Tamil
தானியங்கி விநியோக ரோபோக்களுக்கான பார்வை அமைப்புகள்: கடைசி மைல் லாஜிஸ்டிக்ஸை மறுவடிவமைக்கும் புதுமைகள்
01.09 துருக
உலகளாவிய கடைசி மைல் டெலிவரி சந்தை, மின்-வணிகத்தின் எழுச்சி மற்றும் வேகம் மற்றும் வசதிக்கான நுகர்வோர் எதிர்பார்ப்புகளின் மாற்றம் ஆகியவற்றால் இயக்கப்பட்டு, முன்னெப்போதும் இல்லாத வகையில் வளர்ந்து வருகிறது. பாரம்பரிய டெலிவரி சேவைகளை பாதிக்கும் திறமையின்மை, அதிக செலவுகள் மற்றும் தொழிலாளர் பற்றாக்குறை ஆகியவற்றை நிவர்த்தி செய்வதற்கான ஒரு புரட்சிகரமான தீர்வாக சுய-ஓட்டுநர் டெலிவரி ரோபோக்கள் (SDRs) வெளிவந்துள்ளன. இந்த தன்னாட்சி இயந்திரங்களின் மையத்தில் அவற்றின் பார்வை அமைப்பு உள்ளது - அவை சிக்கலான மற்றும் மாறும் நகர்ப்புற சூழலைப் புரிந்துகொள்ளவும், செல்லவும், பாதுகாப்பாக தொடர்பு கொள்ளவும் உதவும் "கண்கள்". அதிக வேகத்திலும் கட்டமைக்கப்பட்ட சாலைகளிலும் செயல்படும் சுய-ஓட்டுநர் கார்களின் பார்வை அமைப்புகளைப் போலல்லாமல், SDR பார்வை அமைப்புகள் பாதசாரிகள், சைக்கிள் ஓட்டுபவர்கள், நடைபாதைகள், தடைகள் மற்றும் மாறுபட்ட வானிலை நிலைமைகள் நிறைந்த குறைந்த வேக, கட்டமைக்கப்படாத அமைப்புகளுக்கு ஏற்ப மாற்றியமைக்க வேண்டும். இந்த கட்டுரை சமீபத்திய கண்டுபிடிப்புகள், முக்கிய சவால்கள் மற்றும் எதிர்கால போக்குகளை ஆராய்கிறது. பார்வை அமைப்புகள் சுய இயக்கம் கொண்ட விநியோக ரோபோக்களுக்கு, இந்த தொழில்நுட்பங்கள் கடைசி மைல் லாஜிஸ்டிக்ஸின் எதிர்காலத்தை எப்படி மறுபரிமாணிக்கின்றன என்பதைக் காட்டுகிறது.
SDR பார்வை அமைப்புகளின் தனித்துவமான தேவைகள்: பாரம்பரிய தன்னாட்சி ஓட்டுதலுக்கு அப்பாற்பட்டவை
SDR-களுக்கான பார்வை அமைப்புகளின் முக்கியத்துவத்தைப் புரிந்துகொள்ள, கடைசி மைல் டெலிவரியின் தனித்துவமான செயல்பாட்டுச் சூழலை முதலில் அங்கீகரிப்பது முக்கியம். நெடுஞ்சாலை அல்லது நகர சாலைப் பயணத்திற்காக வடிவமைக்கப்பட்ட சுய-ஓட்டுநர் வாகனங்களைப் போலல்லாமல், டெலிவரி ரோபோக்கள் மிகவும் கட்டமைக்கப்படாத சூழல்களில் செயல்படுகின்றன: குறுகிய நடைபாதைகள் கொண்ட குடியிருப்புப் பகுதிகள், பாதசாரிகள் கூட்டமாக இருக்கும் பரபரப்பான நகர மையங்கள், மற்றும் நிறுத்தப்பட்ட பைக்குகள், குப்பைத் தொட்டிகள் அல்லது கட்டுமானப் பகுதிகள் போன்ற கணிக்க முடியாத தடைகள் உள்ள இடங்கள். கூடுதலாக, SDR-கள் பொதுவாக குறைந்த வேகத்தில் (2-8 கிமீ/மணி) நகர்கின்றன, ஆனால் குறுகிய இடங்களுக்குச் செல்லவும், மோதல்களைத் தவிர்க்கவும், துல்லியமான டெலிவரி புள்ளிகளை (எ.கா., வாடிக்கையாளரின் வீட்டு வாசல் அல்லது ஒரு கட்டிடத்தின் லாபி) அடையவும் விதிவிலக்கான துல்லியம் தேவைப்படுகிறது.
இந்தத் தேவைகள் அவற்றின் பார்வை அமைப்புகளுக்குத் தனித்துவமான கோரிக்கைகளை முன்வைக்கின்றன. முதலாவதாக, அருகிலுள்ள அனைத்து அபாயங்களையும் கண்டறிய பரந்த பார்வைக் கோணம் (FOV) அவர்களுக்குத் தேவை. இரண்டாவதாக, ஒரு குழந்தை பந்தைப் பின்தொடர்வது அல்லது ஒரு பாதசாரி நடைபாதையில் இருந்து இறங்குவது போன்ற சிறிய, மாறும் பொருட்களை அதிக துல்லியத்துடன் கண்டறிந்து வகைப்படுத்துவதில் அவை சிறந்து விளங்க வேண்டும். மூன்றாவதாக, மாறுபட்ட ஒளி நிலைகளிலும் (எ.கா., பிரகாசமான சூரிய ஒளி, அந்தி, அல்லது இரவு) மற்றும் பாதகமான வானிலையிலும் (மழை, பனி, மூடுபனி) நம்பகத்தன்மையுடன் செயல்பட வேண்டும். இறுதியாக, செலவுத் திறன் ஒரு முக்கிய காரணியாகும்: விலையுயர்ந்த சென்சார் தொகுப்புகளை வாங்கக்கூடிய உயர்நிலை தன்னாட்சி வாகனங்களைப் போலல்லாமல், SDRகள் பெரும்பாலும் பெரிய அளவில் பயன்படுத்தப்படுகின்றன, இதற்கு செயல்திறனையும் மலிவு விலையையும் சமநிலைப்படுத்தும் பார்வை அமைப்புகள் தேவைப்படுகின்றன.
