Robot otonom adalah mesin cerdas yang dapat memahami dan menavigasi lingkungannya tanpa kendali atau campur tangan manusia. Meski robot otonom teknologi relatif muda, terdapat banyak kasus penggunaan robot otonom di pabrik, gudang, kota, dan rumah. Misalnya, robot otonom dapat digunakan untuk mengangkut barang di sekitar gudang, seperti di dalam Gambar 1, atau melakukan pengiriman jarak jauh, sementara jenis robot otonom lainnya dapat menyedot debu rumah atau memotong rumput.
Gambar 1: Robot melakukan tugas di gudang. (Sumber: Texas Instruments)
Otonomi mengharuskan robot dapat merasakan dan mengarahkan diri mereka sendiri dalam lingkungan yang dipetakan, secara dinamis mendeteksi rintangan di sekitar mereka, melacak rintangan tersebut, merencanakan rute mereka untuk mencapai tujuan tertentu, dan mengendalikan kendaraan untuk mengikuti rencana itu. Selain itu, robot harus melakukan tugas-tugas ini hanya jika aman untuk melakukannya, menghindari situasi yang menimbulkan risiko bagi manusia, properti, atau sistem otonom itu sendiri.
Dengan robot yang bekerja lebih dekat dengan manusia daripada sebelumnya, mereka tidak hanya harus otonom, bergerak, dan hemat energi, tetapi juga memenuhi persyaratan keselamatan fungsional. Sensor, prosesor, dan perangkat kontrol dapat membantu desainer mencapai persyaratan ketat standar keselamatan fungsional, seperti International Electrotechnical Commission (IEC) 61508.
Pertimbangan untuk penginderaan dalam robot otonom
Robot tanpa sensor pasti akan menabrak rintangan, termasuk dinding, robot lain, atau manusia, dan berpotensi mengakibatkan cedera serius. Ada beberapa jenis sensor yang dapat membantu memecahkan tantangan yang ditimbulkan oleh robot otonom.
Sensor penglihatan secara dekat meniru penglihatan dan persepsi manusia. Sistem visi dapat memecahkan tantangan lokalisasi, deteksi hambatan, dan penghindaran tabrakan karena mereka memiliki cakupan spasial resolusi tinggi dan kemampuan untuk tidak hanya mendeteksi objek tetapi mengklasifikasikan objek tersebut. Sensor penglihatan juga lebih hemat biaya jika dibandingkan dengan sensor seperti LiDAR. Namun, sensor penglihatan sangat intensif secara komputasi.
Unit pemrosesan pusat (CPU) dan unit pemrosesan grafis (GPU) yang haus daya dapat menimbulkan tantangan dalam sistem robot otonom yang dibatasi daya. Saat merancang sistem robot hemat energi, pemrosesan berbasis CPU atau GPU harus minimal.
System-on-chip (SoC) dalam sistem penglihatan yang efisien harus memproses rantai sinyal penglihatan pada kecepatan tinggi dan daya rendah, dengan biaya sistem yang dioptimalkan. SoC juga harus membongkar tugas komputasi intensif seperti pemrosesan gambar mentah, dewarping, estimasi kedalaman stereo, penskalaan, pembuatan piramida gambar, dan pembelajaran mendalam untuk efisiensi sistem maksimum. SoC yang digunakan untuk pemrosesan visi harus cerdas, aman, dan hemat energi, yang dapat dicapai oleh integrasi on-chip tingkat tinggi dalam arsitektur SoC yang heterogen.
Mari kita lihat lebih dekat penggunaan penginderaan radar gelombang milimeter (mmWave) Texas Instruments (TI), sebagai contoh, pada robot otonom. Menggunakan radar TI mmWave dalam aplikasi robotik adalah konsep yang relatif baru, tetapi gagasan menggunakan penginderaan TI mmWave untuk otonomi telah ada sejak lama. Dalam aplikasi otomotif, radar TI mmWave adalah salah satu komponen kunci dari sistem bantuan pengemudi canggih (ADAS) dan telah digunakan untuk memantau lingkungan sekitar kendaraan. Anda dapat mengambil beberapa konsep ADAS yang sama, seperti pemantauan tampilan sekeliling atau penghindaran tabrakan, dan menerapkannya pada robot otonom.
Radar TI mmWave unik dari perspektif teknologi penginderaan karena sensor ini memberikan informasi jangkauan, kecepatan, dan sudut kedatangan objek dan menginstruksikan robot dengan lebih baik cara menavigasi untuk menghindari tabrakan. Menggunakan radar Sensor data, robot dapat memutuskan untuk melanjutkan jalurnya dengan aman atau memperlambat atau bahkan berhenti, tergantung pada posisi, kecepatan, dan lintasan orang atau objek yang mendekat, seperti yang ditunjukkan pada Gambar 2.
Penting untuk dicatat bahwa radar TI mmWave melihat lingkungan dalam tiga dimensi, yang memungkinkan sensor untuk melihat objek yang mungkin tidak secara langsung berada di jalur mengemudi robot. Karena kemampuan deteksi 3D ini, sensor radar TI mmWave juga dapat memberikan informasi ketinggian yang penting tidak hanya dalam mendeteksi objek yang tergeletak di tanah tetapi juga objek yang mungkin menonjol ke jalur robot dari atas.
