Autonome roboter har jobbet i samarbeid med mennesker innen industriell produksjon i mer enn et halvt århundre. Siden verdens første industrirobot ble utviklet og tatt i bruk på 1950-tallet, har bedrifter betrodd roboter tungvinte og farlige oppgaver, slik at arbeidere kan fokusere på mer spesialisert arbeid. I dag er bruken av avansert robotteknologi ikke lenger begrenset til industrifeltet, men har også utvidet seg til en rekke vertikale bransjer som helsevesen, detaljhandel og landbruk.
I mellomtiden har teknologiske gjennombrudd innen felt som kunstig intelligens og maskinlæring gitt opphav til en ny generasjon av mer intelligente roboter. De er ikke lenger begrenset til å utføre repeterende oppgaver, men kan påta seg mer komplekst arbeid. For eksempel, ved hjelp av teknologier som datasyn og autonom bevegelse, kan roboter håndtere ulike oppgaver, inkludert produktmontering, kvalitetsinspeksjon, avansert trusselidentifikasjon og respons, etc.
Kort sagt, intelligente roboter har blitt en kjernekapital for å styrke den moderne arbeidsstyrken. Deres høye-presisjonsfunksjoner og nesten ubegrensede potensiale for produktivitetsforbedring er uerstattelige. Men ettersom bedrifters krav til robotassistenter fortsetter å oppgradere, har designvanskelighetene til slike systemer vokst eksponentielt, og det er et presserende behov for maskinvare med lav-latens og høy-ytelse som Field Programmable Gate arrays (FPgas) for å gi teknisk støtte.
De stadig mer fremtredende designutfordringene
Intelligente roboter utstyrt med kunstig intelligens må utstyres med flere sensorer og aktuatorer sammenlignet med tradisjonelle roboter, inkludert kameraer, lidarer, radarer, treghetsmåleenheter (IMU), motorkodere, trykksensorer og andre komponenter. I mellomtiden må roboten også fullføre mer komplekse databehandlingsoppgaver i sanntid, som 3D-synsbehandling, simultan lokalisering og kartlegging (SLAM) og gripepunktberegning.
Dette krever at maskinvaren til de aktuelle systemene ikke bare har flere input/output-grensesnitt (I/O) for å tilpasse seg ulike sensorer, men også være utstyrt med kraftigere prosesseringsmoduler (som sentrale prosesseringsenheter (CPU), grafikkbehandlingsenheter (GPU) og nevrale nettverksbehandlingsenheter (NPU)) for å oppnå mer komplekse datafunksjoner. Utfordringen designere står overfor er imidlertid at ved å kun stole på prosesseringsmoduler som cpus, er det vanskelig å koble til ulike sensorer som kreves av robotsystemet, og det kan heller ikke effektivt håndtere den enorme mengden rådata som samles inn av sensorene.
Årsakene til dette er på den ene siden at antall I/O-grensesnitt og graden av spesialisering av cpu ofte ikke klarer å møte utviklernes krav. I tillegg vil det å legge til grensesnitt til prosessoren medføre høye kostnader - fysiske grensesnitt må opprettholde en spesifikk størrelse for å oppnå funksjoner, og å legge til nye grensesnitt betyr å okkupere mer brikkeområde. Dette er fundamentalt forskjellig fra de logiske enhetene som enkelt kan miniatyriseres og utvides i avanserte produksjonsprosesser.
Selv om CPU-en kan gi tilstrekkelig adaptive I/O-grensesnitt for å koble til intelligente roboter og direkte overføre den store mengden rådata som samles inn av sensorer til prosessorenheten, er det fortsatt et problem med lav energieffektivitet. Dessuten er ikke prosessoren designet for sanntidsbehandlingsoppgavene som kreves av intelligente roboter. Hvis kjerneoppgaver som sensorfusjon håndteres av CPU, vil det føre til betydelige forsinkelser i systemet og redusere robotens operasjonelle effektivitet.
