从局部性能优化到系统架构优化，FPGA在机器人上的应用

想要机器人实现智能化，需要具有敏锐且优秀的感知，同时还能有精准的运控。就感知计算而言，尤其是视觉以及深度学习，计算量往往很大，对器件性能要求高。而且感知算法也在不断发展，这需要对机器人处理系统做不断地更新。

就控制而言，FPGA可以应用在分散控制的小节点上，也可以在大节点上应用更高效能的FPGA SoC。区别于MCU，通过FPGA控制的系统最明显的优势点就是驱动反应时间会大大缩短，整个系统的运行速度会有一个较大提升。毕竟MCU是运作在单一节点上的，在不添加拓展的情况下，随着复杂的多轴运算需求越来越高，运作难免会有些乏力。

FPGA在机器人应用上的优势很明显，不少厂商也在这块做了很多年，那么在深入应用上又有哪些突破点值得期待？

FPGA与运动驱控

目前很多机器人本体厂商、机器人控制器厂商用FPGA已经用了很多年了，还有不少本体厂商、机器人控制器厂商现在也在尝试去使用。首先可以明确的一点是，以目前FPGA的性能来说，用在常规的伺服驱动、控制领域，性能甚至是过剩的。机器人的运动性能不仅和伺服控制相关，还与运动算法以及本体的机械结构密切相关。

就算法而言，目前大多基于CPU + Linux + ROS + EtherCAT这一技术体系设计，将算法模块从CPU移植到FPGA中，FPGA的优势并没有被充分应用，另一方面在机械设计没有重大革命性进步的情况下，机器人性能的天花板是存在的，难免显得“过剩”。

常规的FPGA运动驱控已经有很多案例可循了，将FPGA用于实现SVPWM、三环反馈控制，甚至实现驱控一体。我们挑机器人四大家族中的安川来看，作为工业机器人全球市占率排名前几的厂商，安川的机器人控制器用Intel的FPGA作为ASIC的替代方案。

 
（Intel的FPGA，Intel）

Intel FPGA提供了各类可配置的嵌入式 SRAM、高速收发器、高速 I/O、逻辑模块和路由。用在控制上优势也很明显，比起复杂函数计算运行在微处理器上，配备板载数字信号处理，在FPGA上执行高速 32 位双精度浮点运算更容易实现运控所需的精度和速度。Intel FPGA在安川的运控上提供了包括PCI Express在内的多种硬件IP，确保了总线连接的可靠又实现外围逻辑集成。

这些可以说仍然是对比CPU+操作系统+ROS架构在局部性能的优化，那深入应用可以往哪里突破？如果将在各轴的控制基础上实时施加变化的微调量，以此实现对各种状态误差导致的最终状态误差进行补偿，将机器人性能进行这种层次的拔高，这或许是超越传统控制架构FPGA实现深入应用的一个方向。

FPGA与机器视觉

作为FPGA在机器人应用里最火热的方向，视觉被很多厂商视为FPGA打开机器人市场最好的切入口。在机器视觉设计中，不可避免要和现在主流的SoC进行接口设计，这些接口主要以移动产业处理器接口作为标准，集成MIPI CSI硬核的FPGA往往很吃香，比如国内FPGA厂商易灵思的Trion系列。

 
（T20FPGA，易灵思）

在执行图像处理算法与训练好的AI模型时，FPGA是与GPU并列的主流方案，而且在功耗方面具备非常大的优势。并且因为其SOC属性，能够和其他各种功能模块高效协同。从AMD Xilinx的Kria SoM以及瑞萨、易灵思的ProMe SoM来看，目前FPGA厂商很青睐于以System on Module这种形式打入机器人视觉系统。

SoM能提供嵌入式处理系统的各种核心组件，包括处理器内核、通信接口和内存模块等。从视频处理到智能传感到机器视觉，这种模块化解决方案让SoM成了嵌入机器人感知系统的理想选择。SoM与其他器件的配合使用不仅可以完成在机器视觉系统上的局部优化，对于整个机器人设计也能给出基于模块化设计的优化。不论是不是以SoM形式切入，将这种模块间的高效协同发挥出最大的效果是FPGA视觉应用值得期待的突破方向。

小结

目前，在FPGA深入应用方面，国内正处在从局部性能优化（伺服驱动器、机器视觉）到系统架构优化转变的阶段。FPGA目前的性能对于机器人应用来说是过剩的，如何在应用中充分发挥出FPGA的性能与协同性，这是“深入应用”的关键。