機器人生態需要行業各個環節一起幫助，才能進行茁壯的成長。思嵐科技是一家定位于提供機器人的小腦和眼睛的公司，只是我們在整個機器人生態當中是處于核心的解決方案地位。今天，和大家介紹一下這么多年以來我們的導航定位技術在實際機器人當中遇到的挑戰，還有我們思嵐是如何解決的。今天主要的側重點是在它的可移動部分，這其實也就是順應了議程的““萬物有靈”，這個靈在思嵐看來是它的可移動性。

　　自主定位導航技術成機器人產品的焦點

　　高交會上可以看到很多智能機器人的產品，現在我們發現市面上智能搬運機器人、掃地機器人、商用機器人這幾品類比較成功，也相信將會有蓬勃發展的市場。

　　目前我們把機器人分成兩大方向。第一個是專用領域。這類機器人的特點是重點解決某一種功能，它的使用范圍相對狹窄，但它的應用場景和適用性更好，比如說智能搬運、倉儲、巡邏；另外一種是通用領域，更多是使用在家庭、辦公室等場景。這類機器人的特點是它適應的場景比較多，成本上要更加符合消費市場。從產品形態看我們把它分為兩種：面向家庭和面向輕商用的。

　　通用領域，比如掃地機器人這種品類，一方面是消費品，成本比較敏感；另外它所面向的環境比較簡單；很重要的一點，這類機器人可以允許一定的差錯。相對應專業領域的機器人，如智能倉儲機器人，則更加看重可靠性，對于成本的需求相對來說不是那么高，但環境對于這些機器人來說是更為復雜。

　　如果把做機器人的目的和產品形態定義成四個維度，這四個維度焦點就是怎么樣能夠實現自主定位導航。我們說到的這幾種比較成功的機器人品類，在使用環節當中，自主定位導航占到非常重要的地位。當然有很多其他的技術，比如說語音識別、語義識別和圖像識別也是非常重要的，思嵐更加關注的則是智能導航，這也是思嵐重點為這個領域拓展的方向。

　　激光還是SLAM不重要 工程化產品才是關鍵

　　思嵐科技，致力于提供自主定位導航解決方案。到現在為止也提供低成本的激光雷達，當然是更側重在服務機器人行業，以及配套的定位導航系統。以這兩個為核心，有兩個應用點，一個解決方案針對的是各種各樣的機器人；另外一個是針對相對完整的通用型平臺。就像商用機器人要解決的問題，陌生環境下機器人怎么樣繪制地圖信息，怎么樣繪制位置信息，這也是重要的自主定位導航，或者SLAM技術解決問題。

　　這個問題現在有很多方案，比如說行業中會經常看到到底誰占優，比如說未來是激光雷達還是SLAM。思嵐長久以來是以激光雷達為主，它的方式比較成熟，這是基于思嵐方案實時地圖繪制的效果。

　　激光方案比較直接，把地圖繪制出來以后，機器人就會了解平面圖，這個地圖跟我們人類理解是一樣的。SLAM在這兩年發展也比較迅猛，這是單路的SLAM方案，用攝像頭也可以進行環境的了解，這種方案目前還在研發當中，但它未來的潛力是非常大的。

　　對于一家公司來說，考慮的不是在激光或SLAM我選擇哪一種，更多考慮的是工程化問題，這里面很重要的是“80/20原則”，20%是研究核心理論，思嵐是做80%，怎么樣把技術方案落地，比如成本和可靠性問題。所以對于思嵐來說激光還是vSLAM，這并不重要，重要的是合適的時間，以合適的成本提供合適的產品。

　　在這里介紹一下我們產品落地的時候遇到的實際情況，以及我們怎么解決。

　　挑戰一：建圖效果和用戶心理預期差距SLAM進行精細化建圖

　　SLAM方案，它可以建立地圖，可以讓機器人自主定位。但是會有這樣的問題，它建立的地圖和人的預期是有差距的。怎么理解呢？比如人認為地圖是怎么樣的，就是畫面中這樣。這是我們人所認識的房屋的平面設計圖，我們買到一個機器人它能繪制地圖，它畫的平面圖，就應該長成我們認為的這樣。

