在今年你一定会遇到的大量机器人预测中，有一个你应该特别注意:机器人“看”的方式正在从根本上改变，这将对机器人系统的使用成本和扩散产生巨大影响。
当然，把机器人说成“能看”是一种错误的描述，或者至少是把软件和硬件之间复杂的相互作用简化为一种简写，这种相互作用使得机器人能够用更便宜的设备做更复杂的传感工作。机器视觉融合了多种技术，并越来越依赖机器学习和人工智能形式的软件来解释和处理来自2D传感器的数据，即使在不久之前，这也是无法实现的。
随着对软件的依赖不断增加，像激光雷达这样高度专业化的传感器出现了有趣的转变。激光雷达长期以来一直是半结构化和非结构化环境下机器人的主要设备。结合人类和人工智能软件之间的关系，机器人专家们发现激光雷达实际上并不是必需的。相反，机器视觉以更低廉的成本提供了更高质量的绘图，尤其是在室内机器人和自动化方面。
为了更多地了解正在进行的转型，我采访了inVia Robotics的首席技术官兼联合创始人兰德•沃里斯(Rand Voorhies)，他谈到了机器视觉、自动化的未来，以及激光雷达在未来几年是否仍将是机器人的基础传感器。
GN:在哪儿是机器视觉、传感器还是软件方面的进步?
Rand Voorhies:虽然2D成像传感器确实得到了持续的改进，但它们的分辨率/噪声/质量很少成为机器视觉广泛采用的限制因素。虽然在过去的十年里，已经有了一些有趣的传感器改进(如偏振传感器阵列和全光/光场相机)，但没有一个真正获得关注，因为机器视觉传感器的主要优势是它们的成本和无处不在。最具开创性的进步是在软件前沿的深度学习的出现。与十年前的技术相比，现代的深度学习机器视觉模型似乎很神奇。现在，任何拥有GPU的青少年都可以下载和运行物体识别库，这些库在十年前足以让顶尖的研究实验室相形见绌。事实是，2D成像传感器比典型的激光雷达传感器捕获的数据多得多——你只需要知道如何使用它。
尽管尖端机器视觉一直在突飞猛进地发展，但其他因素也推动了更简单的机器视觉技术的采用。电池和电机技术的不断发展已经将组件成本降低到可以生产机器人系统的程度，从而为终端用户提供非常强的投资回报率。有了良好的ROI，客户(在我们的例子中是仓库操作员)很乐意用“基准”标签标注他们的环境。这些贴纸几乎就像机器人的作弊码，因为非常便宜的机器视觉解决方案可以超精确地检测基准贴纸的位置和方向。通过将这些基准贴满整个仓库，机器人可以很容易地建立一个地图，让他们自己定位。
加里:你能给我一点建议吗激光雷达的采用?为什么它已经成为一个标准化的传感工具在汽车nomous移动应用?导致开发人员使用激光雷达的机器视觉的早期障碍是什么?
兰德·沃里斯:在激光雷达出现之前，机器视觉就已经被用于引导机器人。21世纪初，由于Sebastian Thrun、Daphne Koller、Michael Montemerlo、Ben Wegbreit等人进行了一些突破性的学术研究，使得从这些传感器中处理数据成为可能，激光雷达开始受到广泛欢迎。这些研究和经验让基于激光雷达的斯坦利自动驾驶汽车在DARPA Grand Challenge(由Thrun领导)中占据了主导地位，也让Velodyne(由另一位Grand Challenge参与者David Hall创立)成为了许多人现在认为的事实上的自动汽车传感器。本次挑战赛表明，激光雷达终于成为一项可行的技术，可以让快速移动的机器人在未知、混乱的环境中高速导航。从那时起，学术界对改进处理激光雷达传感器数据的算法产生了巨大的兴趣，并发表了数百篇论文和博士论文。因此，毕业生们带着大量的激光雷达学术经验涌入商业领域，准备将理论付诸实践。
在许多情况下，激光雷达已经被证明是非常适合这项工作的工具。一个密集的3D点云一直是机器人专家的梦想，它可以让避障和寻路变得非常容易，尤其是在未知的动态环境中。然而，在某些情况下，激光雷达根本就不是这项工作的合适工具，可能会给原本简单的解决方案增加不必要的复杂性和费用。确定什么时候激光雷达是正确的，什么时候是错误的，是构建机器人解决方案的关键，不仅有效——它们还为客户提供积极的投资回报率。
与此同时，机器视觉也取得了进步。机器视觉的早期障碍之一可以用一个简单的问题来理解:“我看到的是一个很远的大物体还是一个近距离的小物体?”在传统的2D视觉中，我们根本无法区分。就连我们的大脑也会被愚弄，就像在游乐园里看到的透视错觉一样。现代机器视觉方法使用了各种各样的方法来克服这一问题，包括:
- 通过了解更大的物体来估算物体的距离例如，我知道我的相机离地面2米，我知道汽车的轮胎沿着街道是1000像素，所以它一定是25米远。
- 通过使用两个或更多重叠摄像机(即立体视觉)来建立对场景的3D理解。
- 通过“感觉”相机如何移动来建立对场景的3D理解，例如，使用IMU(惯性测量单元——有点像机器人的内耳)，并将这些运动与相机不断变化的图像关联起来。
我们自己的大脑同时使用这三种技术，让我们对周围的世界有了更丰富的了解，而不仅仅是简单地建立一个3D模型。
GN:为什么在许多机器人应用中，机器视觉比激光雷达有更好的技术案例?
