センサフュージョン：自律走行ロボットのナビゲーションと安全性の向上

自主移动机器人 (AMR) 可帮助制造商提高生产效率、增强安全性并节省大量成本，因而在各行各业得到广泛应用。2022 年全球 AMR 市场规模为 86.5 亿美元，预计2022 年至 2028 年间的复合年增长率 (CAGR) 将达到 18.3%。

进入工业 5.0 时代，人类将与人工智能 (AI) 机器人协同工作，机器人辅助而非取代人类。愿景固然美好，但要实现这一目标，AMR 必须克服重重挑战，集成各种传感器以及新兴的传感器融合技术将为此提供助益。

AMR 采用过程中所面临的挑战

AMR 普及的一大难题是其在多种不同应用和环境中的适应性。AMR 已广泛应用于仓库、农业技术、商业园林绿化、医疗保健、智能零售、安防和监控、配送、库存管理、拣选和分类等多个领域。在这些不同的环境中，AMR 需要安全地与人类共处。

此外，复杂的情境也极大地增加了 AMR 的工作难度。有些情况人类可以轻松应对，但对 AMR 而言却并非易事。例如，假设送货机器人在配送最后一个包裹的途中看到路中间有个球，它可能会成功识别这一障碍物并避免碰撞。但其智能化程度是否足以预判会有小孩跑出来捡球呢？类似这样的复杂情境还有很多：AMR 能否利用安装在柱子上的 90 度反光镜观察弯道的交通状况并做出预测？AMR 是否知道自己不能在新浇筑的混凝土上行走？

人类很容易作出判断，但机器人却难以应对。然而，若配备了合适的传感器，AMR 在强日光下检测物体的能力可以超越人类。不过，浇筑的混凝土和喷洒的液体仍然比较难以识别。边缘、悬崖、坡道和楼梯对于 AMR 来说都是挑战。还有一些特殊情况，比如有人故意搞破坏，将 AMR 推翻，这也是早期开发逃逸机动系统的缘由。

要想解决这些挑战，需要在 AI 技术中采用先进的大型语言模型 (LLM) 和各类高性能传感器。

用于 AMR 的高性能传感器

AMR 需要使用不同类型的传感器进行同步定位与地图构建 (SLAM)，并提供距离和深度测量。传感器的重要指标包括物体检测、物体识别、颜色识别、分辨率、功耗、尺寸、成本、范围、动态范围、速度以及在各种光照和天气条件下的适应性。

可用于 AMR 的传感器模式包括：

• CMOS 成像
• 直接飞行时间 (dToF) 和间接飞行时间 (iTOF) 深度感知
• 超声波
• 雷达
• 电感定位
• 低功耗蓝牙® (Bluetooth LE) 技术
• 惯性

上述模式各有其优缺点。例如，雷达能在弱光或恶劣天气条件下有效测量范围和速度，但颜色检测能力较差，初始成本高，且体积较大，而这在 AMR 设计中是一个重要考虑因素。激光雷达采用大批量 CMOS 硅铸造工艺，因此初始成本相对较低，且能够在夜间/直射阳光下进行检测，但在物体分类方面表现欠佳。同样，iToF 深度传感器具有出色的分辨率和低功耗处理能力。

显然，要为 AMR 提供全面的信息以应对上述挑战，仅靠单一的传感器模式无法满足需求。根据应用和环境的不同，AMR 需要使用多种传感器模式。这些传感器不会单独运行，而是通过“传感器融合”共同发挥作用。

传感器融合如何赋能自主移动机器人

传感器融合是指将两个或多个数据源（来自传感器和/或算法或模型）组合，以更好地了解系统及其周围环境。AMR 中的传感器融合不仅可以提升可靠性、冗余度并最终确保安全性，还可以提高评估的一致性、准确性和可信度，是一项必不可少的技术。

如下图 1 所示，传感器融合结合了数据收集和数据解释两个功能。

在传感器融合中，“解释数据”的步骤需要实现算法或模型。有时传感器融合的结果直接为人类提供有用信息（如倒车辅助），有时则供机器作进一步处理（如安防系统中的人脸识别）。

传感器融合具有多种优势，例如降低信号噪声。同质传感器融合可以降低非相关噪声，而异构传感器融合可以降低相关噪声。

传感器融合本质上可通过冗余来提高可靠性。传感器的数量至少有两个，这意味着即使其中一个传感器的数据丢失，虽然数据质量降低，但系统仍可利用其他传感器提供的数据继续工作。传感器融合还可用于预估无法直接测量的状态，如遮挡（当摄像头无法观察到物体或物体的一部分时）和反射（当物体或表面将光线从一个摄像头反射到另一个摄像头时）。

鉴于以上优势，且随着采用率日益增长，传感器融合领域已呈现以下趋势：

• 采用 AI 驱动的算法
• 增强物体检测和分类能力
• 传感器融合用于实现协同感知
• 多种传感器模式
• 恶劣条件下的环境感知
• 传感器融合用于实现 360 度环视
• 实时传感器校准

传感器融合的核心在于传感器本身，如果获取的数据不理想，再好的算法也无法生成高质量的结果。令人欣喜的是，安森美 (onsemi) 提供了一系列出色的传感器和工具，支持将传感器融合技术用于AMR中。

总结

自主移动机器人应用场景多样，采用率加快提高。为顺应趋势，行业已形成了相关的最佳实践。首先，对环境实施控制，以减少 AMR 可能遇到的潜在碰撞情形。例如，可以在制造设施或仓库中为 AMR/自动引导车辆 (AGV) 设定专门的路线。其次，在开发过程中使用数字孪生仿真实际使用场景（包括边界工况）。最后，将传感器融合与智能传感器、算法和模型相结合。

在智能感知技术领域，安森美一直走在前列。安森美提供各类卷帘快门和全局快门图像传感器，具有优异的动态范围性能，并配备运动唤醒等创新功能。除图像传感器外，安森美还提供用于距离检测的 SiPM（激光雷达）。该产品组合包括超声波传感器、电感传感器和采用低功耗蓝牙® 技术的微控制器，后者支持可用于定位的 AoA（到达角）和 AoD（出发角）。

AMR 中的传感器融合必将对工业和运输应用迈向工业 5.0 的进程产生重大影响，安森美致力于提供完备的传感器和子系统，确保一切顺利过渡。进一步了解我们的 AMR 方案和系统方案指南。

更多资源：

“驾驭未来的自主移动机器人”网络研讨会（点播）

智能移动机器人系统方案指南

机器视觉系统方案指南