用戶理想的地圖（適合展示的地圖）

激光的SLAM方案，畫出來的地圖

　　那這個地圖如果展現給用戶，尤其是普通的“小白”用戶，他們會有點失落，覺得好像這東西并不怎么樣。所以第一個問題，我們要有進行精細化建圖的方案。

　　什么叫精細化建圖呢？就是機器人畫出來的地圖是符合我們預期的，這正是現在思嵐做的東西。畫面左邊是精細化地圖的效果，同樣是SLAM的簡圖，思嵐繪制的地圖在實際直接工作的時候就可以繪制出跟人所期待的地圖那樣，是非常完美的，這個地圖可以直接用于展示，不需要二次的修正。因為這個不單是后期的處理，在導航內部，在實際建圖的時候就實施了精細化構建，這是我們解決的問題。

　　這是一個實際案例中300平方米的家庭地圖，這個地圖沒有做任何的PS，直接從機器人中拿出來，可以看到墻壁的邊緣非常規整，沒有任何的噪點。這樣的地圖簡單進行修飾，就可以放在手機APP上，這就是符合用戶預期的東西。

　　挑戰二：環境完全變化后的可靠定位

　　第二個問題是重定位的問題。重定位有兩個問題，第一個是人啟動的時候重定位，還有一種重定位是環境變化非常多的時候可靠定位。這里有個例子，這個是在今年初展會上的情況，環境中有非常多的人，同時我們要求機器人在里面跑，這個例子并不過分，因為做服務機器人的，當然希望機器人在這種場景下能很好的進行工作。但是你可以看到右邊的圖，激光雷達探索到這個環境，做了非常大的變化。

　　按道理來說，這時候非常容易出現的一個問題，就是定位的偏移。但是看到這個機器人在這里面可以長時間工作，機器人在這種場景下連續被他們折磨了兩天，每天16個小時，基本上都不會出問題。這里面涉及到的就是在環境多變情況下的考驗。

　　有些客戶也比較苛刻，在機器人工作的時候，把它完全圍住了，讓它24小時、48小時連續不停的運作，并且要求不能偏，來測試機器人。這聽上去非常不科學，但是客戶說沒辦法，我們在實際場景中就有這樣的環境，你必須得解決。所以在這里面我們也動了一些腦筋，我們是部分解決這樣的問題。

　　怎么樣解決呢？就是我們前面說的，單靠某一種傳感器它其實并不能解決所有的問題，我把激光的數據遮擋了，這種情況下激光不能解決所有問題，但是我還有傳感器，所以就用傳感器和建立概率模型解決問題。這樣的話，也解決了一個實際的案例，這個對于做廣大服務機器人各位來說是很好的。

　　挑戰三：全局重定位

　　全局重定位，突然讓機器人根據場景開機，這個問題行業中有幾個解決方案，第一個是使用UWB，它可以重定位。但是這個技術有一個缺點，必須對環境進行布置，比如把它放在一個場景，需要先在商場上很多地方預埋信標，這在成本和部署上有一定的挑戰。還有一種是完全自主重定位，思嵐在這里做的是后者，完全自主重定位，當然UWB也是可以支持的。

　　這個案例中展示的是機器人在1萬多平方米的環境中進行人啟動的效果，最終機器人在這個環境當中進行一些簡單的判斷，它就可以找到真實的環境。在這里面它面向的難點是什么呢？你可以看到這樣一張地圖，其中有非常多的相似性，那怎么樣防止在定位的時候定位錯誤的地方，這個是有挑戰的。

　　SLAM≠自主定位導航，不解決行動問題

　　思嵐到現在其實才解決了機器人移動冰山一角的問題，為什么這樣說呢？在行業中SLAM這一概念也是這一兩年被行業和媒體所熟知的，大家認為機器人解決了SLAM就大功告成了，實際上SLAM和自主導航定位并掛不上號的，其實SLAM不是解決行動的問題，但是對于行業來說更重要是機器人怎么樣進行行動的。

　　行動是另外一個故事了，或者無人駕駛更加關注行動的問題，對于汽車來說有很多公司可以提供地圖、GPS和定位，對于他們來說怎樣讓汽車進行行動就是它的難點。對于機器人來說也是這樣，光有SLAM的地圖和定位還是不夠的，這里面就是導航這部分提供的內容。所謂導航是分兩塊，第一塊是路徑規劃，就像GPS導航規劃一條路徑，這個聽上去比較簡單；另外一塊是有了規劃路徑，我怎么樣控制機器人去跑，這個叫做運動控制。