Sensor TI mmWave juga dapat dengan andal mendeteksi kaca dan bahan transparan lainnya yang mungkin "dilihat" oleh sensor lain seperti kamera dan LiDAR melalui objek transparan dan gagal dideteksi secara akurat. Radar TI mmWave juga lebih kuat dalam kondisi lingkungan yang menantang di mana sensor optik cenderung lebih sulit. Karena radar TI mmWave menggunakan gelombang radio alih-alih cahaya untuk mendeteksi objek, radar ini kebal terhadap faktor lingkungan seperti pencahayaan rendah, hujan, kabut, debu, dan asap.
Gambar 2: Robot gudang menggunakan penginderaan radar. (Sumber: Texas Instruments Inc.)
Mengatasi masalah robot otonom yang kompleks dengan fusi sensor dan AI
Untuk aplikasi robot otonom yang lebih rumit, satu sensor saja mungkin tidak cukup untuk mengaktifkan otonomi, apa pun jenis sensornya. Modalitas penginderaan yang berbeda memiliki kekuatan dan keterbatasan yang berbeda.
Radar sangat cocok untuk deteksi objek dan memberikan jarak pandang yang jauh di lingkungan yang menantang tetapi memiliki keterbatasan dalam hal klasifikasi objek atau presisi tepi objek. Sensor LiDAR dapat memberikan presisi dan akurasi tetapi bisa mahal dan haus daya. Sensor penglihatan dapat memberikan klasifikasi objek dan kecerdasan pemandangan dengan resolusi tinggi tetapi dapat secara komputasi intensif dan memerlukan sumber cahaya eksternal untuk beroperasi. Pada akhirnya, sensor seperti kamera atau radar harus saling melengkapi dalam suatu sistem. Memanfaatkan kekuatan modalitas sensor yang berbeda melalui fusi sensor dapat membantu memecahkan beberapa tantangan robot otonom yang lebih kompleks.
Sementara fusi sensor membantu robot otonom menjadi lebih akurat, menggunakan kecerdasan buatan di edge dapat membantu membuat robot menjadi cerdas. Memasukkan AI ke dalam sistem robot otonom dapat membantu memungkinkan robot memahami, membuat keputusan, dan melakukan tindakan secara cerdas.
Robot otonom dengan AI dapat secara cerdas mendeteksi objek dan posisinya, mengklasifikasikan objek, dan mengambil tindakan yang sesuai. Misalnya, ketika robot menavigasi gudang yang sibuk, AI dapat membantu robot menyimpulkan jenis objek — termasuk manusia, kotak, mesin, atau bahkan robot lain — yang ada di jalurnya dan memutuskan tindakan apa yang tepat untuk dinavigasi di sekitarnya.
AI juga dapat membantu robot melakukan tugas tertentu secara lebih mandiri. Misalnya, jika robot menggerakkan boneka di sekitar gudang, AI berbasis visi membantu robot mendeteksi dan menyimpulkan pose dan posisi boneka sehingga robot dapat secara akurat memposisikan dirinya, menempel pada boneka, dan kemudian memindahkannya. sekitar lantai gudang.
Saat merancang sistem robot yang menggabungkan AI, harus ada pertimbangan desain untuk perangkat keras dan perangkat lunak. Idealnya, SoC harus memiliki akselerator perangkat keras untuk fungsi AI guna membantu melakukan tugas komputasi intensif secara real time. Memiliki akses ke lingkungan pengembangan perangkat lunak AI yang mudah digunakan dapat membantu menyederhanakan dan mempercepat proses pengembangan aplikasi dan penyebaran perangkat keras.
Kesimpulan
Merancang robot yang lebih cerdas dan otonom adalah suatu keharusan untuk terus meningkatkan otomatisasi. Robot dapat digunakan di gudang dan pengiriman untuk mengikuti dan meningkatkan pertumbuhan e-commerce. Robot dapat melakukan tugas rumah tangga biasa seperti menyedot debu dan memotong rumput. Menggunakan robot otonom membuka produktivitas dan efisiensi yang membantu meningkatkan dan menambah nilai dalam kehidupan kita.
Tentang penulis
Manisha Agrawal adalah insinyur pemasaran produk untuk lini produk prosesor Jacinto. Dia memiliki pengalaman bertahun-tahun dalam pemrosesan sinyal visi ujung ke ujung pada SoC TI melalui berbagai peran dalam perangkat lunak, aplikasi, dan rekayasa sistem. Fokus dan bidang minatnya baru-baru ini adalah pada AI dan robotika. Manisha memiliki gelar MS di bidang teknik listrik dari IIT Kanpur, India, dan memegang tiga paten atas namanya.
Jitin George adalah insinyur pemasaran produk untuk sensor radar mmWave industri di Texas Instruments. Sejak 2019, ia telah memimpin upaya pemasaran di seluruh dunia untuk radar industri dalam otomatisasi pabrik, dengan fokus khusus pada pertumbuhan bisnis di pasar robotika.
Sam Visalli adalah manajer sistem untuk lini produk Sitara MCU. Sam telah menghabiskan beberapa tahun terakhir bekerja sebagai manajer keselamatan fungsional untuk lini produk prosesor Jacinto dan Sitara. Dia telah membantu TI merancang produk dan sistem untuk beragam aplikasi keselamatan fungsional seperti mengemudi otonom, otomatisasi pabrik, dan robotika. Sam juga bertugas di komite AS untuk standar keselamatan fungsional IEC61508 dan ISO26262 dan bekerja dengan beberapa inisiatif keselamatan fungsional di seluruh TI.
tentang Texas Instruments