一邊是技術圈頂流，一邊在當前行業應用中沒什么存在感。

優點缺點，兩頭拔尖

優點與缺點都突出的特點，讓視覺方案一直伴隨著爭議，在近些年的行業應用上也一直透著“底氣”不足。但隨著在自動駕駛方面，純視覺FSD開始表現出極其優秀的智駕能力，是否意味著，對于機器人導航方面，視覺方案也不僅僅是配角？

視覺方案的優勢除卻成本較低，更加重要的是能夠獲取更豐富的環境信息，讓機器人在重定位、場景分類、交互等功能實現上更具優勢。但缺陷也因為數據處理量巨大，對算力要求很高，在算法和硬件無法給予足夠支持時，機器人就會出現精準度下降、卡頓、避障失靈等問題，進而導致任務無法達到預期，甚至失敗。這意味著要發揮出視覺方案的實際潛力，要么搭載高算力平臺，要么需要優化程度非常高的算法，否則所謂的巨大潛力，便成了笑話。

回到現實，讓選擇視覺的消費級掃地機器人產品重新拉高算力成本，顯然不可能。但如果算力無法滿足要求，算法就會做剪枝，閹割功能和極限性能，這也是視覺方案在當前行業應用上只能做配角的重要原因。

消費級的產品注定了其目前能搭載的芯片算力不會太高，想要真正發揮視覺方案的應用潛力，便只能在算法上下功夫。

算法瘦身，提升算力利用率

INDEMIND認為，對算法“瘦身”，并提高算力資源利用率，或許是打破算力桎梏的有效路徑。為此，INDEMIND進行了多年的實踐探索。

一方面，通過對算法進行輕量化“瘦身”，研發了輕量化VSLAM（基于深度學習特征的SLAM架構）、輕量化Depth（基于深度學習特征匹配的Depth）、輕量化深度學習模型（底層算子自研、剪枝、量化）等，在不影響功能表現的前提下，對算力要求有效降低。

另一方面， 通過采用硬件加速技術，對于視覺處理采用NEON加速、GPU加速、DSP加速等方式，提升芯片算力利用率。（系統運行時，芯片的計算單元不會全部被使用，導致算力資源浪費。）

結果證明，通過全棧自研輕量化算法和應用一系列軟硬件優化技術，INDEMIND實現了在幾美金的計算平臺上穩定運行整套VSLAM算法。

目前，公司推出的家用機器人AI解決方案搭載4核A53/A55級別芯片即可滿足需求，能夠適配如RK3566、VicoreTek 6601/6801等（全解決方案情況下，雙目視覺多傳感器融合SLAM、雙目Depth、物體識別及整機完整SDK）。需要說明的是，現有的大部分視覺導航方案在算力上大多需要TX2及以上，甚至PC級算力需求，且對CPU、GPU或NPU、內存均有較高要求。

算法再升級，賦能產品“真”創新

· 打破現有建圖慣例，首創“真”三維建圖

目前主流的傳統2D柵格地圖、拓撲地圖雖然能夠描述環境中存在的障礙物幾何特征及其環境結構信息，但卻缺乏機器人用于理解環境、人機/物機交互等業務邏輯的高層次語義信息。

工程機演示，不代表最終量產效果

INDEMIND則基于自研的VSLAM技術，首創了市面上真正意義上的三維地圖。地圖構建過程中，能夠重建物體及環境的結構信息，還有物體類別、功能屬性等“常識”性信息，這為上層功能開發提供了底層數據支持。

· 厘米級精準避障技術，無懼玻璃、積木

與自動駕駛漸入佳境相反，機器人仍在與避障死磕。一塊積木、一面玻璃等似乎成了大多數掃地機器人無法逾越的天塹。

INDEMIND基于設備端、云端智能決策平臺、大數據平臺三端專門建立了一套智能決策引擎，用于支持機器人完成邏輯判斷和決策，且在不斷使用中，能夠根據關鍵數據不斷更新算法模型，持續提升場景處理和問題應對能力。借助微秒級的智能決策引擎，機器人能夠穩定檢測各類障礙物，支持低矮障礙物避障（地插、桌椅底座等）；高反障礙物避障（玻璃、鏡面等）。同時，配合環境補光技術，機器人在黑暗環境同樣能夠輕松應對。

· “真”臟污識別技術，哪里臟掃哪里

自研臟污識別技術，讓掃地機器人像人一樣“定點打擊”。基于獨有的圖像算法，支持任何地面材質、花色、光線下的透明、半透明，不透明液體及干涸污漬識別、顆粒狀臟污識別、粉末狀臟污識別。而基于識別結果，系統能夠針對臟污類型和臟污程度自主決策清潔策略，提升清潔質量和覆蓋率。

在清潔過程中，機器人能夠將臟污檢測結果及位置與場景地圖和軌跡進行疊加，實現全場景的臟污地圖管理

通過深耕算法，打破算力限制，并對智能化方面深度創新，INDEMIND用實力證明視覺方案絕非配角。

審核編輯 黃宇