李飞作者

室内定位和导航芯片,下一代智能设备的关键技术

人们对于以GPS为代表的定位和导航技术并不陌生,使用百度地图等APP配合GPS在户外场景中导航已经成为日常生活中常见的一幕。随着技术和应用场景的演进,对于室内导航的需求正在逐渐上升。室内导航和室外导航有诸多不同的技术需求,而为室内导航专门设计的硬件芯片有希望成为GPS的补充进入相关的设备中。

为什么需要室内定位和导航

说起室内导航,大家的第一个想法可能就是,为什么不能用GPS?其主要原因在于信号和精度问题。GPS使用的是卫星信号,在地面接收到的信号非常微弱,其最理想的使用场景在开阔且没有遮挡的室外场景,而在室内,甚至是在一些城市里建筑物比较密集的区域就会出现信号被遮挡的情况,反映到定位上的表现就是迟迟无法搜索到GPS信号。

除了信号问题之外,另一个室内导航和室外导航的区别在于精度。对于驾驶等室外导航应用,通常精度需求在几米的数量级就可以接受,而对于室内导航来说其精度需求往往比室外导航有数量级的提升,因此必须有相应的技术

室内定位和导航第一个重要应用在于包括无人机在内的机器人导航。对于大型货仓等应用场景,室内定位和室内导航技术至关重要。利用室内导航技术,机器人可以制定最优路线以到达目的地,而室内定位技术则能在多机器人的应用场景下提供每个机器人的位置,从而帮助每个机器人在导航时考虑到其他机器人的位置以避免堵塞。

除了机器人应用之外,另一个重要的室内导航和定位的技术是下一代智能设备,尤其是AR/VR头戴设备。在典型的AR应用中,虚拟内容会显示在现实世界中的固定位置(例如下图中的宇航员和地球出现在桌子上)。为了让这些虚拟物体看上去更具真实感,我们希望这些虚拟物体能看上去是固定在物理世界中的某个位置而不会随着用户移动而改变。为了实现这一点,必须有非常精准的室内定位和导航技术。举例来说,如果我们希望在佩戴AR眼镜时在桌子上召唤出一个地球和宇航员的虚拟物体,那么首先我们需要有室内定位系统把桌子的位置给确定下来,从而当用户移动到桌子附近的时候可以在桌子上显示相关虚拟物体;此外,随着用户的位置移动,必须要渲染虚拟物体不同的尺寸和视角以满足真实感,因此会需要非常精确的室内导航系统知道用户是怎么移动的。

室内定位原理和相关芯片分析

室内定位最基本的原理是多基站原理,即根据设备和多个已知位置的基站之间的信号关系来判断设备的位置。如果我们有三个以上的基站且能计算出设备到每个基站之间的距离,那么根据几何原理我们就可以获取设备的位置。

室内定位的基础版本可以说是蓝牙/WiFi信号定位。此类定位技术上根据设备到已知基站(路由器)之间的WiFI/蓝牙信号强度信息来估计设备的位置。由于WiFi/蓝牙信号的强度会收到出了距离之外的其他因素影响(例如遮挡),因此基于WiFI/蓝牙的室内定位精度通常在米数量级。

除了利用WiFi/蓝牙等基于信号强度来估计距离之外,还可以利用超宽带(UWB)技术来实现更高精度的室内定位。UWB定位芯片目前得到了业界的认可,苹果的最新iPhone即搭载了自主研发的U1芯片用于UWB定位。

UWB定位技术是基于UWB信号规范。与传统的无线通信高功率高集中度的频谱不同,UWB把信号功率分散在非常宽的频谱上。因此,即使UWB信号总的功率并不低,但是每个频点的功率密度很低,因此对于其他使用该频段的通信协议造成的干扰非常小。

UWB超宽带频谱信号反映到时域就是一个非常短的脉冲。因此,其时域信号与雷达的脉冲信号很接近,这也是为什么UWB可以利用类似雷达的原理去做与基站之间的距离估计以实现室内定位。与基于WiFi/蓝牙无线信号强度的距离估计相比,基于UWB的距离估计使用的是信号的飞行时间(与雷达相同),即设备发射一列UWB脉冲信号并根据回波的时间差来估计与基站的距离。因此,UWB信号做定位不受遮挡的影响,可以做到更高的定位精度(十厘米级别精度,相比米级别的精度好了一个数量级)。