Heldigvis konsentrerer maskinvaredesignere og utviklere seg om å utvikle ulike innovative produkter for å kompensere for de-nevnte tekniske manglene, og FPGA er en av dem.
FPGA: En svært verdifull maskinvareløsning
FPGA er en svært fleksibel halvlederenhet som kan fungere som en "bro" mellom sensorer, aktuatorer og cpus, og gir utviklere ulike og tallrike I/O-grensesnitt som kreves for tilkobling av intelligente robotsystemer. I mellomtiden, med sanntidsdatabehandlingskraften nær sensorenden, kan FPGA påta seg de underliggende dedikerte prosesseringsoppgavene til ulike sensorer, frigjøre systemdataressurser og bidra til å skape mer intelligente og responsive roboter som bedrifter trenger.
Etter at det første laget med databehandling er fullført av FPGA, vil dataene bli overført til CPU-en gjennom standardiserte kanaler med høy-båndbredde. Gjennom denne oppgavedelingsmetoden kan FPGA dele deler av databelastningen med CPU, spare energiforbruk for å støtte høyere-databehandlingsoppgaver som baneplanlegging, klyngeanalyse og objektgjenkjenning, slik at CPU kan fokusere på håndtering av optimalisering og-beslutningsoppgaver som er vanskelige å oppnå på maskinvarenivå.
Denne maskinvarearkitekturen kan også hjelpe utviklere med å overvinne følgende typer tekniske utfordringer:
Tilkobling: FPGA-maskinvare har en ekstremt høy grad av tilpasning og kan gi flere I/O-grensesnitt enn cpu. Utviklere kan koble til og kontrollere flere sensorer og aktuatorer gjennom ulike grensesnitt som Ethernet, Serial Peripheral Interface (SPI), High Definition Multimedia Interface (HDMI) og Mobile Industry Processor Interface (MIPI), og kostnadene er mye lavere enn å legge til nye grensesnitt til hovedbehandlingsenheten. I tillegg støtter FPgas også flere spenningsnivåer og ikke-standard kommunikasjonsprotokoller, noe som gir utviklere flere muligheter for å tilpasse seg ulike applikasjonsscenarier.
Energiforbruk: FPGA kan oppnå parallellberegning på maskinvare-nivå nær robotsensorene. Ved å behandle dataene lokalt i sanntid og deretter overføre dem til CPU, reduserer det effektivt systemets totale energiforbruk.
Latens: Den høye-databehandlingskraften til FPGA kan akselerere behandlingen av kjerneoppgaver som sensorfusjon - denne oppgaven kan integrere innsamlede data fra forskjellige sensorer som kameraer og lidarer for å danne et fullstendig miljøoppfatningsbilde, og dermed forbedre vurderingsnøyaktigheten og beslutningsevnen til roboter-. Ta datahastigheten som et eksempel. VLP16 liDAR-sensoren sender 384 sett med avstandsdata til nettverket hvert 1,32 millisekund, mens FPGA bare trenger omtrent 0,32 millisekunder for å fullføre behandlingen av denne batchen med data, med en datahastighet på 100 millioner ganger per sekund.
Ved å stole på de ulike tekniske fordelene med FPGA, kan designere fleksibelt installere ulike sensorer i henhold til deres behov, bryte gjennom ytelsens øvre grense for intelligente roboter og effektivt løse systemets energiforbruk og forsinkelsesproblemer på samme tid.
Bli med hendene for å lage smartere roboter
Ettersom etterspørselen etter smartere og raskere roboter i ulike bransjer fortsetter å øke, står utviklerne overfor nye utfordringer: å designe robotsystemer med bedre ytelse uten å tømme ressurser. For å nå dette målet er utviklere i økende grad avhengig av maskinvaredesign og produksjonsbedrifter for kontinuerlig å oppgradere kjernekomponentene til roboter. Begge sider jobber mot det felles målet om å "forbedre robotytelse og samtidig redusere kostnader, energiforbruk og ventetid", noe som gjør den fremtidige utviklingen av robotikkfeltet full av uendelige muligheter.





