻想還是近期現實？現在它們更傾向于近期付諸現實，超越簡單的機器助手，進一步滿足實際需求。在家中，在最后一英里交付，滿足安全需求。嵌入式產品讓這些機器人可以被消費者輕松收入囊中。

對我們許多人而言，機器人技術仍然是一種主要受限于工廠或倉庫的應用。我們可以看到，關于私人機器人助手和機器人在醫院中發揮更大作用的媒體報道，聽起來都是不錯的想法，但似乎仍是一種遠景，近期無法實現。盡管已經開始投入實際應用。如今家用機器人正在完成一些基本家務。配送無人機開始出現。一家富有創造力的丹麥公司正在利用機器人紫外線消毒設備攻擊新冠病毒，目前已在中國一些醫院投入使用。

機器人應用和市場

危機總是帶來轉機，對我們大多數人來說，只要價格合適，達到便利性就足夠了。機器人真空吸塵器已經成為人們熟知的產品。機器人除草機正在亮相家庭和花園商店。您可以在線購買 機器人擦窗器或 機器人泳池清潔機。甚至還有機器人來監控家庭安全。國內機器人市場預計將增長至接近4000萬臺（到2025年）和1億臺（到2030年）。機器人配送無人機預計將增長至接近 80萬臺（到2030年）。自主移動機器人在工廠、超市和商店、送貨服務、庫存和其他應用方面同樣具有重要價值。此類需求也有望到2030年達到數百萬單位水平。

SLAM和導航

所有自主機器人背后的“魔力”來自SLAM（同時定位和地圖構建）。SLAM能在不熟悉的領域學會快速導航。但不同于想象的是，SLAM并非基于機器學習，因為領域的某些方面可以并且將會動態改變（你可以移動家具或者狗決定睡在地板中央）。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。

要像機器人真空吸塵器那樣導航，SLAM需要估算攝像頭的軌跡并繪制地圖。它需要地圖來預估攝像頭軌跡，然后根據軌跡繪制地圖，因此需要同步實施這些步驟。該地圖還遠遠不夠詳盡，僅僅是通過跟蹤、映射和閉合循環三個步驟，沿著走過的路徑設置的非常稀疏的點集。跟蹤的基本工作包括尋找特征點、擬合運動模型以及映射準備，所有這些工作都必須采用定點處理，且以實時速度運行。映射基于一組幀的子集運行，但是執行由類似數百位浮點數相乘的矩陣表示的線性方程，沒有跟蹤那么快，但仍然接近實時。

這些運算運行效果良好，且均為實時計算。受算法以及傳感器相關的校準誤差/噪聲所限，真實路徑和估計路徑會隨著時間的推移而出現分歧。當機器人重新回到曾經在全局閉合循環中到達過的某個點時，錯誤可以被糾正。這種計算顯然不需要經常發生，但是必須要解答由數千位浮點數相乘的矩陣表示的線性方程組。這需要足夠長的時間，因此必須在后臺運行。

多傳感器和融合

視覺感應必須通過其他形式的感應增強，例如，通過time of fly傳感器的距離或時間感應避免撞上狗或電視機。此外，機器人還可能被低障礙物、椅子的地板支撐或地板和地毯之間的邊界卡住。為了應對此類情況，機器人需要一個6軸傳感器，來檢測可能會導致機器人卡住的傾斜區域，并應嘗試不同的路徑。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。這些額外的輸入改善了SLAM處理的精度，但他們必須智能校準和融合以確保實際提升精度。基于攝像頭的跟蹤還必須融合慣性和其他類型的感測，以便于當機器人進入床或桌子下面時，可以繼續沿著合理的路徑行動。

SLAM平臺的要求

綜合考慮，運行高質量的SLAM需要大量的傳感器信息處理。云計算無法實現；通訊延遲會扼殺有效性。計算需要在基于機器人的特制低功耗平臺上實時運行。一種基于DSP的架構，旨在支持多種類型感測融合，利用專用指令優化實現快速定點SLAM計算以及快速浮點線性代數。通過硬件支持上述視覺慣性SLAM融合。還有支持廣泛應用ORB-SLAM2開源流的SDK。

原文標題：SLAM和多感官機器人很快就會走進千家萬戶

文章出處：【微信公眾號：CEVA】歡迎添加關注！文章轉載請注明出處。

責任編輯：haq