Robôs autônomos são máquinas inteligentes que podem compreender e navegar pelo ambiente sem controle ou intervenção humana. Embora robô autônomo tecnologia é relativamente jovem, existem muitos casos de uso diferentes de robôs autônomos em fábricas, armazéns, cidades e residências. Por exemplo, robôs autônomos podem ser usados para transportar mercadorias em armazéns, como em Figura 1, ou realizar entrega de última milha, enquanto outros tipos de robôs autônomos podem aspirar casas ou cortar grama.
Figura 1: Um robô executa tarefas em um warehouse. (Fonte: Texas Instruments)
A autonomia requer que os robôs possam sentir e se orientar dentro de um ambiente mapeado, detectar dinamicamente os obstáculos ao seu redor, rastrear esses obstáculos, planejar sua rota para chegar a um destino específico e controlar o veículo para seguir esse plano. Além disso, o robô deve realizar essas tarefas apenas quando for seguro fazê-lo, evitando situações que representem riscos aos seres humanos, aos bens ou ao próprio sistema autônomo.
Com robôs trabalhando mais próximos de humanos do que nunca, eles devem não apenas ser autônomos, móveis e eficientes em termos de energia, mas também atender aos requisitos de segurança funcional. Sensores, processadores e dispositivos de controle podem ajudar os projetistas a cumprir os requisitos rigorosos dos padrões de segurança funcional, como a International Electrotechnical Commission (IEC) 61508.
Considerações para detecção em robôs autônomos
Um robô sem sensores inevitavelmente colidirá com obstáculos, incluindo paredes, outros robôs ou humanos, e pode resultar em ferimentos graves. Existem vários tipos diferentes de sensores que podem ajudar a resolver os desafios impostos por robôs autônomos.
Os sensores de visão emulam de perto a visão e a percepção humana. Os sistemas de visão podem resolver os desafios de localização, detecção de obstáculos e prevenção de colisões porque têm cobertura espacial de alta resolução e a capacidade de não apenas detectar objetos, mas também classificá-los. Os sensores de visão também são mais econômicos quando comparados com sensores como o LiDAR. No entanto, os sensores de visão são muito intensivos em termos de computação.
Unidades de processamento central (CPUs) e unidades de processamento gráfico (GPUs) que consomem muita energia podem representar um desafio em sistemas de robôs autônomos com restrição de energia. Ao projetar um sistema robótico com baixo consumo de energia, o processamento baseado em CPU ou GPU deve ser mínimo.
O sistema em chip (SoC) em um sistema de visão eficiente deve processar a cadeia de sinais de visão em altas velocidades e baixa potência, com custos de sistema otimizados. O SoC também deve descarregar tarefas de computação intensiva, como processamento de imagem bruta, dewarping, estimativa de profundidade estéreo, dimensionamento, geração de pirâmide de imagem e aprendizado profundo para obter a máxima eficiência do sistema. Os SoCs usados para processamento de visão devem ser inteligentes, seguros e com baixo consumo de energia, o que pode ser alcançado por altos níveis de integração no chip em uma arquitetura SoC heterogênea.
Vamos dar uma olhada mais de perto no uso do sensor de radar de ondas milimétricas (mmWave) da Texas Instruments (TI), por exemplo, em robôs autônomos. Usar o radar TI mmWave em aplicações robóticas é um conceito relativamente novo, mas a ideia de usar o sensor TI mmWave para obter autonomia já existe há algum tempo. Em aplicações automotivas, o radar TI mmWave é um dos principais componentes dos sistemas avançados de assistência ao motorista (ADAS) e tem sido usado para monitorar os arredores de um veículo. Você pode pegar alguns desses mesmos conceitos ADAS, como monitoramento de visão surround ou prevenção de colisão, e aplicá-los a robôs autônomos.
O radar TI mmWave é único do ponto de vista da tecnologia de detecção porque esses sensores fornecem informações de alcance, velocidade e ângulo de chegada dos objetos e instruem melhor o robô como navegar para evitar colisões. Usando radar sensor dados, o robô pode decidir continuar com segurança em seu caminho ou desacelerar ou até mesmo parar, dependendo da posição, velocidade e trajetória de uma pessoa ou objeto que se aproxima, conforme mostrado em Figura 2.
É importante observar que o radar TI mmWave visualiza o ambiente em três dimensões, o que permite ao sensor perceber objetos que podem não estar diretamente no caminho de direção do robô. Por causa dessa capacidade de detecção 3D, os sensores de radar TI mmWave podem fornecer informações de altura que são críticas não apenas para detectar objetos caídos no solo, mas também objetos que podem estar se projetando no caminho de um robô de cima.
