SLAM 和多传感机器人：很快就会出现在每个家庭中

对于我们中的许多人来说，机器人技术仍然是一种主要局限于工厂或仓库地板的应用。我们看到媒体对个人机器人助理和机器人在医院中发挥更大作用的报道，这些听起来都是好主意，但似乎仍然是有抱负的，而不是短期的。然而，实际应用已经开始兴起。如今，家中的机器人正在执行基本的家务。送货无人机开始出现。一家富有想象力的丹麦公司正在使用机器人紫外线消毒装置攻击 Covid-19，该装置现在在一些中国医院运营。

机器人应用和市场
危机总是一个很好的动力，但对于我们大多数人来说，只要价格合适，便利仍然足够。机器人吸尘器已经很熟悉了。机器人割草机现在出现在家庭和花园商店中。您可以在线购买机器人窗户清洁器或机器人泳池清洁器。甚至还有机器人来监控家庭安全。到 2025 年，国内机器人市场预计将增长到近4000 万台，到 2030 年将增长到 1 亿台以上。到2030 年，机器人送货无人机预计将增长到近80 万台. 自主移动机器人还将在工厂、超市和商店的送货服务、库存和其他应用中发挥价值。预计到 2030 年，这种需求也将增长到数百万台的水平。

SLAM 和导航
所有自主机器人背后的魔力是同时定位和映射 (SLAM)。SLAM 学会在飞行中导航陌生的领域。现在不同寻常的是，SLAM 不是基于机器学习，因为该领域的某些方面可以并且将会动态变化（您移动了家具或狗决定睡在地板中间）。相反，SLAM 依赖于更传统的技术，尤其是计算机视觉，以及一些非常繁重的线性代数。

为了像扫地机器人一样导航，SLAM 需要估计相机轨迹并构建地图。它需要地图来估计相机轨迹和构建地图的轨迹，因此这些步骤需要同时进行。这张地图远非详尽无遗。它是沿行进路径的一组非常稀疏的点，通过三个步骤构建——跟踪、映射和闭环。跟踪是基础，包括寻找特征点、拟合运动模型和准备映射——所有这些都使用定点处理，它必须以实时速度运行。映射在帧的子集上运行，但执行由大约几百乘几百浮点矩阵表示的线性方程 - 不如跟踪快，但仍接近实时。

这非常有效，但请记住，这都是即时计算。由于算法的限制和与传感器相关的校准误差/噪声，实际路径和估计路径会随着时间的推移而发散。当机器人在全局闭环中重新访问之前的某个点时，可以纠正错误。这种计算显然不需要经常发生，但必须求解由几千乘几千浮点矩阵表示的线性方程。这需要足够长的时间，以至于它必须在后台运行。

多传感器和融合
视觉感知必须通过其他形式的感知来增强——例如通过接近或飞行时间传感器——以避免撞到狗或电视。此外，机器人可能会卡在低矮的障碍物、椅子的地板支撑或地板和地毯之间的过渡处。为了管理这样的情况，机器人需要一个六轴传感器来检测倾斜，这可能表明机器人可能会卡住的区域，应该尝试不同的路径。机器人通常还包括光流传感器（例如跟踪鼠标移动的传感器）等等。这些额外的输入提高了 SLAM 处理的准确性，但它们必须经过智能校准和融合才能真正提高准确性。

SLAM 平台的要求
总而言之，这是运行高质量 SLAM 所需的大量传感器处理。您不能在云中执行此操作；通信延迟会影响效率。计算需要在机器人专用的低功耗平台上实时运行；采用基于 DSP 的架构，旨在支持多种传感器类型的融合，并使用专用指令进行优化，以实现快速定点 SLAM 计算和快速浮点线性代数；硬件支持我上面提到的视觉惯性 SLAM 融合；并带有一个支持广泛使用的 ORB-SLAM2 开源流程的 SDK。

如果您正在考虑机器人技术并希望构建高效、高精度的解决方案，请查看我们的CEVA SensPro架构。

审核编辑 黄昊宇