Para muchos de nosotros, la robótica sigue siendo una aplicación limitada a plantas de fábrica y almacenes. Estamos viendo informes en los medios de que los asistentes robóticos personales y los robots están desempeñando un papel más importante en los hospitales. Todas estas suenan como buenas ideas, pero pueden parecer más ambiciosas que a corto plazo. Sin embargo, las aplicaciones prácticas ya han comenzado. Hoy en día, los robots en el hogar realizan tareas básicas. Los drones de reparto están empezando a aparecer. Y una imaginativa empresa danesa está atacando al Covid-19 con: Unidad robótica de desinfección UVestá operando actualmente en varios hospitales chinos.
(Fuente: CEVA)
Aplicaciones y mercados para robots
La crisis siempre es un buen motivador, pero la comodidad sigue siendo lo suficientemente buena para la mayoría de nosotros siempre que el precio sea el adecuado. robot aspirador ya es familiar. robot cortacésped Ahora está apareciendo en hogares y centros de jardinería.robot limpiacristales o robot limpiafondos en línea. Incluso hay robots que monitorean la seguridad del hogar.El mercado doméstico de la robótica es casi 40 millones de unidades para 2025, más de 100 millones de unidades para 2030Los drones robóticos de entrega son casi 800.000 unidades para 2030Los robots móviles autónomos también son valiosos para los servicios de entrega, la gestión de inventario y otras aplicaciones en fábricas, supermercados y tiendas. esta necesidad Varios millones de unidades para 2030.
(Fuente: CEVA)
SLAM y navegación
La magia detrás de todos los robots autónomos es la ubicación y el mapeo simultáneos (SLAM). SLAM aprende a navegar por territorios desconocidos sobre la marcha. Inusualmente en estos días, SLAM no se basa en el aprendizaje automático. Porque algunos aspectos del territorio pueden cambiar y cambian dinámicamente (mover muebles, decidir dormir en el medio del piso, etc.). En cambio, SLAM se basa en técnicas más tradicionales, especialmente la visión por computadora y algo de álgebra lineal muy pesada.
Para navegar como un robot aspirador, SLAM necesita estimar la trayectoria de la cámara y crear un mapa. Necesitamos un mapa para estimar la trayectoria de la cámara y una trayectoria para construir el mapa, por lo que debemos realizar estos pasos al mismo tiempo. Este mapa no está completo. Este es un conjunto muy escaso de puntos a lo largo de la ruta recorrida, construido en tres pasos: seguimiento, mapeo y cierre de bucle. El seguimiento hace lo básico para encontrar puntos característicos, ajustar modelos de movimiento y prepararse para el mapeo. Todos utilizan procesamiento de punto fijo, que debe ejecutarse a velocidad de tiempo real. El mapeo se realiza en un subconjunto de los fotogramas, pero realiza ecuaciones lineales representadas por matrices de centenas por centenas en coma flotante. No tan rápido como el seguimiento, pero casi en tiempo real.
Esto funciona bastante bien, pero recuerda que todos estos son cálculos sobre la marcha. Las rutas reales y estimadas divergen con el tiempo debido a las limitaciones del algoritmo y los errores/ruidos de calibración relacionados con el sensor. Los errores se pueden corregir cuando el robot vuelve a visitar los puntos alcanzados previamente en el cierre del bucle global. Obviamente, este cálculo no necesita hacerse con mucha frecuencia, pero implica resolver ecuaciones lineales representadas por matrices de miles por miles de números de punto flotante. Esto lleva tanto tiempo que tiene que ejecutarse en segundo plano.
Múltiples sensores y fusión
La detección visual debe complementarse con otras formas de detección, como sensores de proximidad y sensores de tiempo de vuelo, para evitar toparse con perros y televisores. Los robots también pueden atascarse en obstáculos bajos, abrazaderas a nivel del piso en sillas o transiciones entre el piso y la alfombra. Para manejar casos como este, el robot necesita un sensor de 6 ejes para detectar inclinaciones que pueden indicar áreas donde el robot podría atascarse y debería probar caminos alternativos. Los robots a menudo también incluyen cosas como sensores de flujo óptico (como los que rastrean los movimientos del mouse). Estas entradas adicionales mejoran la precisión del procesamiento SLAM, pero deben ajustarse y fusionarse de manera inteligente para mejorar realmente la precisión. El seguimiento basado en cámaras también debe fusionarse con la inercia y otros tipos de detección para que el robot pueda seguir un camino razonable cuando se mete debajo de una cama o una mesa.
Requisitos de la plataforma SLAM
En conjunto, se requiere una gran cantidad de procesamiento de sensor para realizar SLAM de buena calidad. Esto no es posible en la nube. Los retrasos en la comunicación reducen la eficacia. Los cálculos deben realizarse en tiempo real en una plataforma dedicada de baja potencia dentro del robot. Utiliza una arquitectura basada en DSP diseñada para admitir la fusión de múltiples tipos de sensores y está optimizada con instrucciones dedicadas para el cálculo SLAM de punto fijo rápido y el álgebra lineal de punto flotante rápido. Hardware que admite la fusión SLAM visual-inercial mencionada anteriormente. Utiliza un SDK compatible con el popular flujo de código abierto ORB-SLAM2.
Si estás pensando en robótica y quieres construir soluciones altamente eficientes y precisas, mira aquí CEVA Sentido Pro Arquitectura.
Ben Weiss, experto en visión, soluciones para clientes, CEVA