自主移動機器人（AMR）是制造業/倉儲業中危險/復雜物料搬運和高效物流中心運作的未來。為了實現這個未來，AMR通常需要類似人類的能力和靈活性。需要設計/開發工具和硬件系統來實現這些增強的能力，同時確保安全性和可靠性。

本文旨在讓讀者了解可用于幫助設計和開發AMR的資源和工具，以及成功AMR的關鍵硬件系統。

大腦：人工智能/機器學習系統和控制

對于AMR來說，它們需要遵循預定的程序，沿著軌道前進，或者在操作上有足夠的限制，簡單的預編程指令適合它們的有效操作。由于這將限制機器人技術的效率和生產力的提高，如果AMR由人工智能/機器學習（AI/ML）算法驅動，可以被訓練成隨時處理各種環境，一般被認為是更可行的。這種類型的學習使AMR能夠不斷改進，而無需對每一個潛在的互動或操作進行專門編程。AMR人工智能/ML系統需要兩個關鍵組成部分，一個學習/開發系統和必要的硬件，以實現人工智能/ML控制，并感知/互動于外部環境和內部子系統。

用于AMR的人工智能/機器學習

用于AMR的人工智能/機器學習系統的主要功能是確保安全，避免障礙物，自主地執行一組給定的任務，并在必要時隨時為新的任務進行培訓。要做到這一點，AMR需要一個AI/ML核心，它可以包含AI/ML學習算法和數據，以及可以由AI/ML核心指導和解釋的基本傳感器、處理和控制硬件。AI/ML核心（模型和推理/運行時引擎）也需要有一個發達的基礎設施，可以從中進行教學。

開發一個AI/ML核心并不簡單，相反，它往往是一項漫長而昂貴的工作。正因為如此，有一些預建的人工智能/ML核心，或工具包，其設計和開發是為了方便地重新使用和集成各種兼容的硬件選項。這些核心通常包括開發工具、處理核心、數據存儲和接口，可用于連接一系列，甚至可能是單一選擇的傳感器。這種人工智能/ML核心可能配備了應用編程接口（API），支持各種人工智能/ML模型，以及與推理硬件對接的軟件/開發工具。

AMR人工智能/機器學習硬件

人工智能/機器學習系統需要硬件來實現人工智能/機器學習模型，并處理傳感器輸入和控制輸出，這些輸入和輸出都是由模型送出的。這需要某種類型的處理硬件，可能是微處理器單元/計算機處理單元（MCU/CPU）、圖形處理單元（GPU）、現場可編程門陣列（FPGA），或某種類型的專用硬件，如特定應用集成電路（ASIC）視覺處理單元（VPU）或張量處理單元（TPU）。

AI/ML硬件通?？梢允褂酶鞣N處理單元來實現，如用GPU或VPU來處理來自圖像傳感器的傳入信號，用MCU/CPU和FPGA來處理傳感器信息和輸出控制信號（圖1）。在許多情況下，AMR需要以確定性和實時性來操作，以確保安全和效率。這意味著AI/ML模型、軟件和硬件都必須以確定性和實時性運行。

圖 1：AI/ML 處理硬件類型

表 1：AI/ML 處理硬件的比較

根據不同的任務和傳感器類型，不同的處理器組合或數量可能是最佳的。例如，如果有大量的相機視覺數據，但有功率限制，VPU可能比GPU更有效，因為后者更通用。相反，如果在AMR上有許多視覺系統，由于系統的復雜性和功耗，單一的高功率GPU可能比擁有幾個VPU更可取。

盡管MCU/CPU通常是通用的，可用于各種任務，但它們往往最適合于需要快速處理的串行功能。然而，當給定大量的并行任務時，FPGA可能是一個理想的解決方案，鑒于所選擇的FPGA類型，它可以執行各種功能的處理/控制任務，如通信、電機控制和電源轉換。

膂力：電機控制、電動馬達和儲能

AMR的移動性和驅動力依賴于電機、電機控制系統和電能存儲。AMR的兩個主要電機控制挑戰是AMR底盤的移動性和操縱器的驅動，操縱器可能是各種不同的電樞，也可能是簡單的上升和下降的雪橇。自然，這些電動機的能量需要以某種穩定的形式存儲，能量密度要足夠大，并能有效提取。

電機控制技術

主要的電機控制硬件選擇是帶有CPU和/或GPU的單板計算機（SBC），MCU/數字信號處理器（DSP），或FPGA。選擇哪種硬件電機控制解決方案，取決于驅動和執行的復雜性和性能要求。一般來說，SBC要大得多，耗電量也大，但可能是最靈活和潛在的強大控制選項。MCU/DSP更小、更緊湊，可以更容易地進行編碼。然而，MCU/DSP的串行控制能力有限，而且在可配置程度上有硬件限制。具有專門硬件邏輯設計的FPGA可以成為最節能和最高性能的選擇，并在本質上促進硬件并行。與SBC或MCU/DSP的編程不同，設計FPGA硬件需要有專門的硬件描述語言（HDL）和數字控制系統實現的知識。

