随着人工智能(AI)和物理世界的交叉，以及自主技术采用的增加，有人可能会提出质疑，机器及其目前脆弱的模型如何能以人类的方式感知世界。借助于诸如激光雷达、雷达和摄像头等自动驾驶汽车上所使用的传感器技术，机器已开始能收集实时数据来为决策提供信息，并适应现实世界的场景。
传感器技术已经深深融入我们的日常生活，以至于我们可能低估了它们的影响。以恒温器为例：只需稍加调整，这种基本的传感器技术就能尽职尽责地将家庭和办公室保持在理想的温度，而无需太多人工干预。
然而，在后台，恒温器依赖于双金属机械式或电子式传感器，利用热膨胀来测量温度，然后根据所需的温度操控电路而对暖通空调进行开关。这只是利用各种传感器改善我们的生活的一个小例子。
最近，汽车制造商一直在借助传感器推动全自动驾驶。一些公司专门制造激光雷达(LiDAR)传感器来协助目标检测。
美国休斯飞机公司因在20世纪60年代初引入激光雷达技术而广受赞誉，这项技术最初用来实现卫星跟踪——工程师借助激光聚焦成像就可以实现距离计算。
今天，许多公司正在采用直接飞行时间(dToF)激光雷达传感器，其原理是利用激光器来发射光波脉冲，然后当这些脉冲遇到周围环境和障碍物后就会发生反弹。然后，激光雷达就可以测量这些脉冲返回所需的时间，从而确定传感器和物体之间的距离。激光雷达传感器还能够在光波撞击到物体表面时创建它们的三维图像。
在现实世界的场景中，许多公司都将激光雷达用于各种应用，使机器能够感知周围的世界，包括仓库管理、高级驾驶辅助系统、建筑项目、污染建模等。Mobileye和戴姆勒等公司正在其自动驾驶原型中实施激光雷达技术。
例如，Mobileye最新的EyeQ Ultra SoC使用了称为XNN、PMA、VMP和MPC的四类专有加速器，它们又依赖于两个传感子系统:一个只有摄像头的器件，以及另一个雷达和激光雷达的组合。Mobileye声称，EyeQ Ultra SoC将实现自动驾驶的4级驾驶——汽车工程师学会将其定义为在特定条件下无需人工干预即可执行所有驾驶功能的车辆。然而，如果不满足这些条件，则驾驶员就必须控制车辆。
图1：行动中的亚马逊自主机器人Bert。(图片来源：亚马逊)
在现实世界场景中采用激光雷达的另一个的例子，是亚马逊的自主机器人：Bert、Kermit和Ernie。Bert使用激光雷达技术在整个亚马逊仓库中对其进行引导，从而避开其他自动驾驶机器人、工人和机器等障碍物(图1)。
制造商也在使用激光雷达来改善他们的物流链，依靠自主机器人来优化履行和配送流程。
自动驾驶的发展现状如何？目前有哪些比较好的解决方案？12月28日，在“中国国际汽车电子高峰论坛”之“智能驾驶与预期功能安全”分论坛上，泛亚汽车、移远通信、英博超算、映驰科技、上海汽检和上海交通大学人工智能研究院等多家厂商和机构将分别带来“智能网联汽车预期功能安全应用实践”、“智能驾驶整体解决方案”、“智能驾驶领域的方案和实践”、“高性能计算软件平台的实践”、“智能网联汽车感知系统预期功能安全研究”和“智能驾驶感知对抗攻击与防御”等主题演讲。会议同期还设有“智能座舱与人机交互”、“电驱电控系统与功率半导体”和“动力电池与智能充电技术”三个分论坛。欢迎工程师朋友们前来学习交流。点击这里报名参加。
在工业和汽车用例中采用激光雷达技术所取得的成功有限。因此，工程师们意识到完全自主的机器是一种需要更可靠AI和机器学习算法的复杂技术。这就是3D视觉可以帮助提高自主性的地方。
3D视觉通常用于工厂自动化应用，如拾放机器人。这些机器依赖于3D快照传感器，从而使机器人能够从本质上检测物体，而不管其位置如何，这意味着它可以检测物体是平放、直立还是处于悬挂位置。
图2：这张Seoul Robotics的插图描绘了其SENSR软件的功能。(图片来源：Seoul Robotics)
3D扫描和检测开发商LMI Technologies开发了自己的3D传感器版本Gocator 3000，该传感器依赖于使用蓝色LED结构光的条纹投影，并结合了多种3D测量工具和决策逻辑。结合这些技术，传感器就可以扫描和检查任何具有走走停停运动的物体，从而实现质量控制检查和自动化组装。
还可以用3D视觉来处理激光雷达传感器所收集的数据，从而渲染其所扫描环境的详细图像。3D视觉计算机软件公司Seoul Robotics于2021年1月在美国发布了其首款3D视觉软件(图2)。这款软件依赖于该公司基于机器学习的SENSR软件，从而使3D传感器本质上成为了物联网设备。这家韩国公司声称传感器可以分析和理解从车联网通信、交通安全技术、零售分析和智慧城市所收集的3D激光雷达数据。
一些观察人士预测，基于位置的地理空间AI代表着机器学习的下一大步，这使机器能够收集实时地理数据，从而指导决策和预测分析。地理空间AI的用例包括物流、农业和基础设施。
地理空间AI结合了空间科学、深度学习、数据挖掘和高性能计算来收集和分析由机器网络所收集的空间数据。地理空间AI还依赖用户数据来训练提供推理和预测能力的算法。
例如，Uber和Lyft等拼车公司依靠地理空间AI应用程序，根据客户提交的信息提供预计到达时间。Waze和Apple Maps等GPS应用程序也依赖地理空间AI，根据交通分析软件和用户输入，为驾驶员提供到达目的地的最快路线。地理空间AI也正在物流和供应链流程中得到实施，以使制造商能够获得及时的交付数据。
（原文刊登于EDN姊妹网站EE Times，参考链接：Understanding Machine Perception: Lidar, 3D Vision and Geospatial AI，由Franklin Zhao编译。）
本文为《电子技术设计》2022年12月刊杂志文章，版权所有，禁止转载。免费杂志订阅申请点击这里。
最前沿的电子设计资讯
