专访 INDEMIND:「AI+双目视觉」才是扫地机最佳避障方案 

近年来,在消费升级与“懒人经济”的双重促动下,“解放双手”、“高效清洁”等特性加身的扫地机器人不断攻城略地,已然成为了消费者日常家庭清洁的得力帮手。然而,伴随产品的普及,用户认知的提高,扫地机器人市场增速正呈现放缓趋势。

据奥维云网数据显示,2019年1-11月,扫地机器人全渠道销量558.5万台,同比微增1.9%,总销售额71.1亿元,同比微增2.0%;量额增速相较去年的50%左右,出现了极为明显的下滑。市场增速放缓,产业竞争加剧,正在经历新一轮洗牌的扫地机器人行业将如何继续前行?如何以技术为突破,挽回用户口碑,促动新一轮行业增长?

带着这些问题,我们采访了立体视觉方案提供商INDEMIND联合创始人姜文先生。

“与其说行业放缓,不如说用户对产品的要求越来越来高”

采访伊始,姜文便向我们分析扫地机器人当前的行业问题。在他看来,用户对扫地机器人的认知已经从尝鲜阶段进入到了实用阶段。“2018年开始,扫地机器人产品开始出现转型升级,如增加水箱、提升吸力、增加除螨等功能,这些都属于常规提升,虽然能在一定程度上能打动用户,但产品本质变化不大,而随着智能化家电的普及,用户对“智能”有了更高的要求。面对用户需求,行业须不断进行技术创新与升级。” 

姜文表示,扫地机每一轮技术升级的背后都是以用户需求为驱动。从1997年伊莱克斯的“三叶虫”创新推出自动回充,防跌落等功能,到1998年iRobot的陀螺仪随机清扫,边刷辅助功能,再到当下以LDS或VSLAM为代表的全局导航规划,每一轮的技术创新都旨在为用户解决实际使用问题。

经过几轮重要的技术升级,目前主流产品在清洁能力、导航能力、续航能力和操作便捷性四个方面已经达到较高水平,清洁功能已能够满足用户日常家庭需求,而使用过程中,因误扫、误触引发的故障依旧是用户解放双手的一大阻力,因此,扫地机行业将目光都集中在了扫地机的另一个重要功能上——避障。

以AI+立体视觉技术解决扫地机避障痛点

姜文告诉我们,误扫、误触不仅是用户痛点,同时也是行业亟待解决的问题。

目前,无论是激光导航方案、激光雷达+单目视觉或ToF融合方案,其主要传感器多位于扫地机器人顶部,其可视角度在垂直方向较小,无法实现大范围障碍物检测。对于低于或略高于(高于机身,但会碰到激光雷达传感器)机身的障碍物,例如柜底边缘、近地处的电线等障碍物,扫地机器人检测效果较差。因此,扫地机被柜底卡住、被线体缠绕等问题时有发生。另外,多数机型对于近处的障碍物采用的是试探性碰撞的方式,此模式下房间内易碎物品的安全性难以保证。

INDEMIND给出的解决办法是:通过立体视觉技术,用大视角双目摄像头采集扫地机周围环境图像,扩大障碍物检测范围,并根据深度解算技术,求出障碍物具体位置。同时利用视觉系统采集的丰富环境信息,结合AI物体识别算法,帮助机器人精准获取的障碍物属性信息,以此实现扫地机无碰撞的主动智能避障。

“我们近期发布了双目避障模组,这是一款专为扫地机避障而研发设计的双目视觉硬件,它不仅能为扫地机提供大范围的障碍物检测,配合轻量级物体识别算法,还支持家庭场景下的物体识别,可谓是当前扫地机避障最佳方案。”姜文说。

据了解,INDEMIND双目避障模组具有以下几个方面突出的特点:

  1. 大范围障碍物检测:模组提供0.05-1.5米范围内深度误差<1%的深度解算功能,无需试探碰撞,即可获取障碍物具体位置,提前规划避障路线。
  2. 内置专为家居场景研发训练的物体识别卷积神经网络模型:支持识别100余种常见家用物体品类,识别精度<2cm,可快速识别数据线、电线、鞋子、宠物粪便等障碍物,从而执行主动识别避障,避免因误扫、误触引发的扫地机故障。
  3. 标配IR主动探测器:有效增强白墙和无纹理物体的识别精度,进一步提升扫地机避障性能。
  4. 易集成:提供易于二次开发的多平台算法SDK,方便厂商快速实现对自身产品的对接适配。

目前,INDEMIND已经与扫地机领域部分头部企业客户展开合作。

INDEMIND
INDEMIND

专注于计算机视觉及嵌入式感知计算平台研发与应用,机器人时代已来,INDEMIND将赋予机器人更稳定的视觉感知,分享最新技术,深层次探讨机器人的更多应用!

产业物体识别激光雷达INDEMIND
1
相关数据
激光雷达技术

自动驾驶车辆传感器的一种,采用激光扫描和测距来建立车辆周围环境的详细三维模型。Lidar 图像具有高度准确性,这使得它可以与摄像头、超声波探测器和雷达等常规传感器相提并论。然而激光传感器面临体积过大的问题,同时,它的机械结构非常复杂。

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)

规划技术

人工智能领域的「规划」通常是指智能体执行的任务/动作的自动规划和调度,其目的是进行资源的优化。常见的规划方法包括经典规划(Classical Planning)、分层任务网络(HTN)和 logistics 规划。

计算机视觉技术

计算机视觉(CV)是指机器感知环境的能力。这一技术类别中的经典任务有图像形成、图像处理、图像提取和图像的三维推理。目标识别和面部识别也是很重要的研究领域。

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。

物体识别技术

计算机视觉领域的一个分支,研究物体的识别任务

人机交互技术

人机交互,是一门研究系统与用户之间的交互关系的学问。系统可以是各种各样的机器,也可以是计算机化的系统和软件。人机交互界面通常是指用户可见的部分。用户通过人机交互界面与系统交流,并进行操作。小如收音机的播放按键,大至飞机上的仪表板、或是发电厂的控制室。

移动机器人技术

移动机器人是一种能够移动的自动机器。移动机器人具有在其环境中移动的能力,并且不固定到一个物理位置。移动机器人可以“自动”主要是指它们能够在没有物理或机电引导装置的情况下导航非受控环境。相比之下,传统的工业机器人或多或少都是固定的(stationary)机械臂或抓取组件。

推荐文章
暂无评论
暂无评论~