電機類型

典型的直流電動機對于AMR應用來說不夠可靠或高效。盡管交流電機對于某些AMR驅動應用來說可能是有效的，而且響應速度也足夠快，但這些電機也需要直流-交流變頻硬件，這就增加了交流電機驅動解決方案的成本和復雜性，同時降低了效率。更常見的AMR驅動電機是無刷直流電機，通常是最高性能和最高效的，需要更復雜的控制和直流到多相轉換硬件。

步進電機是無處不在的驅動裝置--也是驅動任務的成熟解決方案--被廣泛用于數控機床和其他機器控制任務。另一個選擇是直流伺服電機，它比步進電機有更多的精度和速度優勢。然而，伺服電機通常比步進電機更昂貴，控制起來也更復雜。此外，伺服電機通常是有刷電機，這意味著它們需要定期維護和更換電刷，這對于某些AMR應用來說可能并不理想。

能量存儲

鋰電池是最常見的用于移動機器人應用的高能量密度電池解決方案。雖然有各種其他的電池類型，如AGM、凝膠、鉛酸，甚至是高能量密度的超級電容器，但對于AMR應用來說，鋰電池在能量密度和功率密度方面具有理想的平衡。由于電池能量密度直接關系到電池系統在給定儲能能力下的整體重量，為了擁有更緊湊和更低重量/效率的AMR，更高的能量密度通常是可取的。

眼睛：3D視覺、2D相機和接近傳感器

為了使AMR安全有效地瀏覽環境，它們需要感知該環境，以便快速處理傳感器數據以創建地圖、規劃路徑和機器視覺。此外，AMR需要反應迅速和高分辨率的傳感數據，以有效地操縱物體并確保工人的安全。這就是為什么AMR通常配備了一系列視覺傳感器，包括三維和二維視覺傳感器（照相機），以及接近傳感器。

三維視覺和視覺相機

AMR機器視覺應用通常需要以相對較高的幀率運行，并有高分辨率的相機傳感器輸入，同時盡量減少處理開銷。這就是為什么許多機器視覺系統使用專門為處理高吞吐量圖像數據而設計的GPU或VPU，并與各種軟件開發工具兼容，如英特爾RealSense SDK和為處理3D數據而設計的Open3D開源庫。

有了這些三維數據，就可以對環境進行掃描，以實現實時機器人導航。二維相機可用于二維機器視覺應用，如某些執行任務，或者一個二維相機陣列可用于創建一個三維視覺系統（圖2）。

圖 2：使用多個傳感器進行實時深度感測的 3D 視覺相機。

接近傳感器

傳感器融合通常是提高處理數據準確性的一個重要工具。就AMR而言，由于定位和驅動任務往往依賴于AMR在其環境中以及AMR與目標物體之間的良好位置數據，額外的接近傳感器可能非常有用。典型的接近傳感器技術包括超聲波、紅外線（IR）和激光雷達（LIDAR）。這種接近信息與視覺系統相結合，可用于增強AMR的機動性和驅動能力，其精度可達數毫米，而僅用視覺系統來實現這一目標可能更昂貴或困難。

耳朵/嘴巴：無線通信

盡管AMR可以自主操作，但接收定期報告、視覺數據或指導AMR執行新任務往往是至關重要的。在沒有人工系繩的情況下，這需要與人工智能/ML核心相聯系的無線通信硬件系統。這些通信系統的響應速度、安全性和可靠性是非常寶貴的。4G LTE蜂窩通信系統已被廣泛部署在工業環境中，以連接各種傳感器，甚至機器人系統。沿著類似的思路，Wi-Fi通信系統也被部署在工業環境中，以提供視頻監控、安全、收集傳感器數據，并提供對一些工業和機器人系統的控制。

由于AMR系統可能經常需要實時、低延遲和確定性的通信，標準的4G LTE或Wi-Fi都不是這種應用的最佳裝備（圖3）。有一些建立在4G LTE蜂窩技術甚至是Wi-Fi上的專有系統來完成這個任務。盡管如此，5G標準內置的超可靠和低延遲（URLLC）功能可能更適合于AMR應用，特別是如果多個AMR需要相互溝通和協調。雖然Wi-Fi系統能夠進行點對點（P2P）通信，但許多4G LTE系統卻不能，這對任何涉及多個AMR的AMR應用可能是至關重要的。如果一個AMR可能還需要與工業環境中的各種其他系統進行通信，那么5G大規模機器型通信（mMTC）功能也可能是理想的。

圖 3：要使多個 AMR 實時協調，機器人與基礎設施之間的低延遲通信是必要的。

結論

制造和物流中心訂單履行的未來取決于 AMR 硬件，從 AI/ML 系統到無線通信系統?？紤]到這一明顯的需求，現在可以使用范圍廣泛的 AMR 硬件解決方案，這些解決方案由硬件和軟件開發工具提供支持，以縮短設計周期并優化系統性能。