當今，隨著經(jīng)濟的不斷發(fā)展和科技水平的不斷提升，傳感器和機器人等技術(shù)得到了很大的發(fā)展。相信在未來，傳感器和機器人等技術(shù)會得到更大的發(fā)展。作為傳感器家族的一員的嵌入式傳感器在未來將會成為機器人技術(shù)發(fā)展的核心。

根據(jù)市場研究和戰(zhàn)略咨詢公司Yole development pement (Yole)的預(yù)測，在這種情況下，高端傳感器技術(shù)和原始計算能力將成為這場正在進行的市場顛覆的中心，用于機器人車輛的傳感器將成為它們自己的產(chǎn)業(yè)，在未來15年內(nèi)，CAGR將達到51%。在一份名為《機器人移動傳感器2020》的新報告中表示，到2024年，傳感器預(yù)計將產(chǎn)生9億美元的收入，到2028年將達到34億美元， 2032年將達到170億美元，屆時將有100萬輛機器人汽車在我們的街道上行駛。

2024年傳感器的收入分為4億美元的激光雷達，6000萬美元的雷達，1.6億美元的相機，2.3億美元的IMU和2000萬美元的GNSS設(shè)備。不同的傳感器模式之間的分歧在未來15年可能不會保持不變。在Yole看來，智能交通的發(fā)展面臨哪些挑戰(zhàn)呢?報告稱，目前的交通方式正面臨五大限制。

第一個問題涉及最脆弱的形式，即行人安全正在惡化。第二，在人們現(xiàn)在生活的主要城市，公共交通在效率和成本方面面臨挑戰(zhàn)。第三，汽車不再像過去那樣是解決交通問題的好辦法。擁堵和擁有成本正在削弱這一選擇。第四，航空運輸目前正在快速擴張，但由于城市到機場的連接仍然很差，旅行仍然很困難。第五，由于所有現(xiàn)有的交通工具造成的二氧化碳排放使得緊急改變變得至關(guān)重要。監(jiān)管者和消費者都愿意在自上而下和自下而上的方式上做出改變。

Yole首席分析師Pierre Cambou表示，移動行業(yè)必須去適應(yīng)，對一些人來說，這將是一個巨大的機會?！霸谶@方面，機器人的靈活性顯然符合所有的標準。無論是機器人汽車、航天飛機還是電動VTOL飛機，所有這些新模式的結(jié)合將提供從城市到郊區(qū)、從城市到城市的“MaaS”。以前的移動方式不會消失，就像電影仍然存在，而電視被大規(guī)模部署。不管反對者怎么說，機器人汽車技術(shù)將在2032年之前為Netflix提供移動服務(wù)?！?

他補充到:“我們的街道和城市正面臨混亂的情況。多年來，機動性定義了人類組織社會的方式，我們的世界目前正圍繞新一代機器人交通工具重新構(gòu)想?！癕aaS市場預(yù)計將在未來10年內(nèi)達到2.4萬億美元的價值，谷歌、百度、亞馬遜和優(yōu)步是熱門公司。加上個人擁有的自動駕駛汽車的銷售將產(chǎn)生1.1萬億美元的額外收入，到2032年，自動駕駛的附加價值將達到3.5萬億美元。

Yole表示，機器人汽車不關(guān)注成本和長期可靠性問題，而這是其他汽車主要關(guān)注的問題。所有重要的是傳感器套件的即時可用性、性能和可支持性。機器人傳感器的數(shù)據(jù)流受到下游計算能力的限制。前幾代機器人的速度是每秒幾百TOPS，而最新的機器人速度是每秒1000次。這在傳感器數(shù)據(jù)流方面帶來了有限的增長，這與Yole所說的“摩爾定律之外”有關(guān)。所需的計算能力隨數(shù)據(jù)流輸入的平方而增加。傳感攝像頭、雷達和激光雷達的數(shù)量增長將遠遠慢于機器人車載計算機的性能。

解決數(shù)據(jù)稀疏問題的方法是讓機器人專家使用“更好的”數(shù)據(jù)，即傳感器，它會帶來其他類型的信息。信息的質(zhì)量提高了，而不是數(shù)量。除了工業(yè)級相機和雷達外，它們還大量使用3D傳感l(wèi)idars、導航級GNSS設(shè)備和IMU，以及最近出現(xiàn)的熱紅外相機。視覺和視覺智能市場繼續(xù)快速發(fā)展，有一些引人注目的技術(shù)趨勢正在發(fā)生，預(yù)計它們將推動多年以來的下一個大規(guī)模增長。

3D相機和3D感測：3D相機或更一般的3D感測技術(shù)允許場景中深度計算和場景3D地圖的構(gòu)建。這項技術(shù)已經(jīng)存在一段時間了，在微軟的Kinect等游戲設(shè)備中已經(jīng)普遍應(yīng)用，最近在iPhoneX生物特征識別中也有應(yīng)用。此外，機器人、無人機和帶有3D攝像頭的自動駕駛汽車可以識別物體的形狀和大小，用于導航，繪圖和障礙物探測。同樣，3D相機和立體相機是增強、虛擬和混合現(xiàn)實的支柱。

邊緣和云中的深度學習：基于神經(jīng)網(wǎng)絡(luò)的人工智能已經(jīng)風靡全球，而今天可用的計算能力又使得深度學習成為可能。還有其他因素促成了神經(jīng)網(wǎng)絡(luò)在實際應(yīng)用中的增長，包括大學和大型公司用于培訓和尖端研發(fā)的大量數(shù)據(jù)(視頻、照片、文本)，以及它們對開放源代碼的貢獻。這反過來又引發(fā)了神經(jīng)網(wǎng)絡(luò)的很多實際應(yīng)用。事實上，對于機器人、自動駕駛汽車和無人機，在邊緣的GPU/SoCs上運行深度學習推理已經(jīng)成為常態(tài)。云將繼續(xù)用于訓練深度學習以及離線存儲數(shù)據(jù)的視頻處理，只要網(wǎng)絡(luò)延遲和視頻管道延遲被認為是可接受，邊緣和云之間的分離架構(gòu)處理也是可能的。

同步定位和測繪(SLAM)在汽車、機器人、無人機中的應(yīng)用：同步定位和測繪(SLAM)是自動駕駛車輛、機器人和無人機的關(guān)鍵部件，這些車輛、機器人和無人機配備有各種類型的攝像頭和傳感器，例如雷達、激光雷達、超聲波等。AR/VR與感知計算：想想微軟全息透鏡HaloLink，后面是什么?六個帶有深度傳感器組合的攝像頭。微軟甚至宣布在英國劍橋開設(shè)全息透鏡計算視覺研究中心。