传感器融合增强了自主移动机器人的导航和安全性

AMR 的应用前景很有希望，但也面临挑战

AMR具备一些应用特点，可以降低成本、提升安全性以及提高效率，因此越来越多的行业开始采用它。根据调查，2022年全球AMR市场估值为86.5亿美元，预计2022年至2028年的复合年增长率（CAGR）将达到18.3%。尽管AMR的发展前景十分可观，但在采用AMR时仍面临许多挑战。

采用AMR的主要挑战在于其运行的应用和环境的多样性。AMR的常见用途包括仓库、农业技术、商业景观美化、医疗保健、智能零售、安全与监控、配送、库存管理以及分拣和分类作业。在所有这些不同的环境中，AMR需要安全地在人群周围运行。

然而，这些应用场景的复杂性使得AMR（自主移动机器人）的工作极具挑战性。对于人类来说，有些情况是理所当然的，但对于AMR而言，可能会很难应对。例如，想象一个配送机器人正在送包裹，结果在路中间发现一个球。机器人很有可能可以识别出这是一个球，并避开它，但它是否足够智能以预见可能会有一个孩子跑出来捡这个球呢？像这样的复杂情境还有很多。比如，AMR能否利用并识别安装在路边杆子上的90度反射镜，从而观察拐角处的情况并提前预测交通状况？AMR能否理解它不应该走到刚刚浇筑的混凝土上？这些对人类来说稀松平常，但对AMR来说却是巨大的挑战。

也许这些对人类来说容易理解的情境，对于机器人来说会更具挑战性。然而，通过合适的传感器，AMR（自主移动机器人）可能比人类更容易在明亮的阳光下检测到物体。但识别刚刚浇筑的混凝土和洒出的液体可能会比较困难。此外，边缘、悬崖、斜坡和楼梯也对AMR构成挑战。此外，还有一些特殊情况，例如有人故意破坏AMR，这就需要设计逃生机动系统来应对。解决上述许多挑战将需要人工智能使用最先进的大型语言模型（LLM）和各种高性能传感器。

用于AMR的高性能传感器各有其优缺点

AMR 可以使用不同类型的传感器来检测环境，这些传感器需要在提供距离和深度测量的同时执行同时定位与建图（SLAM）。重要的传感器指标包括物体检测、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运行的能力。

可用于AMR（自主移动机器人）的传感器类型包括CMOS成像、直接飞行时间（dToF）和间接飞行时间（iToF）深度传感、超声波、雷达、电感定位、蓝牙®低功耗（Bluetooth LE）技术、惯性传感器等。每种传感器类型都有其自身的优点和缺点。

例如，雷达在弱光或恶劣天气条件下提供了出色的距离和速度性能，但其颜色检测能力较差，初始成本较高，并且体积相对较大（这对于AMR来说是一个重要的考虑因素）。由于高产量的CMOS硅晶圆工艺，LiDAR 的初始成本相对较低，并且在夜间和直射阳光下表现良好，但在物体分类方面效果较差。另一方面，iToF深度传感器提供了出色的分辨率和低功耗处理能力。

显然，仅使用单一类型的传感器无法为AMR（自主移动机器人）提供解决上述所有挑战所需的全部信息。根据具体的应用和环境，AMR需要多种甚至多类型的传感器。这些传感器并非独立运行，而是通过一种称为传感器融合的过程协同工作。

自主移动机器人如何实现传感器融合

传感器融合是将两个或更多数据源（来自传感器和/或算法或模型）结合起来的过程，以更好地理解系统及其周围环境。在自主移动机器人（AMR）中，传感器融合至关重要，因为它提供了更高的可靠性、冗余性，并最终提升了安全性，同时确保评估结果更加一致、准确和可靠。

传感器融合结合了两项功能：数据收集和数据解释。在传感器融合中，“解释数据”步骤需要实现一种算法或模型。有时，传感器融合的结果是为人类习惯设计的，例如用于汽车辅助；有时则是为进一步的机器应用设计的，例如安全系统中的人脸识别。