Rand Voorhies:激光雷达非常适合户外应用，在那里有很多未知的和不一致的地形。这就是为什么它是自动驾驶汽车最好的技术。在室内环境中，机器视觉是更好的技术案例。由于光光子在仓库内的物体上反射，机器人很容易在激光雷达的指示下被混淆。他们很难区分，例如，一盒库存和一架子库存——对他们来说，两者都只是对象。当机器人在大型仓库的过道深处时，它们常常会迷路，因为它们无法区分自己的地标。然后它们必须重新映射。
通过使用机器视觉结合基准标记，我们的inVia Picker机器人可以准确地知道自己在任何时间点的位置。他们可以“看到”和区分他们的地标。几乎所有基于激光雷达的仓库/工业机器人都需要一些基准标记来操作。基于机器视觉的机器人需要更多的标记。后者需要额外的时间和成本来部署长卷贴纸与较少的单个贴纸，但当你考虑到执行常规LiDAR映射的时间和成本时，天平会偏向纯粹的视觉。最终，仓库设置中的2D机器视觉比激光雷达更便宜、更容易、更可靠。
如果你使用机器人不需要很高的精度和可靠性，那么激光雷达可能就足够了。然而，对于不能承受任何精度或正常运行时间损失的系统，机器视觉系统可以真正显示其优势。基于基准的机器视觉系统允许操作员将标记精确地放置在需要精度的地方。在inVia的系统中，从货架上挑选和放置手提袋，在手提袋和货架上放置这些标记，提供毫米级的精度，以确保每个手提袋都被准确地放置在它应该去的地方。试图实现这一纯激光雷达系统将成本和时间禁止商业使用。
问:为什么会有更好的商业案例?
兰德·沃里斯:在商业方面，情况也很简单。机器视觉节省金钱和时间。虽然近年来激光雷达技术的成本有所下降，但它仍然很昂贵。我们致力于为我们的机器人寻找最具成本效益的技术和组件，以使自动化应用于任何规模的企业。在inVia，我们的理念是让复杂的技术变得简单。
机器视觉与激光雷达以及所有的重新映射需求在完成订单所需的时间上的差异是至关重要的。它可以意味着按时或迟一天将订单交付给客户的差别。每一个由于激光雷达重新测绘而丢失的机器人都会降低系统的投资回报率。
使用机器视觉时，硬件本身也更便宜。相机比激光雷达便宜，而且大多数激光雷达系统需要相机的基准。在机器视觉中，应用基准还需要额外的一次性人工成本。然而，一次性将基准应用于totes/racking是非常廉价的劳动力，并导致系统更加健壮，停机时间和错误更少。
GN:机器视觉将如何改变机器人在物流和货运等领域的应用?
Rand Voorhies:机器视觉已经通过自动化机械任务来提高劳动生产率，对物流和履行中心产生了影响。使用机器人完成订单的仓库可以补充稀缺的劳动力，并让他们的员工管理涉及决策和解决问题的高阶任务。机器视觉使移动机器人舰队能够在仓库中导航，执行关键任务，如采摘、补充、库存移动和库存管理。他们这样做不会受到干扰，而且具有机器般的精确度。
使用由机器视觉驱动的机器人系统也消除了采用的障碍，因为它们的可负担性。过去被传统自动化市场排挤出的中小型企业，也能从自动化重复性任务中获得同样的好处，从而发展自己的业务。
GN:仓库应该怎么走当机器人技术寻求采用新系统时，我们该如何审视它们的前景呢?
Rand Voorhies:现在市场上有很多机器人解决方案，每一种都使用非常先进的技术来解决仓库操作员面临的特定问题。所以，最重要的一步是确定你最大的挑战，并找到解决它的方法。
例如，在inVia，我们创建了一个解决方案，专门解决电子商务实现所特有的问题。完成电子商务订单需要随机访问大量不同的sku。这与零售实现非常不同，在零售中，你需要获取大量的库存单位，然后将它们装在箱子或托盘中运出。这两种操作需要非常不同的存储和检索设置和计划。我们创建了专有算法，专门创建更快的路径和流程来检索随机访问的sku。
电子商务也更加依赖劳动力和耗时，因此成本很高。因此，这些仓库希望采用机器人技术，以帮助他们降低劳动力成本，以及将订单送到客户手中所需的时间。它们有sla(服务水平协议)，规定何时需要挑选、包装和运输订单。他们需要询问供应商，他们的技术如何帮助他们消除障碍，以满足这些sla。