　　對于一些特殊行業，如掃地機器人行業，做好的導航算法是非常難的，目前學術界沒有好的解決方案。另外還有一些很細瑣的東西，機器人沒電了怎么充電，這個事情看上去很簡單，但是你真的要機器人自己去做這個事，你會發現里面有很多坑要解決。

　　這里我們提煉了行業中不同的案例。

　　挑戰四：可靠的障礙物規避

　　第一個案例是可靠的障礙物規避，比如在這個場景中機器人在跑，這個機器人是三維的，要解決合理的避障，上激光雷達的話成本都是三四十萬。那對于機器人行業怎么解決這個問題呢？比如現實場景中，這是我們客戶在“虐待”機器人，故意跟它過不去，擋了它的道，擋好以后把小推車推到一邊。他們有更加惡劣的測試，這里面我只放其中相對比較輕的一個。目前我們的機器人通過激光雷達、超聲波一些方案來進行避障，但是怎么樣在實際場景中有可靠的應用。

　　還有是玻璃的問題，無論是激光和視覺都沒法看到玻璃，但是超聲波可以，但是怎么樣讓機器人可靠的進行運動。目前思嵐的導航系統不僅僅是激光雷達，還支持視覺，像超聲波、毫米波雷達，物理碰撞，這是我們解決方案都會支持的傳感器技術。

　　還有一個問題是理解環境中的邏輯概念。這個是什么意思呢？這個是機場場景，行人扶梯，電梯在維護，不希望人進去。人看到就知道這邊不能走，如果是機器人長得比較矮小，他通過激光導航發現這個扶梯可以走，這個時候就犯大錯誤。那這個問題我們在現實當中怎么解決呢？我們就給它增加虛擬墻和虛擬軌道。

　　除此以外，還有一些實際的場景，比如說多涂層和POI。剛才說了地圖的構建，思嵐是精細化構圖，但是地圖上沒有我們人感興趣的東西，比如商場的平面圖，地圖上標識的是每家店鋪的名稱，它肯定不是平面圖。所以在軟件上我們會做很多的修改，比如在地圖上我們允許加一些興趣點，POI的信息，另外我們也支持多涂層疊加。

　　挑戰五：多樓層適配

　　還有遞送機器人，多樓層的送遞，場景的自動切換，對電梯的系統怎么樣進行改造，另外讓機器人怎么能感知到是某一個具體的樓層，這些都是目前導航定位系統中會遇到的問題。這個是行業的整合，不單是把導航定位系統做好，還要針對電梯的通訊協議，不同樓層之間感應到樓層的切換。這些細節上來說，還要考慮用戶心理的問題，因為有時候電梯非常多的人，機器人進去該怎么辦？我們現在也針對這些出了解決方案。

　　挑戰六：功耗、體積、成本

　　最后一個問題其實也是我們思嵐最早解決的，就是功耗、體積、成本的問題。大家都知道我們思嵐最早是做激光雷達的，目前我們的A2激光雷達最新性能，給大家通報一下，我們目前A2實現的是16米半徑的測距，并且測量平距是行業內4K，今年是8K，并且在體積外觀尺寸上不會有任何變化。

　　在功耗和體積上，我們都知道導航定位系統很多時候是需要很強的運算性能的，要搞一個PC處理器才能搞。那這里的一個問題，對于機器人來說，商用機器人其實問題不大，一個處理器幾百瓦的功耗都能受得了，有些處理器功耗小一點就是十幾二十瓦。但是做一個掃地機，或者家用機器人功耗就受不了了，運算性能增加成本也會貴一些。思嵐目前在行業內相對比較另類的做法，我們是做軟硬件深度整合，它是做到2瓦。

　　這個是基于帶有激光雷達和導航定位系統的完整機器人，這個機器人它有個核心特點，它是使用干電池就可以工作，可以實現2小時的連續工作，這足以可以看到它的低功耗特性。

　　未來的展望：提取語義信息

　　思嵐現在做的是語音信息的提取，現在我們采用多傳感器融合，所以可以通過視覺方式來做自動的標注，可以幫助多涂層和POI做智能感知。

　　另外是行業中的情況，比如基于深度學習的路徑規劃。在這一兩年我們看到很多很多巨頭在做神經網絡，尤其英特爾在芯片這一塊的性能是非常給力的，在功耗和性能上都讓我們非常吃驚，我相信在不遠的將來，我們導航定位這個領域也會非常廣泛使用深度學習，包括SLAM，以及像路徑規劃這方面的應用。