Autonoma robotar har arbetat i samarbete med människor inom området industriell tillverkning i mer än ett halvt sekel. Sedan världens första industrirobot utvecklades och togs i bruk på 1950-talet har företag anförtrott robotar besvärliga och farliga uppgifter, vilket gör att arbetare kan fokusera på mer specialiserat arbete. Nuförtiden är tillämpningen av avancerad robotteknologi inte längre begränsad till industriområdet utan har även expanderat till många vertikala branscher som sjukvård, detaljhandel och jordbruk.
Samtidigt har tekniska genombrott inom områden som artificiell intelligens och maskininlärning gett upphov till en ny generation av mer intelligenta robotar. De är inte längre begränsade till att utföra repetitiva uppgifter utan kan utföra mer komplext arbete. Till exempel, med hjälp av teknologier som datorseende och autonom rörelse, kan robotar hantera olika uppgifter inklusive produktmontering, kvalitetsinspektion, avancerad hotidentifiering och respons, etc.
Kort sagt, intelligenta robotar har blivit en kärntillgång för att stärka den moderna arbetskraften. Deras hög-precisionsfunktioner och nästan obegränsade potential för produktivitetsförbättringar är oersättliga. Men eftersom företagens krav på robotassistenter fortsätter att uppgraderas, har designsvårigheterna för sådana system ökat exponentiellt, och det finns ett akut behov av hårdvara med låg-latens och hög-prestanda, såsom Field Programmable Gate arrays (FPgas) för att tillhandahålla teknisk support.
De allt mer framträdande designutmaningarna
Intelligenta robotar utrustade med artificiell intelligens behöver förses med fler sensorer och ställdon jämfört med traditionella robotar, inklusive kameror, lidarer, radarer, tröghetsmätenheter (IMU), motorkodare, trycksensorer och andra komponenter. Samtidigt behöver roboten också utföra mer komplexa beräkningsuppgifter i realtid, såsom 3D-visionsbehandling, simultan lokalisering och kartläggning (SLAM) och beräkning av grepppunkter.
Detta kräver att hårdvaran i de relevanta systemen inte bara har fler in-/utgångsgränssnitt (I/O) för att anpassa sig till olika sensorer, utan också är utrustad med kraftfullare bearbetningsmoduler (såsom centrala bearbetningsenheter (CPU), grafiska processorenheter (GPU) och neurala nätverksbehandlingsenheter (NPU)) för att uppnå mer komplexa beräkningsfunktioner. Utmaningen som konstruktörer står inför är dock att om man enbart förlitar sig på bearbetningsmoduler som CPU, är det svårt att ansluta till olika sensorer som krävs av robotsystemet, och det kan inte heller effektivt hantera den enorma mängden rådata som samlas in av sensorerna.
Skälen till detta är å ena sidan att antalet I/O-gränssnitt och graden av specialisering av cpu ofta inte uppfyller utvecklarnas krav. Att bara lägga till gränssnitt till processorn medför dessutom höga kostnader - fysiska gränssnitt måste bibehålla en specifik storlek för att uppnå funktioner, och att lägga till nya gränssnitt innebär att de upptar mer chipyta. Detta skiljer sig fundamentalt från de logiska enheterna som enkelt kan miniatyriseras och utökas i avancerade tillverkningsprocesser.
Även om CPU:n kan tillhandahålla tillräckligt med adaptiva I/O-gränssnitt för att ansluta till intelligenta robotar och direkt överföra den stora mängden rådata som samlas in av sensorer till processorenheten, finns det fortfarande ett problem med låg energieffektivitet. Dessutom är CPU:n inte designad för de bearbetningsuppgifter i realtid som- kräver av intelligenta robotar. Om kärnuppgifter som sensorfusion hanteras av CPU:n kommer det att orsaka betydande förseningar i systemet och kraftigt minska robotens operativa effektivitet.
