Persoonlijke robotassistenten alomtegenwoordig maken

Ik heb onlangs MWC Shanghai bijgewoond. Robots waren groot – heel groot. Ik zag tientallen bedrijven, op zoek naar klanten om te merken en aan te bieden in een van de vele toepassingen. Neem maar één voorbeeldtoepassing:Tug, de robotverpleegster. Dit lijkt niet veel op ons sci-fi-beeld van robots, tenzij je denkt aan enkele van de meer utilitaire voorbeelden in Star Wars. Het is een doos op wielen, maar het heeft veel van de functies die we verwachten van mobiele robots, waaronder navigatie en het vermijden van obstakels. Het kan rond een ziekenhuis navigeren, het stopt als iemand ervoor stapt en het stuurt rond een dwalende infuusstandaard; het kan ook een lift bellen om naar een andere verdieping te gaan.

Het doel van Tug is om medicijnen en voedsel aan patiënten te leveren en het wordt al ingezet in 37 VA-ziekenhuizen in de VS. Stel je de werklast voor die van de schouders van drukke snoep-stripers valt. Er zijn meerdere andere assistent-toepassingen, in de ouderenzorg, in de onderwijsondersteuning, restaurants en hotels. Zie dit als het volgende grote ding in persoonlijke assistenten die slimme luidsprekers volgen (Amazon heeft al 100k+ robots in hun magazijnen, dus ze werken duidelijk aan thuisrobots als een vervolg op de Echo). Dit is geen sciencefiction; robots voor thuisassistenten worden vandaag verzonden.

Er zijn duidelijke technische uitdagingen bij het produceren van dit soort robot, niet anders dan problemen met autonoom rijden, hoewel er enkele duidelijke verschillen zijn. Navigatie en het vermijden van obstakels zijn gebruikelijk, maar concepten van duidelijke rijstroken en verkeersbeheer zijn niet van toepassing op deze robots; het draait allemaal om het vermijden van obstakels en navigatie binnen een gebouw (met opnieuw toewijzen om tijdelijke onbeweeglijke obstakels te omzeilen). En hoewel een interface in natuurlijke taal misschien leuk is om te hebben in een auto, kan het voor robotassistenten essentieel zijn. Wie wil leren op knoppen te drukken als de apotheek de verkeerde medicatie heeft gestuurd of het restaurant je bestelling heeft verprutst?

Gartner kwam onlangs met een top-10 lijst van AI en detectievereisten voor robots, waaronder:

• Computervisie – scèneanalyse, objectherkenning, enz.

• Biometrische herkenning en authenticatie – wie praat er met mij en mogen ze die commando's geven

• Een conversatie-interface – spraakherkenning en natuurlijke taalverwerking

• akoestische omgevingsanalyse – herkennen van kenmerkende geluiden zoals een blaffende hond of brekend glas

• Locatiedetectie – waar ben ik en wat/wie is er bij mij in de buurt

• Autonome beweging – mogelijkheid om naar een doel elders in het gebouw te gaan zonder in botsing te komen met objecten of mensen

• AI-functies in de robot – niet alleen afhankelijk van de cloud

De standaardbenadering van het bouwen van systemen met deze mogelijkheden begint met het inbouwen van een AI-systeem in de robot op basis van een multicore GPU-platform. Dit is begrijpelijk:productbouwers kunnen een prototype maken van een oplossing met behulp van een kant-en-klaar platform zonder zich zorgen te hoeven maken over ASIC-details, net zoals ze een CPU-ontwikkelbord zouden gebruiken voor meer traditionele toepassingen. Maar naarmate het productvolume toeneemt of u het naar een hoger niveau tilt, worden kosten en klanttevredenheid/differentiatie steeds belangrijker. Kant-en-klare oplossingen zijn duur, ze kosten veel energie en het is moeilijk om onderscheid te maken als je hetzelfde platform gebruikt als alle anderen. Daarom wenden oplossingen voor grote volumes zich onvermijdelijk tot ASIC-platforms. U hoeft niet alle investeringen in uw prototype op te geven; een goedkoper GPU-platform blijft misschien een deel van de oplossing, maar een aanzienlijk niveau van AI-functionaliteit kan worden overgeheveld naar een veel kosteneffectiever en beter geïntegreerd platform.

Prestaties per watt voordelen van DSP's ten opzichte van GPU's in machine-learning (ML) toepassingen zijn algemeen bekend, gedeeltelijk afgeleid vanwege vaste-punt over drijvende-komma bewerkingen en voor flexibiliteit in kwantisering in sommige platforms. En de prijsvoordelen (in volume) van maatwerkoplossingen zijn bekend. Daarom zie je eerder een embedded DSP in volume-/prijsgevoelige ML-applicaties aan de edge dan een kant-en-klare GPU.

Maar kun je alles doen wat je zou kunnen doen in de GPU? Het blijkt dat je heel veel kunt doen. Neem bijvoorbeeld computervisie – positionering, tracking, objectherkenning en gebarenherkenning. Dit niveau van beeldverwerking is vandaag al beschikbaar in sommige embedded DSP-gebaseerde platforms. Of neem autonoom bewegen ter ondersteuning van lokale omscholing (zonder naar de cloud te hoeven). Nogmaals, de kernherkenningsmogelijkheden om deze intelligentie te ondersteunen, dezelfde mogelijkheden die je ook zou vinden op een GPU, zijn beschikbaar op een DSP.

Spraakherkenning/authenticatie en akoestische scèneanalyse kunnen ook worden uitbesteed. Deze (samen met de andere voorbeelden hier) laten duidelijk zien waarom ontladen zo logisch is. Elk van deze intelligente bewerkingen valt uiteen in meerdere stappen, bijvoorbeeld van stemopname en richtingsresolutie tot misschien basiswoordherkenning en uiteindelijk zelfs natuurlijke taalverwerking (NLP). De laatste stap is een uitdaging en vereist mogelijk een overstap naar de cloud. Maar de stappen daarvoor kunnen heel comfortabel worden afgehandeld in een embedded oplossing. Voor sommige toepassingen, waar slechts een beperkt vocabulaire herkend hoeft te worden of waar je non-verbale signalen zoals het breken van een venster wilt detecteren, heb je misschien helemaal geen cloud (of een lokale GPU) nodig. Er zijn al hints dat zelfs beperkte NLP in de nabije toekomst aan de rand kan worden ondersteund.

Er is een uitgebreide reeks oplossingen ontwikkeld om deze front-end-functies te ondersteunen met behulp van AI aan de rand, in front-end spraakverwerking en in deep learning in het IoT. Met deze oplossingen kunnen ontwikkelaars gemakkelijker nieuwe uitdagingen aangaan om persoonlijke robotassistenten alomtegenwoordig te maken.

Moshe Sheier is Director of Strategic Marketing, CEVA, waar hij toezicht houdt op de bedrijfsontwikkeling en strategische partnerschappen voor de belangrijkste doelmarkten en toekomstige groeigebieden van CEVA. Moshe werkt samen met toonaangevende SW- en IP-bedrijven om innovatieve op DSP gebaseerde oplossingen op de markt te brengen. In zijn vrije tijd rijdt Moshe op mountainbikes en beoefent hij Aikido.