苹果的U1芯片目前已经进入主流手机,我们认为UWB高精度室内定位可望为下一代智能设备中的重要应用赋能,这类应用包括AR等相关应用。从芯片设计的角度考虑,UWB芯片的主要设计难度在于如何设计一个能在很宽频率范围内都有较好频率响应的射频系统。与传统通讯系统中的带通射频系统不同,UWB系统的频率范围要高10倍以上,而UWB信号在每一个频点的信号功率密度都很低,因此如何克服宽带内噪声的问题将是接收机的一个重要课题。此外,UWB系统的天线需要满足宽频带,这与传统通信系统中的窄带天线不同。如果UWB定位系统中的设备端需要同时判断基站与设备之间的方向关系,那么还会需要设计一个天线阵列,这也增加了设计的难度。从功耗上来说,UWB的功耗通常较低,因此我们可望看到UWB技术进入更多的智能设备中。

室内导航芯片

室内定位可以提供设备的位置(精确到米或者0.1米的数量级),而室内导航技术则从另一个角度提供设备的精确运动轨迹。精确运动轨迹对于许多任务来说至关重要(例如家用扫地机器人就需要能知道自己的运动轨迹以判断哪些位置已经扫过哪些没有),而精确运动轨迹对于每次测量之间相对误差的需求往往小于10厘米,因此光靠室内定位就不够用(例如每次室内定位的精度在10厘米级别,那么两次定位之间的相对误差最多就会到20厘米,对于轨迹来说误差太大)。

室内导航的主要技术是SLAM技术,即同时完成定位和环境的地图建模。目前应用在消费应用中的SLAM技术可以分成两类,一类是基于惯性传感器加视觉的SLAM方案,另一类是仅仅基于视觉的SLAM方案。

SLAM对于算力的需求很高。这是因为SLAM算法的本质是找到环境中的特征点,根据环境特征点的变化来估计设备的移动轨迹。例如,SLAM算法需要首先从摄像头传感器的图像中去提取特征点(可以用传统的sift等特征,也可以用基于神经网络的特征),之后需要做特征点匹配算法,再之后才是移动估计。这一套算法在DSP或CPU上的执行效率都不够高,因此需要使用专用加速器芯片来实现高效率SLAM。随着室内导航应用在机器人和AR/VR设备上的普及,我们可望见到SLAM加速器芯片或专用IP进入相关设备SoC。

目前,室内导航SLAM芯片在学术界已经得到了广泛的重视,也有一些芯片研究发表在ISSCC或VLSI Symposium等重要的会议上。对于基于IMU和视觉的SLAM,MIT的Amr Suleiman在今年早些时候发表了Navion系列芯片,该芯片把IMU+视觉 SLAM的整个计算流水线都放到了芯片上,同时做了图像压缩、稀疏计算优化等优化,最终能实现低至2mW的计算功耗,因此非常适合微型无人机等需要SLAM但是对于功耗非常敏感的应用。

在纯视觉SLAM方面,由于没法借助IMU,而必须纯粹靠视觉特征点的匹配和位移去做运动轨迹估计,因此算法要更复杂一些。该领域的芯片最新的研究成果是密歇根大学发表在ISSCC 2019上的视觉SLAM加速芯片,该芯片使用卷积神经网络做特征提取,并且对于特征点匹配、深度估计等都做了相应优化,最终整体芯片的功耗仅240mW。

展望未来

随着下一代智能设备和机器人应用的普及,我们认为相应的室内定位和室内导航专用硬件会成为一个专门的品类,而相应的芯片也会有可观的出货量,苹果的UWB室内定位芯片就是一个例子。

室内定位方面, 我们认为以UWB为代表的下一代室内定位芯片将会逐渐成为主流。室内定位芯片主要是射频系统芯片,我们认为中国半导体行业在该领域并不落后美国太多,因此如果UWB真正得到广泛认可我们期望看到许多中国芯片厂商成为该领域的重要出货商。

