机器人私人助理已经从科幻变成现实

个人机器人已经从科幻变成现实——一部分已经走向顾客，更多地蓄势待发。我们现在的任务是让它们变得更具竞争力。

我最近参加了上海MWC上。机器人在会展上独占鳌头。我看到有数十家公司在寻找客户，他们的产品的应用方式各不相同。以机器人护士Tug为例。它看起来并不像我们在科幻作品中见过的机器人，更接近《星球大战》中的一些较实用的自动机器。虽然它只是一个带轮子的盒子，却具有我们期待移动机器人拥有的许多功能，包括导航和避障。它可以在医院周围活动，如果有人踩在它前面就它会停下，它还会绕过乱放的点滴支架；它也可以指挥电梯去另一层楼。 Tug的功能是向患者运送药物和食品，它已开始在美国37家退伍军人医院服役。想象一下，它们能够为忙碌的candy-striper（志愿者助手）减少多少工作量。此外还有为老年护理、教学支持、餐馆和酒店行业应用设计的机器人助手。你可以将其视为继智能扬声器之后私人助理领域的下一个重要产品（亚马逊的仓库中已经部署了10万多个工作机器人，显然他正在研究作为Echo接班人的家用机器人）。

这不是科幻小说；家庭助理机器人已经开始走进现实。

机器人健康助理

生产这种机器人存在明显的技术挑战，这些挑战与自动驾驶问题没有太大不同，但存在一些明显的差异。导航和避障是常见挑战，但清晰的行车道和交通管理的概念不适用于这些助理机器人；它面对的难题是如何在建筑物内避障和导航（通过地图重测绘绕过临时不可移动的障碍物）。虽然自然语言界面对于汽车而言是一种额外优势，但对于机器人助手而言却可能是必不可少的功能。当药房送错药物或者当餐馆搞砸了你的订单，谁能耐心的按按钮？

Gartner最近列出了机器人需要的10大人工智能和感应功能，其中包括：

计算机视觉—— 场景分析、物体识别等

机器人内置AI功能 —— 不仅依靠云端

会话界面 —— 语音识别和自然语言处理

位置感应 —— 我在哪里、我附近有什么/谁

声学场景分析—— 识别独特的噪音，如狗吠或玻璃破碎声

生物识别和身份验证—— 谁在与我交谈，是否允许他们下达这些命令

自主运动 —— 能够移动到建筑内的其他目标位置，而不会与物体或人员发生碰撞

构建拥有这些功能的系统的默认方法的第一步是以多核GPU平台为基础给机器人创造一个内置AI系统。这不难理解—— 产品构建者可以使用现成的平台设计解决方案的原型，而无需担心ASIC细节，就像他们将CPU开发板用于更传统的应用一样。但随着产品数量的增加、成本和客户满意度/差异化变得越来越重要。现成的解决方案价格昂贵、耗电量大，而且使用与其他人相同的平台难以实现市场区分。这就是为什么大批量解决方案不可避免地转向ASIC平台的原因。你无需放弃对原型的所有投资，低成本的GPU平台仍然可以构成解决方案的一部分，但可以将大量的AI功能卸载到更具成本效益和集成度更高的平台上。

在机器学习（ML）应用中，DSP相对于GPU的每瓦特性能优势是众所周知的，部分原因在于定点运算取代浮点运算、以及某些平台的量化灵活性。而定制解决方案的价格优势（量产时）是众所周知的。这就是为什么你更有可能在数量/价格敏感的ML应用中看到嵌入式DSP，而不是现成的GPU。

智能显示器：一种不动的机器人？

但它是否具备GPU的全部功能？事实证明，它能做相当多的事情。以计算机视觉（定位、跟踪、物体识别和手势识别）为例。目前，在一些基于嵌入式DSP的平台中，已经可以完成这种级别的视觉处理。或以支持本地再训练（无需前往云端）的自主运动为例。 DSP同样具备支持这种智能的核心识别功能，在GPU上可以找到的相同功能。

语音识别/认证和声学场景分析的任务同样可以转移。这些例子（以及此处的其他示例）完美地说明了为什么转移非常有必要。这些智能操作都可分割为多个步骤，例如从语音拾取和方向分辨到基本单词识别、甚至自然语言处理（NLP）。最后一步很难，可能需要求助于云端。但是之前的步骤嵌入式解决方案就能非常轻松地处理。有些应用只需要识别有限的词汇或者只需要检测非语言提示（例如窗户破裂声），在这些情况下，你可能根本不需要云端（或本地GPU）。已经有迹象表明，在不久的将来，在边缘就能处理有限的NLP。

CEVA在它的边缘AI、前端语音处理和物联网深度学习平台中构建了一系列广泛的解决方案，用于支持这些使用AI的前端功能。在面临扩大规模难题时，或者当您想要绕过这些难题时，请看看我们能提供什么帮助。