难。
时至今日,多传感器融合方案在机器人领域,已经成为了关键技术。通过将不同类型、不同精度、不同可靠性、不同空间分辨率的传感器数据进行融合互补,实现信息的冗余,可以全面提升系统的环境感知性能、准确性和鲁棒性,这对于行走在现实环境中的机器人而言,其作用至关重要。然而,剑有两面,它的成本较高问题也困扰着行业。
随着机器人市场规模增速放缓,机器人的高售价和功能表现不足引发的现实危机越发凸显,如何降本增效成了厂商们当下阶段的关键任务。而导航模块作为机器人关键组成之一,很大程度决定了整机成本的下探空间。
降本容易增效难
从技术角度而言,开发低成本的多传感器融合导航方案并非难事,难的是增效。
目前现有的融合方案大致分为两种,一种是以单线激光雷达主导+IMU+里程计或其它传感器的融合方案,采用松/紧耦合方式,有着简单、成熟的技术优势,是市面上较为常见的融合技术方案,然而缺点在于,一是环境适应能力较差,对于环境特征单一的长走廊等场景,误差较高,容易偏离路径,二是重定位能力差,运行过程中一旦丢失位置,难以重新定位。
另一种是以多线激光雷达为主导的融合方案,与其它传感器采用松/紧耦合方式组合,得益于多线激光雷达,可获取到环境物体的三维信息,环境感知能力优秀,有着精度高和稳定性高的特点,然而缺点一是成本很高,二是激光雷达一旦出现故障,会导致整个系统宕机,其他传感器只做辅助,如虽接入视觉传感器,但无法识别颜色信息,基本只用于实现避障。
两种方案都有着各自的优点但缺点也很明显。前者成本较低,但性能不足,降本却未增效,且激光雷达的特性又决定它们是“基因”缺陷,短时间内并没有有效方法解决。后者则是成本高,虽然现在传感器成本不断下降,但整体下探空间仍有限。
既然这两条路桎梏难解,能否另辟蹊径?随着视觉技术的迅猛发展,视觉让人们看到了它的潜力。
INDEMIND作为国内领先的计算机视觉技术公司,率先走出了新路径。基于独有的立体视觉技术,设计了以视觉传感器为主导的标准化、模块化的多传感器融合架构,相对于激光融合方案,成本能够下降60-80%,能够保证系统精度及稳定性的同时,在功能上亦有着显著提升。
降算力,提性能,释放视觉潜力
信息量丰富是视觉的优势,但也导致对算力要求极高,同时其它的传感器的接入,系统复杂度提高,算力将会进一步提升。如何解决这个问题,是走通视觉融合方案的前提。
因此,INDEMIND在算法和硬件两方面,进行了多项改进。算法上,采用增量优化的方式,分段处理,并在区段间建立先验信息,有效降低了平台计算压力,提高计算效率。其次在硬件上,对于视觉处理采用neon加速、GPU加速、DSP加速等方式,提升计算性能,降低算力要求。
为了提高系统性能,INDEMIND拥有独有的视觉多传感器融合架构,通过遵循INDEMIND的标准定义接口,可“积木式”快速加入IMU、里程计、激光雷达、GNSS等多种传感器,通过紧耦合方式组合,对于环境的容忍度更高,能够保障在部分传感器出现异常的同时,系统仍能保持正常运行,提高鲁棒性。同时,由于传感器较多,视觉、激光、里程计、IMU等不同传感器产生的噪点,对于系统的稳定性和精度影响较大,INDEMIND对于各个传感器的数据,进行了野值判定及剔除,进一步增进系统对于原始传感器数据的容错能力,提升最终的稳定性和精度。
此外,为了进一步提升精度,INDEMIND还对系统中的视觉、IMU、里程计等每个传感器都进行了实时误差建模、估计及补偿,能够有效保障在实时运行过程中的精度和稳定性。
在解决先天不足问题后,在功能方面也有着大刀阔斧式的升级。
• 独有融合VSLAM,实时构建地图,无需预部署
基于INDEMIND融合VSLAM技术,机器人支持全场景二维地图、三维地图及语义地图自主创建,支持地图动态更新及智能禁区,且建图精度可达厘米级,达到激光雷达方案同等水平。
而基于实时建图能力,机器人能够做到新机器、新场景无需预部署,开机即用,且变更场景后,机器人也能自主更新地图,无需技术人员参与,大大降低使用成本,提升使用便捷性。
• 灵敏避障,安全无忧
INDEMIND设计了一套系统化的安全决策系统,能够实时检测抛物、行人、快速移动物体外,还能够实时进行潜在风险判断(行人等),并根据风险分类,提前做出规避策略,实现主动安全,做到了停的住,停的稳,该避就避,该停就停。
• 智能决策引擎,提升智能作业能力
通过将设备端、云端智能决策平台、大数据平台三端结合,INDEMIND建立了一套智能决策引擎,能够支持实现智能避障、主动安全、智能作业、智能交互、智能梯控等多种关键功能。同时,基于关键数据能够不断更新算法模型,持续提升场景处理和问题应对能力。
审核编辑 黄宇
-
传感器
+关注
关注
2546文章
50521浏览量
751351 -
机器人
+关注
关注
210文章
28144浏览量
206021
发布评论请先 登录
相关推荐
评论