在室内导航方面,SLAM芯片实质上是专用的算法加速芯片,其本质类似于摄像头ISP。因此,该芯片的主要挑战不仅仅在于电路设计,而更在于算法的选择和参数调优,我们认为一旦有了公认的主流算法,那么中国半导体行业在相应的芯片设计方面将会很快占据主导地位。这一点其实和人工智能芯片很像,在卷积神经网络确定成为主流算法之后,中国已经诞生了许多家能走在世界前列的人工智能芯片公司。我们认为一旦室内导航SLAM系统和算法确定之后,中国芯片公司也将会成为主流供货商。

半导体行业观察
半导体行业观察

最有深度的半导体新媒体,实时、专业、原创、深度,30万半导体精英关注!专注观察全球半导体最新资讯、技术前沿、发展趋势。

产业机器人无人机室内定位GPS
相关数据
图像压缩技术

图像压缩是数据压缩技术在数字图像上的应用,目的是减少图像数据中的冗余信息,从而用更加高效的格式存储和传输数据。图像压缩可以是有损数据压缩也可以是无损数据压缩。

人工智能技术

在学术研究领域,人工智能通常指能够感知周围环境并采取行动以实现最优的可能结果的智能体(intelligent agent)

参数技术

在数学和统计学裡,参数(英语:parameter)是使用通用变量来建立函数和变量之间关系(当这种关系很难用方程来阐述时)的一个数量。

室内定位技术

在室内环境无法使用卫星定位时,使用室内定位技术作为卫星定位的辅助定位,解决卫星信号到达地面时较弱、不能穿透建筑物的问题。最终定位物体当前所处的位置。

神经网络技术

(人工)神经网络是一种起源于 20 世纪 50 年代的监督式机器学习模型,那时候研究者构想了「感知器(perceptron)」的想法。这一领域的研究者通常被称为「联结主义者(Connectionist)」,因为这种模型模拟了人脑的功能。神经网络模型通常是通过反向传播算法应用梯度下降训练的。目前神经网络有两大主要类型,它们都是前馈神经网络:卷积神经网络(CNN)和循环神经网络(RNN),其中 RNN 又包含长短期记忆(LSTM)、门控循环单元(GRU)等等。深度学习是一种主要应用于神经网络帮助其取得更好结果的技术。尽管神经网络主要用于监督学习,但也有一些为无监督学习设计的变体,比如自动编码器和生成对抗网络(GAN)。

卷积神经网络技术

卷积神经网路(Convolutional Neural Network, CNN)是一种前馈神经网络,它的人工神经元可以响应一部分覆盖范围内的周围单元,对于大型图像处理有出色表现。卷积神经网路由一个或多个卷积层和顶端的全连通层(对应经典的神经网路)组成,同时也包括关联权重和池化层(pooling layer)。这一结构使得卷积神经网路能够利用输入数据的二维结构。与其他深度学习结构相比,卷积神经网路在图像和语音识别方面能够给出更好的结果。这一模型也可以使用反向传播算法进行训练。相比较其他深度、前馈神经网路,卷积神经网路需要考量的参数更少,使之成为一种颇具吸引力的深度学习结构。 卷积网络是一种专门用于处理具有已知的、网格状拓扑的数据的神经网络。例如时间序列数据,它可以被认为是以一定时间间隔采样的一维网格,又如图像数据,其可以被认为是二维像素网格。

无人机技术

无人机(Uncrewed vehicle、Unmanned vehicle、Drone)或称无人载具是一种无搭载人员的载具。通常使用遥控、导引或自动驾驶来控制。可在科学研究、军事、休闲娱乐用途上使用。

定位技术技术

通常是指机器人领域的定位技术,see SLAM for details

百度机构

百度是全球最大的中文搜索引擎,是一家互联网综合信息服务公司,更是全球领先的人工智能平台型公司。2000年1月1日创立于中关村,公司创始人李彦宏拥有“超链分析”技术专利,也使中国成为美国、俄罗斯、和韩国之外,全球仅有的4个拥有搜索引擎核心技术的国家之一。

https://www.baidu.com/
推荐文章
暂无评论
暂无评论~