Schlüsseltechnologien für robotische Systeme der nächsten Generation

Da robotische Systeme von Forschungslaboren in kommerzielle Einsätze in Fertigung, Logistik und Dienstleistungen übergehen, ist es entscheidend, die verbleibenden Hindernisse zu identifizieren, die eine breite Einführung noch begrenzen.

Obwohl sowohl Hardware als auch Software erhebliche Fortschritte gemacht haben, treibt die rasante Designentwicklung Roboter in Bereichen wie Landwirtschaft, Lagerhaltung, Last-Mile-Lieferung, Inspektion und intelligente Fertigung zu größerer Nützlichkeit und Intelligenz.

In der Praxis nimmt ein Roboter Daten von Sensoren und Kameras auf, lokalisiert sich selbst, nimmt die Umgebung wahr, sagt die Bewegung naher Objekte voraus und plant sichere, koordinierte Bewegungen – all das erfordert erhebliche Rechenleistung und Energie.

Der Energieverbrauch robotischer Plattformen lässt sich in drei Hauptkategorien unterteilen: Antriebsmotoren und -controller, Sensorsysteme und Verarbeitungseinheiten. Eine neue Generation energiesparender, hochpräziser Sensoren wird benötigt, um die Orientierung und Position des Roboters effizient zu bestimmen, während die Verarbeitungsplattformen Leistung und Energieverbrauch in Einklang bringen müssen, insbesondere da Roboter typischerweise mit moderaten Geschwindigkeiten fahren.

An diesem kritischen Punkt erweist sich der System-on-Chip (SoC) als zentrales Element, das diverse Sensormodule und leistungsstarke KI-Engines integriert und damit die nächste Welle kommerzieller Roboter ermöglicht.

Forderung nach SoCs der nächsten Generation

Roboteroperationen erfordern oft die gleichzeitige Echtzeitausführung von Dutzenden Algorithmen – einschließlich Odometrie, Pfadplanung, Bildverarbeitung und Wahrnehmung. Diese Komplexität verlangt nach SoCs, die eine beispiellose Integration bieten und spezialisierte Funktionen wie Sparse Coding, Pfadplanung und Simultaneous Localization and Mapping (SLAM) unterstützen.

Qualcomms SDA/SDM845-Chip (Abbildung 1) veranschaulicht diesen Integrationssprung. Sein Octa-Core-Kryo-CPU taktet mit 2,8 GHz, ergänzt durch einen Hexagon 685 DSP für KI-Verarbeitung auf dem Gerät und einen für mobile Geräte optimierten Computer-Vision-Stack für Wahrnehmung, Navigation und Manipulation. Ein dualer 14-Bit-Spectra-280-Bildsignalprozessor (ISP) verarbeitet bis zu 32-Megapixel-Kameras und 4K-Video mit 60 fps.

Abbildung 1: Die architektonischen Bausteine des Qualcomm SDM845-Chips für Robotik-Designs (Bild: Qualcomm)

Die Plattform umfasst zudem eine Secure Processing Unit (SPU), die sicheren Boot, kryptografische Beschleunigung und eine Trusted Execution Environment (TEE) bereitstellt. Konnektivität wird durch Wi-Fi abgedeckt, mit Plänen zur Ergänzung durch 5G für latenzarme, hochdurchsatzstarke Kommunikation in industriellen Umgebungen.

Qualcomms Robotics RB3-Plattform baut auf dem SDA/SDM845 auf, gekoppelt mit dem DragonBoard 845c Entwicklungsboard und Kit für schnelles Prototyping.

Nvidias Jetson Xavier (Abbildung 2) zeigt eine weitere hochintegrierte Lösung, die auf Liefer- und Logistikroboter abzielt. Das Modul enthält 9 Milliarden Transistoren und liefert über 30 Billionen Operationen pro Sekunde (TOPS), mit einem Acht-Core-ARM64-CPU, einer Volta-Tensor-Core-GPU, dualen NVIDIA-Deep-Learning-Beschleunigern (NVDLA), einem Bildprozessor, einem Vision-Prozessor und einem Videoprozessor.

Abbildung 2: Das 80 × 87 mm große Jetson Xavier-Modul liefert Workstation-Leistung in einem Bruchteil der Größe (Bild: Nvidia)

Diese Beispiele verdeutlichen, dass KI-Beschleuniger in SoCs und Modulen unverzichtbar sind, um Roboter in die Lage zu versetzen, Sensordaten zu fusionieren, sich zu lokalisieren, zu kartieren und präzise zu navigieren.

KI-Integration: noch in Entwicklung

KI ist entscheidend, um die Reaktionsfähigkeit und Genauigkeit eines Roboters zu erhöhen, besonders bei Objekterkennung und -klassifizierung. Durch den Verzicht auf starre Programmierung ermöglicht KI Robotern, natürlicher und präziser mit ihrer Umgebung zu interagieren.

Dennoch müssen Designer zusätzliche KI-Fähigkeiten einbetten, ohne Bauteilgröße oder Stromverbrauch aufzublähen. Zudem können große Formfaktoren die kommerzielle Einführung behindern.

Abbildung 3: KI-Module müssen Leistung, Größe und Stromverbrauch in Einklang bringen, um Marktanforderungen zu erfüllen.

Eine weitere Hürde ist die Gewährleistung breiter KI-Framework-Unterstützung, da industrielle und Dienstleistungsroboter zunehmend auf Inferenzmodelle für Orientierung und Positionierung angewiesen sind.

Intelligente Sensoren erforderlich

Roboter wie autonome Staubsauger und Hoverboards verlangen hochstabile, leistungsstarke Sensoren, die starken Vibrationen standhalten. Die Erzielung hochpräziser Sensorverarbeitung treibt oft sowohl Kosten als auch Entwicklungszeit in die Höhe, wenn softwarebasierte Steuerung verwendet wird.

Daher sind integrierte Sensormodule unerlässlich. Für die RB3-Plattform liefert InvenSense (inzwischen ein TDK-Unternehmen) eine Suite energiesparender, eng abgestimmter Sensoren und Mikrofone mit hohen akustischen Überlastpunkten.

Die RB3 nutzt InvenSenses 6-Achsen-IMUs – ein Trio aus Gyroskopen und Beschleunigungsmessern – neben einem kapazitiven barometrischen Drucksensor und multimodalen digitalen Mikrofonen. Diese IMUs ermöglichen Echtzeit-Takt-basiertes Positionieren, während der Drucksensor eine Höhenauflösung von 10 cm erreicht.

Roboter setzen zunehmend auf intelligente Sensor- und Kamerasysteme mit SLAM-basierter Navigation, um zuverlässig in komplexen realen Umgebungen zu operieren. Machine-Learning-Fähigkeiten werden in 3D-Visionskameras eingebettet, um die Wahrnehmung weiter zu verbessern.

Designer müssen weiterhin Kompaktheit und niedrigen Stromverbrauch priorisieren, um sicherzustellen, dass hochauflösende Sensoren nahtlos über Standard-Digitalbusse mit Robotercontrollern kommunizieren.

Wie bei KI befinden sich intelligente Sensoren und Kameras noch in frühen Phasen, aber die Branche erwartet bis 2020 eine deutliche Reife mit geringeren Kosten und höherer Genauigkeit.

Mit der Reife von Sensoren und KI werden Roboter von eigenständigen autonomen Einheiten in Lagern und Fabriken zu kollaborativen Partnern in verbraucher- und industriellen Landschaften übergehen.