传感器融合具有多种优势，例如减少信号噪声。同质传感器融合可以减少不相关的噪声，而异质传感器融合可以减少相关的噪声。由于其固有的特性，传感器融合通过冗余提高了可靠性。由于至少有两个传感器，如果一个传感器的数据丢失，检测质量可能会下降，但由于其他传感器的数据仍然可用，因此不会完全失效。传感器融合还可以用于估计未测量的状态，例如，当一个物体或部分物体被摄像头遮挡视线时，或者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，传感器融合能够维持一定程度的检测性能。

由于这些优势以及市场加速采纳，传感器融合领域出现了一些新兴趋势，包括利用人工智能驱动的算法、增强的物体检测与分类、将传感器融合与多种传感器模式结合以实现协作感知，以及在不利环境条件下的环境感知。传感器融合可以实现360度全景视图，并支持实时传感器校准等功能。

提供完整的传感器融合解决方案

AMR 中的传感器融合旨在对工业和运输应用产生重大影响。在迈向工业5.0的过程中，onsemi 致力于提供传感器和子系统，以确保高效的实施。onsemi 的子系统解决方案也非常多样化，从坚固的高分辨率成像系统，到高功率电机控制，以及紧凑高效的电池充电解决方案，这些都建立在服务汽车行业数十年的经验基础之上。onsemi 的解决方案协同工作，确保开发更加简单，并使工业机器人足够适应性强且可靠，以在最恶劣的环境中运行。

自主移动机器人与自动驾驶汽车具有类似的功能，是由多个子系统组成的复杂设计，使机器人能够以最少的人类干预情况下安全地移动、观察和操作。安森美通过可靠的智能电源和传感解决方案简化了这一复杂性，为您的设计提供必要的基础组件。

传感器融合的核心是传感器。如果传感器的数据质量不佳，即使是最先进的算法也无法产生高质量的结果。幸运的是，安森美 (onsemi) 提供了世界一流的传感器和工具包，以支持在AMR中的传感器融合。

安森美 (onsemi) 是智能感测技术的领军企业，提供种类丰富的滚动快门和全局快门图像传感器，其在动态范围和运动唤醒等功能上具有行业领先的性能，满足从可穿戴设备和消费电子产品到高要求的工业和汽车应用等多种潜在终端应用的需求。

除了图像传感器之外，安森美还提供用于范围检测（LiDAR）的硅光电倍增管 (SiPM)。该产品组合包括超声波传感器、电感式传感器以及支持蓝牙® LE 技术的微控制器，并支持用于位置定位的 AoA（到达角）和 AoD（离开角）。

一个具体的例子是NCV75215，这是一款适用于超声波停车距离测量应用的应用专用标准产品（ASSP）。它可以与压电超声波传感器协同工作，在车辆/自动移动机器人（AMR）停车过程中提供障碍物距离的飞行时间测量。该产品具有高灵敏度和低噪声工作特点，可在标准75毫米杆上检测距离范围为0.25米至4.5米，实际最小检测距离取决于混响的长度。在理想条件下，配备精确调谐和匹配的外部电路时，最小检测距离可达到0.2米，而实际检测范围则取决于压电超声波换能器和外部模拟部分。

该设备通过变压器以可编程频率驱动超声波换能器。接收到的回波会被放大、转换为数字信号、过滤、检测，并与存储在内部 RAM 中的时间相关阈值进行比较。通过从发射脉冲到回波识别的时间，可以确定与障碍物的距离。内置的双向 I/O 线路可用于与主设备（ECU）通信。主设备向 NCV75215 发送 I/O 线路命令，数据通过同一线路返回。

结论

自主移动机器人（AMR）有许多应用场景，其采用速度正在加快，同时也涌现出一系列支持这种快速采用的最佳实践。首先，必须控制环境以减少AMR可能遇到的潜在碰撞。例如，可以在制造或仓储设施中为AMR/自动导引车辆（AGV）划定行驶路径。其次，在开发过程中使用数字孪生技术至关重要，这可以模拟精确的使用场景，包括极端情况。最后，将传感器融合与智能传感器、算法和模型相结合是至关重要的。安森美（onsemi）可以提供完整的传感器融合解决方案，包括与图像传感器结合的高分辨率成像系统、高功率电机控制和高效紧凑的电池充电解决方案，所有这些均能满足AMR应用的各种需求。如果您有相关需求，请联系Arrow或安森美（onsemi）以获取更多产品和应用信息。