Os sensores TI mmWave também podem detectar com segurança vidro e outros materiais transparentes que outros sensores, como câmeras e LiDAR, podem “ver” através do objeto transparente e não conseguem detectar com precisão. O radar TI mmWave também é mais robusto em condições ambientais desafiadoras, onde os sensores ópticos tendem a ter mais dificuldade. Como o radar TI mmWave usa ondas de rádio em vez de luz para detectar objetos, ele é imune a fatores ambientais como iluminação fraca, chuva, neblina, poeira e fumaça.
Figura 2: Um robô de depósito usa detecção por radar. (Fonte: Texas Instruments Inc.)
Resolvendo problemas complexos de robôs autônomos com fusão de sensores e IA
Para aplicações de robô autônomo mais complicadas, um único sensor sozinho pode não ser suficiente para habilitar a autonomia, independentemente do tipo de sensor. Diferentes modalidades de detecção têm pontos fortes e limitações distintas.
O radar é um bom ajuste para detecção de objetos e fornece uma longa faixa de visibilidade em ambientes desafiadores, mas tem limitações quando se trata de classificação de objetos ou precisão de borda do objeto. Os sensores LiDAR podem fornecer precisão e exatidão, mas podem ser caros e consumir muita energia. Os sensores de visão podem fornecer classificação de objetos e inteligência de cena com alta resolução, mas podem ser computacionalmente intensivos e requerem uma fonte de luz externa para operar. Em última análise, sensores como câmera ou radar devem se complementar em um sistema. Aproveitar os pontos fortes de diferentes modalidades de sensores por meio da fusão de sensores pode ajudar a resolver alguns dos desafios mais complexos do robô autônomo.
Enquanto a fusão de sensores ajuda os robôs autônomos a serem mais precisos, o uso de inteligência artificial na borda pode ajudar a tornar os robôs inteligentes. Incorporar IA em sistemas de robôs autônomos pode ajudar os robôs a perceber, tomar decisões e executar ações de maneira inteligente.
Um robô autônomo com IA pode detectar o objeto e sua posição de maneira inteligente, classificá-lo e agir de acordo. Por exemplo, quando um robô está navegando em um armazém movimentado, a IA pode ajudar o robô a inferir quais tipos de objetos - incluindo humanos, caixas, máquinas ou até mesmo outros robôs - estão em seu caminho e decidir quais ações são apropriadas para navegar ao redor deles.
A IA também pode ajudar os robôs a realizar tarefas específicas de forma mais autônoma. Por exemplo, se um robô está movendo um carrinho em torno de um depósito, a IA baseada em visão ajuda o robô a detectar e inferir a pose e a posição do carrinho para que o robô possa se posicionar com precisão, se conectar ao carrinho e, em seguida, movê-lo em torno do chão do armazém.
Ao projetar um sistema de robô que incorpora IA, deve haver considerações de design para hardware e software. Idealmente, o SoC deve ter aceleradores de hardware para funções de IA para ajudar a executar tarefas computacionalmente intensas em tempo real. Ter acesso a um ambiente de desenvolvimento de software de IA fácil de usar pode ajudar a simplificar e acelerar os processos de desenvolvimento de aplicativos e implantação de hardware.
Conclusão
Projetar robôs mais inteligentes e autônomos é uma necessidade para continuar melhorando a automação. Os robôs podem ser usados em depósitos e entregas para acompanhar e aumentar o crescimento do comércio eletrônico. Os robôs podem realizar tarefas domésticas rotineiras, como aspirar e cortar a grama. O uso de robôs autônomos libera produtividade e eficiência, o que ajuda a melhorar e agregar valor às nossas vidas.
Sobre os autores
Manisha Agrawal é engenheira de marketing de produto da linha de produtos do processador Jacinto. Ela tem anos de experiência em processamento de sinais de visão ponta a ponta em TI SoCs por meio de várias funções em software, aplicativos e engenharia de sistemas. Seu foco e área de interesse recentes são IA e robótica. Manisha tem um mestrado em engenharia elétrica pelo IIT Kanpur, Índia, e possui três patentes em seu nome.
Jitin George é engenheiro de marketing de produto para sensores de radar mmWave industriais na Texas Instruments. Desde 2019, ele lidera os esforços de marketing mundial para radar industrial em automação fabril, com foco específico no crescimento dos negócios no mercado de robótica.
Sam Visalli é o gerente de sistemas da linha de produtos Sitara MCU. Sam passou os últimos anos trabalhando como gerente de segurança funcional para as linhas de produtos de processador Jacinto e Sitara. Ele ajudou a TI a projetar produtos e sistemas para diversas aplicações de segurança funcional, como direção autônoma, automação de fábrica e robótica. Sam também atua nos comitês dos EUA para os padrões de segurança funcional IEC61508 e ISO26262 e trabalha com várias iniciativas de segurança funcional em toda a TI.
sobre a Texas Instruments