傳感技術進一步擴大環(huán)境感知的應用機會

移動計算推動了產(chǎn)品機會的爆發(fā)——智能手機、可穿戴設備、可聽設備、運動相機等等。傳感技術將進一步擴大必須具有環(huán)境感知的應用機會?，F(xiàn)在，對于運輸、機器人、家庭自動化、智能城市、工廠和倉庫管理中許多可能的應用來說，通過視覺、雷達或激光雷達傳感來進行物體識別和碰撞警告，通過超聲波傳感器實現(xiàn)短距離的接近偵測，通過IMU進行運動和姿勢檢測，基于聲學的危險聲音檢測已經(jīng)很普遍了。說實話，這個清單是無窮無盡的。我們擁有建立一個由智能傳感驅(qū)動的未來主義的、幾乎是科幻小說的世界所需要的所有原材料。但是怎么做呢？

從感知到運動

想一想一個在機場周圍移動的機器人助手。幫助乘客辦理登機手續(xù)，找到他們的登機口，獲得航班的詳細信息。這個機器人必須在機場內(nèi)自由移動，不能撞到在各個方向行走或奔跑的人，或可能是靜止的或有時可能移動的物體。這個機器人助手應該知道如何在一個不斷變化的環(huán)境中進行智能導航。而且，它必須在一定的可能性范圍內(nèi)，能夠理解并響應自然語言的語音命令。我們將在下面討論這個問題。

光學和接近傳感器是智能導航技術的一個起點。這些傳感器信息輸入到一個被稱為SLAM的復雜算法中，并生成一個不斷移動變化的的空間的點陣云圖且隨之變化更新。弱光條件下，SLAM技術正越來越多地被航位推算所加強，因為在弱光條件下，光學的效果較差。這種方法從一個已知的位置追蹤運動，從車輪運動、加速計和其他傳感器中獲取信息。同時，接近傳感器提供輸入，避免撞上一個物體或一個人。我們已經(jīng)有多個傳感器向算法提供信息，以構建地圖和定位機器人助手在地圖中的位置。

基于攝像頭的SLAM需要高精度的線性方程求解，矢量DSP平臺很適合。基于超聲波的接近感測必須從降噪開始，在回聲和其他雜波中定位最近的物體，然后進行范圍（和方向）計算。這種信號處理非常適合于標量DSP。

從聲音到行動

一位乘客看到一個助手，就叫它過來：“嘿，Airbot！” 首先，助理必須識別這個命令和它的來源。這一步需要一些復雜的音頻處理，尤其是在機場航站樓這樣的嘈雜環(huán)境中。識別觸發(fā)語音命令是任何智能音箱中都會有的基本人工智能。機器人還可以通過beamforming“”波束成形技術檢測語音命令的來源方向。這個技術需要更多的信號處理，從多個麥克風在稍微不同的時間檢測到的識別命令中找出方向。

我們的機器人助手”滑行”到乘客身邊，沿途避開其他障礙物，在幾英尺遠的地方停下來，問道：“我能為你做些什么？” 它在屏幕上展示了一系列它知道如何回答的問題，然后乘客說，“我想辦理登機手續(xù)”。我們的機器人首先必須做一些更多的信號處理，以減少該音頻信號的噪音，部分通過波束成形，部分通過回聲消除。然后，它必須識別這個命令。

自然語言處理（NLP）可以在云端處理，但機場網(wǎng)絡有很大的負荷。因此，NLP必須在本地處理，以便快速響應。機器人應快速響應，以提供令人滿意的用戶體驗。它要求乘客直接看著它的屏幕，拍一張照片，然后要求乘客插入一個圖片ID，如護照身份頁。然后它可以比較這些圖片以增加安全性，這需要一個強大的可編程神經(jīng)網(wǎng)絡引擎。

辦理登機手續(xù)的剩余步驟？那就有傳統(tǒng)的嵌入式處理就夠了。

將一切結合起來

智能傳感設備必須使用一個支持同時處理多個傳感器的平臺。它應該為前端信號處理提供強大的標量DSP支持，為基于圖像的計算和SLAM提供矢量DSP支持。對語音和視覺人工智能的神經(jīng)網(wǎng)絡支持，也是一個矢量DSP，但對神經(jīng)網(wǎng)絡有特殊的擴展，同時在SDK中有豐富的軟件編譯器和庫，為你提供這些技術領域的所有基礎支持。

CEVA的 “SensPro2 ”是傳感平臺提供動力的方案之一。基于CEVA在視覺、音頻、SLAM和人工智能方面的強大背景，SensPro2是一款用于多任務傳感和多傳感器的人工智能（包括攝像頭、雷達、激光雷達、飛行時間、麥克風和慣性測量單元）的高度可擴展和增強的第二代高性能傳感器控制中心SensorHub DSP。

責任編輯：haq