Sleuteltechnologieën die robotica van de volgende generatie drijven

Naarmate robotische systemen overgaan van onderzoekslaboratoria naar commerciële implementaties in productie, logistiek en diensten, is het essentieel om de overgebleven barrières te identificeren die brede adoptie beperken.

Hoewel zowel hardware als software aanzienlijke vooruitgang hebben geboekt, duwt de snelle ontwerpevolutie robots voortdurend naar meer bruikbaarheid en intelligentie in domeinen zoals landbouw, opslag, last-mile levering, inspectie en slimme productie.

In de praktijk verwerkt een robot data van sensoren en camera's, lokaliseert zichzelf, waarneemt de omgeving, voorspelt de beweeging van nabijgelegen objecten en plant veilige, gecoördineerde bewegingen – wat allemaal substantiële verwerkingskracht en energie vereist.

Energieverbruik in robotische platforms valt in drie hoofdcategorieën: aandrijvingsmotoren en -controllers, sensoringssystemen en verwerkingseenheden. Een nieuwe generatie laagstroom, hoge-precisie sensoren is nodig om de oriëntatie en positie van de robot efficiënt te bepalen, terwijl de verwerkingsplatforms prestaties moeten balanceren met energieverbruik, vooral omdat robots meestal bescheiden snelheden aanhouden.

Op dit cruciale moment duikt de system-on-chip (SoC) op als de sleutel die diverse sensormodules en krachtige kunstmatige-intelligentie (AI) motors integreer, wat de volgende golf commerciële robots mogelijk maakt.

Oproep voor SoCs van de volgende generatie

Robotische operaties vereisen vaak gelijktijdige realtime-uitvoering van tientallen algoritmen – waaronder odometrie, padplanning, visuele waarneming en perceptie. Deze complexiteit eist SoCs die ongekende integratie bieden, met gespecialiseerde functies zoals sparse coding, padplanning en simultane lokalisatie en kartografiering (SLAM).

Qualcomms SDA/SDM845-chip (Figuur 1) illustreert deze sprong in integratie. De octa-core Kryo CPU draait op 2,8 GHz, aangevuld met een Hexagon 685 DSP voor on-device AI-verwerking en een voor mobiel geoptimaliseerde computer vision-stack voor perceptie, navigatie en manipulatie. Een dubbele 14-bit Spectra 280 image signal processor (ISP) ondersteunt tot 32-megapixel camera's en 4K-video met 60 fps.

Figuur 1: De architecturale bouwstenen van de Qualcomm SDM845-chip voor robotische ontwerpen (Afbeelding: Qualcomm)

Het platform bevat ook een secure processing unit (SPU) die veilige opstart, cryptografische versnelling en een trusted execution environment (TEE) biedt. Connectiviteit wordt gedekt door Wi-Fi, met plannen om 5G toe te voegen voor lage-latentie, hoge-doorvoerscommunicatie in industriële omgevingen.

Qualcomms Robotics RB3-platform bouwt voort op de SDA/SDM845, gekoppeld aan het DragonBoard 845c-ontwikkelbord en -kit voor snelle prototyping.

Nvidia's Jetson Xavier (Figuur 2) toont een andere hooggeïntegreerde oplossing, gericht op leverings- en logistiekrobots. De module bevat 9 miljard transistors en levert meer dan 30 biljoen operaties per seconde (TOPS), met een acht-core ARM64 CPU, een Volta Tensor-Core GPU, dubbele NVIDIA deep-learning accelerators (NVDLA), een beeldprocessor, een visieprocessor en een videoprocessor.

Figuur 2: De 80 × 87-mm Jetson Xavier-module levert workstation-niveau compute in een fractie van de grootte (Afbeelding: Nvidia)

Deze voorbeelden illustreren dat AI-accelerators onmisbaar zijn in SoCs en modules, waardoor robots sensordata kunnen fuseren, lokaliseren, karteren en met precisie navigeren.

AI-integratie: nog in ontwikkeling

AI is cruciaal om de responsiviteit en nauwkeurigheid van een robot te verhogen, met name in objectdetectie en -herkenning. Door verder te gaan dan starre programmering, stelt AI robots in staat om natuurlijker en preciezer met hun omgeving te interageren.

Toch moeten ontwerpers extra AI-mogelijkheden insluiten zonder de componentgrootte of stroomverbruik op te blazen. Bovendien kunnen grote vormfactoren commerciële adoptie belemmeren.

Figuur 3: AI-modules moeten prestaties, grootte en vermogen balanceren om aan markteisen te voldoen.

Een andere uitdaging is het garanderen van brede AI-framework-ondersteuning, aangezien industriële en servicerobots steeds meer vertrouwen op inferentiemodellen voor oriëntatie en positionering.

Slimme sensoren vereist

Robots zoals autonome stofzuigers en hoverboards eisen uiterst stabiele, hoogpresterende sensoren die intense trillingen kunnen weerstaan. Het bereiken van hoge-precisie sensorverwerking drijft vaak zowel kosten als ontwikkeltijd op wanneer softwarematige controle wordt gebruikt.

Daarom zijn geïntegreerde sensoringoplossingen essentieel. Voor het RB3-platform levert InvenSense (nu een TDK-bedrijf) een reeks laagstroom, nauw afgestemde sensoren en microfoons met hoge akoestische overbelastingspunten.

De RB3 gebruikt InvenSense's zes-as IMU's – een trio van gyroscopen en versnellingsmeters – naast een capacitieve barometrische druksensor en multimodale digitale microfoons. Deze IMU's bieden realtime klok-gebaseerde positionering, terwijl de druksensor een hoogtenauwkeurigheid van 10 cm bereikt.

Robots nemen steeds vaker slimme sensor- en camerasystemen aan die uitgerust zijn met SLAM-gebaseerde navigatie, waardoor ze betrouwbaar kunnen opereren in complexe real-world omgevingen. Machine-learning mogelijkheden worden in 3D-visioncamera's ingebed om de perceptie verder te verbeteren.

Ontwerpers moeten compactheid en laag vermogen prioriteren, zodat hoge-resolutie sensoren naadloos interfaccen met robotcontrollers via standaard digitale bussen.

Net als AI bevinden slimme sensoren en camera's zich nog in een vroege fase, maar de industrie verwacht aanzienlijke volwassenheid tegen 2020, met lagere kosten en hogere nauwkeurigheid.

Naarmate sensoren en AI rijpen, zullen robots overgaan van zelfstandige autonome eenheden in magazijnen en fabrieken tot collaboratieve partners in consumenten- en industriële landschappen.