Autonome robotter har arbejdet i samarbejde med mennesker inden for industriel fremstilling i mere end et halvt århundrede. Siden verdens første industrirobot blev udviklet og taget i brug i 1950'erne, har virksomheder betroet robotter besværlige og farlige opgaver, så arbejderne kan fokusere på mere specialiseret arbejde. I dag er anvendelsen af avanceret robotteknologi ikke længere begrænset til det industrielle område, men er også udvidet til adskillige vertikale industrier såsom sundhedspleje, detailhandel og landbrug.
I mellemtiden har teknologiske gennembrud inden for områder som kunstig intelligens og maskinlæring givet anledning til en ny generation af mere intelligente robotter. De er ikke længere begrænset til at udføre gentagne opgaver, men kan udføre mere komplekst arbejde. For eksempel kan robotter ved hjælp af teknologier som computersyn og autonom bevægelse håndtere forskellige opgaver, herunder produktmontering, kvalitetsinspektion, avanceret trusselsidentifikation og -respons mv.
Kort sagt er intelligente robotter blevet et kerneaktiv til at styrke den moderne arbejdsstyrke. Deres høje-præcisionsfunktioner og næsten ubegrænsede potentiale for produktivitetsforbedringer er uerstattelige. Men efterhånden som virksomhedernes krav om robotassistenter fortsætter med at opgradere, er designvanskelighederne for sådanne systemer vokset eksponentielt, og der er et presserende behov for lav-latens og høj-ydeevne hardware såsom Field Programmable Gate arrays (FPgas) til at yde teknisk support.
De stadig mere fremtrædende designudfordringer
Intelligente robotter udstyret med kunstig intelligens skal udstyres med flere sensorer og aktuatorer sammenlignet med traditionelle robotter, herunder kameraer, lidarer, radarer, inertimåleenheder (IMU'er), motorenkodere, tryksensorer og andre komponenter. I mellemtiden skal robotten også udføre mere komplekse computeropgaver i realtid, såsom 3D-visionsbehandling, simultan lokalisering og kortlægning (SLAM) og gribepunktsberegning.
Dette kræver, at hardwaren i de relevante systemer ikke kun har flere input/output-grænseflader (I/O) for at tilpasse sig forskellige sensorer, men også er udstyret med mere kraftfulde behandlingsmoduler (såsom centrale processing units (CPU), grafiske processing units (GPU) og neurale netværk processing units (NPU)) for at opnå mere komplekse computerfunktioner. Udfordringen, som designere står over for, er imidlertid, at ved udelukkende at stole på behandlingsmoduler som cpu'er, er det vanskeligt at forbinde med forskellige sensorer, der kræves af robotsystemet, og det kan heller ikke effektivt håndtere den enorme mængde rådata, der indsamles af sensorerne.
Årsagerne til dette er på den ene side, at antallet af I/O-grænseflader og graden af specialisering af cpu'er ofte ikke opfylder udviklernes krav. Desuden medfører det høje omkostninger blot at tilføje grænseflader til processoren - fysiske grænseflader skal opretholde en bestemt størrelse for at opnå funktioner, og tilføjelse af nye grænseflader betyder, at de optager mere chipareal. Dette er fundamentalt forskelligt fra de logiske enheder, der nemt kan miniaturiseres og udvides i avancerede fremstillingsprocesser.
Selvom CPU'en kan levere tilstrækkelige adaptive I/O-grænseflader til at forbinde med intelligente robotter og direkte overføre den store mængde rådata indsamlet af sensorer til processorenheden, er der stadig et problem med lav energieffektivitet. Desuden er CPU'en ikke designet til de-realtidsbehandlingsopgaver, der kræves af intelligente robotter. Hvis kerneopgaver såsom sensorfusion håndteres af CPU'en, vil det forårsage betydelige forsinkelser i systemet og i høj grad reducere robottens operationelle effektivitet.
Heldigvis koncentrerer hardwaredesignere og -udviklere sig om at udvikle forskellige innovative produkter for at kompensere for de ovennævnte- tekniske mangler, og FPGA er en af dem.