Lyckligtvis koncentrerar sig hårdvarudesigners och -utvecklare på att utveckla olika innovativa produkter för att kompensera för de ovannämnda tekniska bristerna-, och FPGA är en av dem.
FPGA: En mycket värdefull hårdvarulösning
FPGA är en mycket flexibel halvledarenhet som kan fungera som en "brygga" mellan sensorer, ställdon och processorer, vilket ger utvecklare olika och många I/O-gränssnitt som krävs för anslutning av intelligenta robotsystem. Samtidigt kan FPGA, med realtidsberäkningskraften- nära sensoränden, utföra de underliggande dedikerade bearbetningsuppgifterna för olika sensorer, frigöra systemberäkningsresurser och hjälpa till att skapa mer intelligenta och lyhörda robotar som företag behöver.
När det första lagret av databehandling har slutförts av FPGA:n kommer data att överföras till CPU:n via standardiserade hög-bandbreddskanaler. Genom denna uppgiftsdelningsmetod kan FPGA dela en del av beräkningsbelastningen med CPU, spara energiförbrukning för att stödja högre-beräkningsuppgifter såsom banplanering, klusteranalys och objektdetektering, vilket gör att CPU kan fokusera på hantering av optimering och-beslutsuppgifter som är svåra att uppnå på hårdvarunivå.
Denna hårdvaruarkitektur kan också hjälpa utvecklare att övervinna följande typer av tekniska utmaningar:
Anslutningsmöjligheter: FPGA-hårdvara har en extremt hög grad av anpassning och kan ge fler I/O-gränssnitt än CPU. Utvecklare kan ansluta och styra fler sensorer och ställdon genom olika gränssnitt som Ethernet, Serial Peripheral Interface (SPI), High Definition Multimedia Interface (HDMI) och Mobile Industry Processor Interface (MIPI), och kostnaden är mycket lägre än att lägga till nya gränssnitt till huvudprocessorenheten. Dessutom stöder FPgas även flera spänningsnivåer och icke-standardiserade kommunikationsprotokoll, vilket ger utvecklare fler alternativ att anpassa sig till olika applikationsscenarier.
Energiförbrukning: FPGA kan uppnå parallell beräkning på hårdvara-nivå nära robotsensorerna. Genom att bearbeta data lokalt i realtid och sedan överföra den till CPU:n minskar det effektivt systemets totala energiförbrukning.
Latens: Den höga-beräkningskraften hos FPGA kan påskynda bearbetningen av kärnuppgifter som sensorfusion - denna uppgift kan integrera insamlad data från olika sensorer som kameror och lidarer för att bilda en komplett miljöuppfattningsbild, och därigenom förbättra bedömningsnoggrannheten och beslutsförmågan hos robotar-. Ta beräkningshastigheten som ett exempel. VLP16 liDAR-sensorn sänder 384 uppsättningar avståndsdata till nätverket var 1,32 millisekund, medan FPGA bara behöver cirka 0,32 millisekunder för att slutföra bearbetningen av denna batch av data, med en beräkningshastighet på 100 miljoner gånger per sekund.
Genom att förlita sig på de olika tekniska fördelarna med FPGA kan designers flexibelt installera olika sensorer efter deras behov, bryta igenom den övre prestandagränsen för intelligenta robotar och effektivt lösa systemets energiförbrukning och fördröjningsproblem på samma gång.
Slå dig samman för att skapa smartare robotar
När efterfrågan på smartare och snabbare robotar i olika branscher fortsätter att öka, står utvecklarna inför nya utmaningar: att designa robotsystem med bättre prestanda utan att tömma resurser. För att uppnå detta mål förlitar sig utvecklare alltmer på hårdvarudesign och tillverkningsföretag för att kontinuerligt uppgradera kärnkomponenterna i robotar. Båda sidor arbetar mot det gemensamma målet att "förbättra robotens prestanda och samtidigt minska kostnader, energiförbrukning och latens", vilket gör den framtida utvecklingen av robotområdet full av oändliga möjligheter.
