Ключевые технологии, движущие развитие робототехнических систем нового поколения

По мере перехода робототехнических систем из исследовательских лабораторий в коммерческое развертывание в производстве, логистике и сервисной сфере, становится критически важным выявление оставшихся барьеров, ограничивающих их массовое внедрение.

Хотя и аппаратное, и программное обеспечение продемонстрировали значительный прогресс, стремительная эволюция дизайна продолжает толкать роботов к большей полезности и интеллекту в таких областях, как сельское хозяйство, складское хозяйство, доставка «последней мили», инспекция и интеллектуальное производство.

На практике робот потребляет данные с датчиков и камер, локализует себя, воспринимает окружение, предсказывает движение соседних объектов и планирует безопасные, координированные перемещения — все это требует огромной вычислительной мощности и энергии.

Потребление энергии в робототехнических платформах делится на три основные категории: приводные двигатели и контроллеры, системы 감сирования и вычислительные блоки. Необходимо новое поколение низкопотребляющих высокоточных датчиков для эффективного определения ориентации и положения робота, в то время как вычислительные платформы должны балансировать между производительностью и энергопотреблением, особенно учитывая, что роботы обычно движутся с небольшими скоростями.

В этот критический момент системный кристалл (SoC) становится ключевым элементом, интегрирующим разнообразные сенсорные модули и мощные движки искусственного интеллекта (ИИ), обеспечивая новую волну коммерческих роботов.

Требования к SoC нового поколения

Робототехнические операции часто требуют одновременного выполнения в реальном времени десятков алгоритмов — включая одометрию, планирование пути, компьютерное зрение и восприятие. Эта сложность требует SoC, способных обеспечить беспрецедентную интеграцию, поддерживая специализированные функции, такие как разреженное кодирование, планирование пути и одновременная локализация и построение карты (SLAM).

Чип Qualcomm SDA/SDM845 (Рисунок 1) примечателен как пример такого скачка в интеграции. Его восьмиядерный процессор Kryo работает на частоте 2,8 ГГц, дополняется DSP Hexagon 685 для обработки ИИ на устройстве и мобильно-оптимизированным стеком компьютерного зрения для восприятия, навигации и манипулирования. Двухканальный 14-битный процессор сигнала изображения Spectra 280 обрабатывает камеры до 32 мегапикселей и видео 4K при 60 кадрах в секунду.

Рисунок 1: Архитектурные блоки чипа Qualcomm SDM845 для робототехнических проектов (Изображение: Qualcomm)

Платформа также включает защищенный блок обработки (SPU), обеспечивающий безопасную загрузку, криптографическое ускорение и доверенную среду выполнения (TEE). Связь покрывается Wi-Fi, с планами добавления 5G для низколатентного высокопропускного обмена данными в промышленных условиях.

Платформа Qualcomm Robotics RB3 построена на базе SDA/SDM845, в комплекте с отладочной платой и набором DragonBoard 845c для быстрого прототипирования.

Модуль Nvidia Jetson Xavier (Рисунок 2) демонстрирует другое высокоинтегрированное решение, ориентированное на роботов для доставки и логистики. Модуль содержит 9 миллиардов транзисторов и обеспечивает производительность свыше 30 триллионов операций в секунду (TOPS), включая восьмиядерный процессор ARM64, GPU с тензорными ядрами Volta, два ускорителя глубокого обучения NVIDIA (NVDLA), процессор изображения, процессор зрения и видеопроцессор.

Рисунок 2: Модуль Jetson Xavier размером 80 × 87 мм обеспечивает вычислительную мощность рабочей станции в компактном формате (Изображение: Nvidia)

Эти примеры иллюстрируют, что ИИ-ускорители в SoC и модулях незаменимы, позволяя роботам объединять сенсорные данные, локализоваться, строить карты и навигировать с высокой точностью.

Интеграция ИИ: все еще в стадии развития

ИИ играет ключевую роль в повышении отзывчивости и точности роботов, особенно в обнаружении и распознавании объектов. Выходя за рамки жесткого программирования, ИИ позволяет роботам взаимодействовать с окружением более естественно и точно.

Однако проектировщикам необходимо внедрять дополнительные возможности ИИ без увеличения размера компонентов или потребления энергии. Крупные форм-факторы могут препятствовать коммерческому внедрению.

Рисунок 3: ИИ-модули должны балансировать производительность, размер и потребление энергии для удовлетворения рыночных требований.

Другим препятствием является обеспечение широкой поддержки фреймворков ИИ, поскольку промышленные и сервисные роботы все больше полагаются на модели вывода для ориентации и позиционирования.

Необходимость умных датчиков

Роботы, такие как автономные пылесосы и гироборды, требуют высокостабильных высокопроизводительных датчиков, выдерживающих сильные вибрации. Достижение высокоточной обработки сенсорных данных часто увеличивает как стоимость, так и время разработки при использовании программного управления.

Следовательно, интегрированные сенсорные решения становятся обязательными. Для платформы RB3 компания InvenSense (ныне часть TDK) поставляет набор низкопотребляющих точно согласованных датчиков и микрофонов с высокой точкой перегрузки по звуковому давлению.

RB3 использует шестиосевые IMU InvenSense — трио гироскопов и акселерометров — наряду с емкостным барометрическим датчиком давления и многоканальными цифровыми микрофонами. Эти IMU обеспечивают позиционирование на основе часов реального времени, в то время как датчик давления достигает точности высоты 10 см.

Роботы все чаще внедряют умные сенсорные и камерные системы с навигацией на базе SLAM, что позволяет им надежно работать в сложных реальных условиях. Возможности машинного обучения внедряются в 3D-камеры зрения для дальнейшего улучшения восприятия.

Проектировщикам по-прежнему необходимо приоритизировать компактность и низкое потребление, обеспечивая бесшовный интерфейс высокорезультативных датчиков с контроллерами роботов по стандартным цифровым шинам.

Как и ИИ, умные датчики и камеры находятся на ранних стадиях, но отрасль ожидает их существенного взросления к 2020 году, что приведет к снижению стоимости и повышению точности.

По мере зрелости датчиков и ИИ роботы перейдут от автономных автономных устройств на складах и заводах к коллаборативным партнерам в потребительском и промышленном ландшафтах.