Hoe Robot Persoonlijke Assistenten Elke Dag Realiteit Werden

Ik bezocht onlangs MWC Shanghai, waar robots de vloer domineerden – massale, cutting-edge machines die bedrijven toonden in de hoop een voet aan de grond te krijgen in een snel groeiende markt. Een opvallende was Tug, een mobiele robot-verpleegkundige die er meer uitziet als een gewield doos dan een sci-fi-android. Toch draagt het alle kenmerken van moderne mobiele robotica: nauwkeurige navigatie, obstakelvermijding, de capaciteit te stoppen wanneer iemand ervoor stapt, en zelfs een lift aan te vragen om verdieping te wisselen.

Bestemd om medicijnen en maaltijden aan patiënten te leveren, is Tug al actief in 37 Amerikaanse Veterans Affairs-ziekenhuizen. Stel je de verlichting dit brengt aan overbelaste verpleegstaf. Naast gezondheidszorg worden vergelijkbare assistenten ingezet in ouderenhuizen, onderwijsomgevingen, restaurants en hotels. Na het succes van slimme speakers is de volgende golf van persoonlijke assistenten aan het worden tastbare, alledaagse robots – Amazon bijvoorbeeld opereert meer dan 100.000 robots in zijn magazijnen en staat klaar om thuis-robotoplossingen naar consumenten te brengen.

Hoewel het idee als science-fiction voelt, is de realiteit dat thuis-assistentrobots vandaag de dag worden verzonden. De uitdagingen zijn echter substantieel en lijken meer op autonome-rijproblemen dan ze verschillen. Belangrijke kwesties omvatten navigatie in dynamische binnenomgevingen, realtime obstakelvermijding, en de capaciteit om aan te passen aan tijdelijke veranderingen – denk aan een plotselinge IV-stand of een gevallen pakket. In tegenstelling tot auto's, waar duidelijke rijstroken en verkeersregels navigatie vereenvoudigen, moeten binnenrobots continu hun omgeving mappen en hermappen. Bovendien is een natural-language-interface geen luxe; het is essentieel voor duidelijke communicatie in omstandigheden waar mis-levering ernstige gevolgen kan hebben.

Gartner identificeerde onlangs de top tien AI- en sensing-capaciteiten die toekomstige robot-assistenten zullen ondersteunen:

• Computer vision: scène-analyse en objectherkenning.
• Biometrische herkenning en authenticatie: waarborgen dat alleen geautoriseerde gebruikers commando's kunnen geven.
• Conversationele interface: spraakherkenning gekoppeld met natural-language processing.
• Acoustische scène-analyse: detecteren van kenmerkende geluiden zoals een hond blaffen of glas breken.
• Locatie-sensing: continu positie en nabijheid tot mensen of objecten bepalen.
• Autonome beweging: navigeren naar een doellocatie zonder te botsen met obstakels.
• Edge-side AI: kernfuncties lokaal uitvoeren in plaats van uitsluitend op de cloud te vertrouwen.

Meeste developers beginnen met prototypen op een multicore GPU-platform, wat een handige en krachtige oplossing biedt voor initiële testing. Echter, naarmate productievolumes groeien, worden de hoge kosten, significante stroomverbruik en gebrek aan differentiatie inherent aan off-the-shelf GPUs beperkende factoren. Hier komen custom ASIC of DSP-oplossingen in beeld, die dezelfde intelligentie leveren tegen lagere kosten en energieverbruik.

DSP's zijn bekend om hun performance-per-watt voordeel ten opzichte van GPUs in machine-learning workloads, dankzij efficiënte fixed-point operaties en flexibele kwantisering. In volume-gevoelige edge-toepassingen overtreft een toegewezen DSP vaak een generieke GPU in zowel kosten als efficiëntie.

Kan een DSP de capaciteiten van een GPU evenaren? Voor veel kernaken, ja. Computer-vision workloads – zoals positionering, tracking, objectherkenning en gebarendetectie – kunnen vandaag de dag afgehandeld worden door embedded DSP-platforms. Autonome navigatie die lokale her-training ondersteunt, zonder constant de cloud te hoeven bevragen, benut ook dezelfde herkenningscapaciteiten die op GPUs gevonden worden.

Spraakherkenning, authenticatie en acoustische scène-analyse kunnen op een vergelijkbare manier naar een embedded-oplossing worden offgeload. De pipeline – van microfoon-opname en richtingsbepaling tot basis woordspotting en zelfs natural-language understanding – kan lokaal verwerkt worden voor veel toepassingen. In scenario's die alleen een beperkte vocabulaire of detectie van non-verbale cues vereisen, kan het hele proces volledig op de edge draaien, wat de noodzaak voor cloud-bronnen elimineert. Opkomend onderzoek suggereert dat zelfs meer gesofisticeerde NLP-taken in de nabije toekomst on-device haalbaar kunnen worden.

Vandaag de dag biedt het ecosysteem een groeiende suite van edge-AI-platforms die front-end spraakverwerking, deep-learning inference en IoT-integratie stroomlijnen. Door deze oplossingen te benutten, kunnen developers de implementatie van alomtegenwoordige robot-persoonlijke-assistenten versnellen.

Moshe Sheier is Director of Strategic Marketing, CEVA, waar hij corporate development en strategische partnerschappen beheert voor CEVA's kern-doelmarkten en toekomstige groeigebieden. Moshe is betrokken bij toonaangevende SW- en IP-bedrijven om innovatieve DSP-gebaseerde oplossingen naar de markt te brengen. In vrije tijd rijdt Moshe mountainbike en oefent Aikido.