自主移動機器人能夠感知的越多，它的性能就會越好。每個傳感器的視野越大，解決方案就越實用。

來自美國DreamVu Inc.首席技術官馬克·戴維森（Mark Davidson）看法；

如果機器人無法感應到它，它將無法對其進行處理。無論是一個人，另一個正在接近的AMR，還是一個影響正在穿越的地形的物體，對于機器人來說，全面了解情況都是非常重要的。但是，這可能是不切實際的，這是因為材料清單成本，傳感器和接線過多的重量，車載計算機沒有足夠的可用輸入，或者由于準備，縫合，融合和/或同步所有軟件所需的軟件開銷傳感數據。

最大化感測范圍的傳感器的概念是具有邏輯意義的概念。然而，我們看到有如此多的傳感器被用作“實際”的有限的感測場。圖1是用于模擬大型視場傳感器的多個立體視覺傳感器的示例。

圖1：三個普通的立體攝像機相結合，覆蓋了AMR的整個向前運動范圍。綠色代表深度場，黃色代表RGB場，紅色代表盲點。

通常，當需要較大的感應場時，可以考慮使用LiDAR。盡管LiDAR確實提供了很大的水平感測場，但它卻以垂直感測場為代價。除非系統當然可以負擔得起3D LiDAR，否則即使如此，感測領域還是有限的。參見圖2。

圖2：垂直視野的示例。頂部代表標準立體攝像機和3D LiDAR。底部代表2D LiDAR。紅色形狀表示超出感應范圍的物體。

經常選擇LiDAR的另一個原因是距離范圍和準確性。無疑，這是事實。但是，由于LiDAR是掃描傳感器，因此在垂直掃描線之間以及在水平掃描期間可能缺少大量的上下文理解。

現在讓我們考慮一個立體視覺系統，該系統不僅具有較大的水平視場，而且還具有較大的垂直視場。我并不是說這是一個完美的傳感器。但是，它確實具有一些屬性，可以通過提供較大的感應場來簡化傳感器堆棧。

首先，讓我們介紹一下一個想法，即立體深度相機最多可具有360°的水平視場，而垂直方向的視場大于100°。此外，該立體攝像機的最小深度距離為零-這意味著該攝像機周圍的任何地方以及從地板到天花板的大視野內都沒有盲點。由于采用了創新的光學設計，因此沒有活動部件，因此只需要一個CMOS傳感器。

當我們從具有這些屬性的立體攝像機開始時，像障礙物檢測這樣的任務就變得容易得多。盡管很少有機器人設計可以充分利用整個360°水平FoV，但從過多的FoV入手并通過軟件命令將其減小，要比嘗試通過多個立體攝像機和拼接來增加FoV更為直接。圖3顯示了在AMR的相對角上使用其中兩個立體攝像機的配置，其有效負載位于頂部平臺上。現在，只需使用兩個攝像頭，該機器人就可以對周圍的情況有完整的了解。現在，機器人可以同樣好地進行前進和后退操作。機器人知道障礙物是否從任何方向接近；它會知道是否有任何東西從有效載荷上掉下來。

圖3：兩個大型視場立體攝像頭完全圍繞AMR提供全面的態勢感知

圖4顯示了垂直FoV的好處。可以輕松檢測到地面上或AMR上方懸掛的小障礙物。總體而言，這意味著將檢測到任何可能干擾AMR的障礙物。

圖4：垂直FoV在檢測AMR加有效載荷高度范圍內從地板到懸空的障礙物時的優勢

此配置對于映射也很有用。障礙物檢測數據可以與大多數SLAM算法兼容的2D或2.5D格式傳輸。而且，它是向3D映射遷移的價格合理且易于使用的解決方案，它具有許多優點，并有望在2021年晚些時候得到更廣泛的采用。

我們可以認為這是一個理想的解決方案，但即使是這些立體攝像機也無法完成所有工作。為了獲得安全認證或在低環境照明下運行，可能需要使用LiDAR。但是前提仍然有效。大型FoV立體攝像機可以大大簡化任何機器人的傳感器堆棧，尤其是AMR。

這臺立體攝像機正在展示什么？它實際上是DreamVu，Inc.的全向立體聲深度相機系列。PAL和PAL Mini均使用創新的光學器件和高效計算軟件來消除所捕獲的立體聲圖像的扭曲，因此沉浸式和密集立體聲RGB對可用于AI算法，例如對象識別。如此一來，借助全面的占用地圖，就可以有效地執行障礙物檢測和避障（ODOA）。因此，可以在每幀中生成完整的3D點云，以進行數字孿生和3D映射。

沒有完美的傳感器，但是依靠大型FoV立體攝像機提供了一個簡化傳感器堆棧并幫助提高對機器人的上下文理解的絕好機會。大型FoV立體攝像機即使在沒有紋理的普通墻壁上也不會上當。更少的傳感器意味著更簡單的校準和更多的正常運行時間。

圖5：PAL和PAL Mini全向立體聲深度攝像機