FPGA: En yderst værdifuld hardwareløsning
FPGA er en meget fleksibel halvlederenhed, der kan fungere som en "bro" mellem sensorer, aktuatorer og cpu'er, og giver udviklere forskellige og talrige I/O-grænseflader, der kræves til tilslutning af intelligente robotsystemer. I mellemtiden kan FPGA med realtids-databehandlingskraft tæt på sensorenden varetage de underliggende dedikerede behandlingsopgaver for forskellige sensorer, frigive systemressourcer og hjælpe med at skabe mere intelligente og lydhøre robotter, som virksomheder har brug for.
Når det første lag af databehandling er fuldført af FPGA, vil dataene blive transmitteret til CPU'en gennem standardiserede kanaler med høj-båndbredde. Gennem denne opgaveopdelingsmetode kan FPGA dele en del af computerbelastningen med CPU, spare energiforbrug for at understøtte højere-behandlingsopgaver såsom baneplanlægning, klyngeanalyse og objektdetektion, hvilket giver CPU'en mulighed for at fokusere på håndtering af optimering og beslutningstagning-, der er svære at opnå på hardwareniveau.
Denne hardwarearkitektur kan også hjælpe udviklere med at overkomme følgende typer tekniske udfordringer:
Tilslutningsmuligheder: FPGA-hardware har en ekstrem høj grad af tilpasning og kan give flere I/O-grænseflader end cpu'er. Udviklere kan forbinde og styre flere sensorer og aktuatorer gennem forskellige grænseflader såsom Ethernet, Serial Peripheral Interface (SPI), High Definition Multimedia Interface (HDMI) og Mobile Industry Processor Interface (MIPI), og omkostningerne er meget lavere end at tilføje nye grænseflader til hovedbehandlingsenheden. Derudover understøtter FPgas også flere spændingsniveauer og ikke-standardkommunikationsprotokoller, hvilket giver udviklere flere muligheder for at tilpasse sig forskellige applikationsscenarier.
Energiforbrug: FPGA kan opnå parallel computing på hardware-niveau nær robotsensorerne. Ved at behandle dataene lokalt i realtid og derefter overføre dem til CPU'en, reducerer det effektivt systemets samlede energiforbrug.
Latens: FPGA's højhastighedsdatabehandlingskraft kan accelerere behandlingen af kerneopgaver såsom sensorfusion - denne opgave kan integrere de indsamlede data fra forskellige sensorer såsom kameraer og lidarer for at danne et komplet miljøopfattelsesbillede og derved forbedre bedømmelsesnøjagtigheden og beslutningsevnen for robotter-. Tag computerhastigheden som et eksempel. VLP16 liDAR-sensoren transmitterer 384 sæt afstandsdata til netværket hvert 1,32 millisekund, mens FPGA kun har brug for omkring 0,32 millisekunder for at fuldføre behandlingen af denne batch af data med en computerhastighed på 100 millioner gange i sekundet.
Ved at stole på de forskellige tekniske fordele ved FPGA kan designere fleksibelt installere forskellige sensorer i overensstemmelse med deres behov, bryde gennem ydeevnens øvre grænse for intelligente robotter og effektivt løse systemets energiforbrug og forsinkelsesproblemer på samme tid.
Gå sammen om at skabe smartere robotter
Efterhånden som efterspørgslen efter smartere og hurtigere robotter i forskellige industrier fortsætter med at stige, står udviklerne over for nye udfordringer: at designe robotsystemer med bedre ydeevne uden at opbruge ressourcer. For at nå dette mål er udviklere i stigende grad afhængige af hardwaredesign- og produktionsvirksomheder for løbende at opgradere robotternes kernekomponenter. Begge sider arbejder hen imod det fælles mål om at "forbedre robotydelsen og samtidig reducere omkostninger, energiforbrug og latens", hvilket gør den fremtidige udvikling af robotteknologiområdet fuld af uendelige muligheder.
