Autonome robots zijn intelligente machines die hun omgeving kunnen begrijpen en er doorheen kunnen navigeren zonder menselijke controle of tussenkomst. Hoewel autonome robot technologie relatief jong is, zijn er veel verschillende gebruiksscenario’s van autonome robots in fabrieken, magazijnen, steden en huizen. Autonome robots kunnen bijvoorbeeld worden gebruikt om goederen door magazijnen te vervoeren, zoals in Figuur 1, of het uitvoeren van last-mile leveringen, terwijl andere soorten autonome robots huizen kunnen stofzuigen of gazons kunnen maaien.
Figuur 1: Een robot voert taken uit in een magazijn. (Bron: Texas Instruments)
Autonomie vereist dat robots zichzelf kunnen detecteren en oriënteren binnen een in kaart gebrachte omgeving, de obstakels om hen heen dynamisch kunnen detecteren, die obstakels kunnen volgen, hun route kunnen plannen om een gespecificeerde bestemming te bereiken en het voertuig kunnen besturen om dat plan te volgen. Bovendien moet de robot deze taken alleen uitvoeren als dat veilig is, om situaties te vermijden die risico's opleveren voor mensen, eigendommen of het autonome systeem zelf.
Met robots die dichter bij de mens werken dan ooit tevoren, moeten ze niet alleen autonoom, mobiel en energiezuinig zijn, maar ook voldoen aan functionele veiligheidseisen. Sensoren, processors en regelapparatuur kunnen ontwerpers helpen om te voldoen aan de strenge eisen van functionele veiligheidsnormen, zoals de International Electrotechnical Commission (IEC) 61508.
Overwegingen voor detectie in autonome robots
Een robot zonder sensoren zal onvermijdelijk tegen obstakels botsen, waaronder muren, andere robots of mensen, en kan mogelijk leiden tot ernstig letsel. Er zijn verschillende soorten sensoren die kunnen helpen bij het oplossen van de uitdagingen van autonome robots.
Visiesensoren bootsen de menselijke visie en perceptie nauw na. Visiesystemen kunnen de uitdagingen van lokalisatie, obstakeldetectie en het vermijden van botsingen oplossen, omdat ze ruimtelijke dekking met hoge resolutie hebben en niet alleen objecten kunnen detecteren, maar deze objecten ook kunnen classificeren. Vision-sensoren zijn ook kostenefficiënter in vergelijking met sensoren zoals LiDAR. Vision-sensoren zijn echter zeer rekenintensief.
Energieverslindende centrale verwerkingseenheden (CPU's) en grafische verwerkingseenheden (GPU's) kunnen een uitdaging vormen in autonome robotsystemen met beperkte energie. Bij het ontwerpen van een energiezuinig robotsysteem moet de verwerking op basis van CPU of GPU minimaal zijn.
De system-on-chip (SoC) in een efficiënt vision-systeem moet de vision-signaalketen met hoge snelheden en laag vermogen verwerken, met geoptimaliseerde systeemkosten. De SoC moet ook rekenintensieve taken zoals onbewerkte beeldverwerking, dewarping, stereodiepteschatting, schaling, het genereren van beeldpiramides en diep leren ontlasten voor maximale systeemefficiëntie. SoC's die worden gebruikt voor vision-verwerking moeten slim, veilig en energiezuinig zijn, wat een hoge mate van integratie op de chip in een heterogene SoC-architectuur kan bereiken.
Laten we eens nader kijken naar het gebruik van Texas Instruments (TI's) millimetergolf (mmWave) radardetectie, als voorbeeld, in autonome robots. Het gebruik van TI mmWave-radar in robottoepassingen is een relatief nieuw concept, maar het idee om TI mmWave-detectie voor autonomie te gebruiken bestaat al een tijdje. In automobieltoepassingen is de TI mmWave-radar een van de belangrijkste componenten van geavanceerde rijhulpsystemen (ADAS) en wordt deze gebruikt om de omgeving van een voertuig te bewaken. Je kunt enkele van diezelfde ADAS-concepten, zoals surround-view-monitoring of het vermijden van botsingen, toepassen op autonome robots.
TI mmWave-radar is uniek vanuit het perspectief van detectietechnologie, omdat deze sensoren informatie over het bereik, de snelheid en de aankomsthoek van objecten bieden en de robot beter leren navigeren om botsingen te voorkomen. Radar gebruiken sensor gegevens kan de robot besluiten om ofwel veilig zijn weg te vervolgen, ofwel te vertragen of zelfs te stoppen, afhankelijk van de positie, snelheid en baan van een naderende persoon of object, zoals weergegeven in Figuur 2.
Het is belangrijk op te merken dat de TI mmWave-radar de omgeving in drie dimensies bekijkt, waardoor de sensor objecten kan waarnemen die zich mogelijk niet direct in het rijpad van de robot bevinden. Vanwege dit 3D-detectievermogen kunnen TI mmWave-radarsensoren bovendien hoogte-informatie leveren die van cruciaal belang is, niet alleen bij het detecteren van op de grond liggende objecten, maar ook bij objecten die van bovenaf in het pad van een robot kunnen uitsteken.
TI mmWave-sensoren kunnen ook op betrouwbare wijze glas en andere transparante materialen detecteren die andere sensoren zoals camera's en LiDAR door het transparante object kunnen 'zien' en niet nauwkeurig kunnen detecteren. TI mmWave-radar is ook robuuster in uitdagende omgevingscondities waar optische sensoren meer moeite hebben. Omdat de TI mmWave-radar radiogolven gebruikt in plaats van licht om objecten te detecteren, is hij immuun voor omgevingsfactoren zoals weinig licht, regen, mist, stof en rook.
Figuur 2: Een magazijnrobot maakt gebruik van radardetectie. (Bron: Texas Instruments Inc.)
Complexe autonome robotproblemen aanpakken met sensorfusie en AI
Voor meer gecompliceerde autonome robottoepassingen is een enkele sensor alleen mogelijk niet voldoende om autonomie mogelijk te maken, ongeacht het type sensor. Verschillende detectiemodaliteiten hebben onderscheidende sterke punten en beperkingen.
Radar is zeer geschikt voor objectdetectie en biedt een groot zichtbereik in uitdagende omgevingen, maar heeft beperkingen als het gaat om objectclassificatie of objectrandprecisie. LiDAR-sensoren kunnen precisie en nauwkeurigheid bieden, maar kunnen kostbaar en energieverslindend zijn. Visiesensoren kunnen objectclassificatie en scène-intelligentie met hoge resolutie bieden, maar kunnen rekenintensief zijn en een externe lichtbron nodig hebben om te werken. Uiteindelijk moeten sensoren als camera of radar elkaar in een systeem aanvullen. Door gebruik te maken van de sterke punten van verschillende sensormodaliteiten door middel van sensorfusie, kunnen enkele van de meer complexe autonome robotuitdagingen worden opgelost.
Waar sensorfusie autonome robots helpt om nauwkeuriger te zijn, kan het gebruik van kunstmatige intelligentie aan de rand helpen om robots intelligent te maken. Het integreren van AI in autonome robotsystemen kan robots helpen om intelligent waar te nemen, beslissingen te nemen en acties uit te voeren.
Een autonome robot met AI kan het object en zijn positie intelligent detecteren, het object classificeren en dienovereenkomstig actie ondernemen. Wanneer een robot bijvoorbeeld door een druk magazijn navigeert, kan AI de robot helpen af te leiden welke soorten objecten - inclusief mensen, dozen, machines of zelfs andere robots - zich op zijn pad bevinden en beslissen welke acties geschikt zijn om eromheen te navigeren.
AI kan robots ook helpen om specifieke taken meer autonoom uit te voeren. Als een robot bijvoorbeeld een dolly door een magazijn beweegt, helpt op vision gebaseerde AI de robot om de houding en positie van de dolly te detecteren en af te leiden, zodat de robot zichzelf nauwkeurig kan positioneren, zich aan de dolly kan hechten en deze vervolgens kan verplaatsen rond de magazijnvloer.
Bij het ontwerpen van een robotsysteem dat AI bevat, moeten er ontwerpoverwegingen zijn voor zowel hardware als software. Idealiter zou de SoC hardwareversnellers moeten hebben voor AI-functies om rekenintensieve taken in realtime uit te voeren. Toegang hebben tot een gebruiksvriendelijke AI-softwareontwikkelingsomgeving kan helpen bij het vereenvoudigen en versnellen van de applicatieontwikkeling en hardware-implementatieprocessen.
Conclusie
Het ontwerpen van intelligentere en autonomere robots is een noodzaak om de automatisering te blijven verbeteren. Robots kunnen worden gebruikt in magazijnen en leveringen om de groei van e-commerce bij te houden en te verbeteren. Robots kunnen alledaagse huishoudelijke taken uitvoeren, zoals stofzuigen en maaien. Het gebruik van autonome robots ontgrendelt productiviteit en efficiëntie die ons leven helpen verbeteren en waarde toevoegen.
Over de auteurs
Manisha Agrawal is een productmarketingingenieur voor de Jacinto-processorproductlijn. Ze heeft jarenlange ervaring in end-to-end vision-signaalverwerking op TI SoC's via verschillende rollen in software, applicaties en systeemengineering. Haar recente focus en interessegebied ligt op AI en robotica. Manisha heeft een MS in elektrotechniek van IIT Kanpur, India, en heeft drie patenten op haar naam.
Jitin George is productmarketingingenieur voor industriële mmWave-radarsensoren bij Texas Instruments. Sinds 2019 leidt hij de wereldwijde marketinginspanningen voor industriële radar in fabrieksautomatisering, met een specifieke focus op groeiende activiteiten in de roboticamarkt.
Sam Visalli is de systeembeheerder voor de Sitara MCU-productlijn. Sam heeft de afgelopen jaren gewerkt als functioneel veiligheidsmanager voor de Jacinto- en Sitara-processorproductlijnen. Hij heeft TI geholpen bij het ontwerpen van producten en systemen voor uiteenlopende functionele veiligheidstoepassingen als autonoom rijden, fabrieksautomatisering en robotica. Sam is ook lid van de Amerikaanse commissies voor de functionele veiligheidsnormen IEC61508 en ISO26262 en werkt met meerdere TI-brede functionele veiligheidsinitiatieven.
over Texas Instruments