நவீன SDR பார்வை அமைப்புகளின் முக்கிய கூறுகள்: சென்சார்கள் மற்றும் AI இன் ஒருங்கிணைப்பு
இன்றைய மேம்பட்ட SDR பார்வை அமைப்புகள் ஒரே ஒரு சென்சார் வகையை மட்டும் சார்ந்து இருக்காமல், பல உணர்திறன் தொழில்நுட்பங்களின் கலவை, சக்திவாய்ந்த செயற்கை நுண்ணறிவு (AI) மற்றும் இயந்திர கற்றல் (ML) வழிமுறைகளுடன் இணைந்து செயல்படுகின்றன. இந்த பல-சென்சார் கலவை அணுகுமுறை பல்வேறு சூழல்களில் தேவையற்ற தன்மை, துல்லியம் மற்றும் நம்பகத்தன்மையை உறுதி செய்கிறது. அதிநவீன SDR பார்வை அமைப்புகளை வரையறுக்கும் முக்கிய கூறுகள் கீழே கொடுக்கப்பட்டுள்ளன:
1. கேமராக்கள்: காட்சிப் புலனுணர்வின் அடித்தளம்
கேமராக்கள் SDR பார்வை அமைப்புகளின் மிக அடிப்படையான கூறுகளாகும், அவை சுற்றுச்சூழல் உணர்வின் அடிப்படையை உருவாக்கும் 2D மற்றும் 3D காட்சித் தரவைப் பிடிக்கின்றன. நவீன SDRகள் ரோபோவைச் சுற்றி மூலோபாய ரீதியாக வைக்கப்பட்ட பல கேமராக்களுடன் பொருத்தப்பட்டுள்ளன: தடைகளைக் கண்டறிவதற்கும் பாதைகளை வழிநடத்துவதற்கும் முன்புறம் நோக்கிய கேமராக்கள், அருகிலுள்ள இடங்களைக் கண்காணிப்பதற்கான பக்கவாட்டு கேமராக்கள் மற்றும் பின்னோக்கிச் செல்லும்போது மோதல்களைத் தவிர்ப்பதற்கான பின்புற கேமராக்கள்.
SDR-களுக்கு இரண்டு வகையான கேமராக்கள் மிகவும் முக்கியமானவை: RGB கேமராக்கள் மற்றும் டெப்த் கேமராக்கள். RGB கேமராக்கள் வண்ணத் தகவலைப் பிடிக்கின்றன, இது பொருட்களை வகைப்படுத்தவும் (எ.கா., பாதசாரிக்கும் குப்பைத் தொட்டிக்கும் இடையே வேறுபடுத்துதல்) போக்குவரத்து அடையாளங்கள் அல்லது டெலிவரி லேபிள்களை அங்கீகரிக்கவும் உதவுகிறது. டெப்த் கேமராக்கள் - டைம்-ஆஃப்-ஃப்ளைட் (ToF) கேமராக்கள் மற்றும் ஸ்டீரியோ கேமராக்கள் போன்றவை - ரோபோவிற்கும் அதன் சூழலில் உள்ள பொருட்களுக்கும் இடையிலான தூரத்தை அளவிடுவதன் மூலம் மூன்றாவது பரிமாணத்தைச் சேர்க்கின்றன. ToF கேமராக்கள் அகச்சிவப்பு ஒளியை வெளியிடுகின்றன மற்றும் ஒளி திரும்பிப் பிரதிபலிக்க எடுக்கும் நேரத்தின் அடிப்படையில் தூரத்தைக் கணக்கிடுகின்றன, இது குறைந்த ஒளி நிலைகளுக்கு அவை சிறந்ததாக அமைகிறது. மறுபுறம், ஸ்டீரியோ கேமராக்கள் மனித இருகண் பார்வையை உருவகப்படுத்த இரண்டு லென்ஸ்களைப் பயன்படுத்துகின்றன, இது நன்கு ஒளியூட்டப்பட்ட சூழல்களில் துல்லியமான டெப்த் தகவலை வழங்குகிறது.
2. LiDAR: சிக்கலான சூழல்களில் துல்லியத்தை மேம்படுத்துதல்
கேமராக்கள் அவசியமானவை என்றாலும், மோசமான வானிலை (எ.கா., மூடுபனி அல்லது கனமழை) மற்றும் குறைந்த பார்வை நிலைகளில் அவற்றுக்கு வரம்புகள் உள்ளன. லைட் டிடெக்ஷன் அண்ட் ரேஞ்சிங் (LiDAR) தொழில்நுட்பம், லேசர் துடிப்புகளை வெளியிட்டு, அவை பொருட்களில் பட்டுத் திரும்ப எடுக்கும் நேரத்தை அளவிடுவதன் மூலம் இந்த இடைவெளிகளை நிரப்புகிறது, இதனால் சுற்றுச்சூழலின் உயர்-தெளிவுத்திறன் கொண்ட 3D புள்ளி மேகத்தை உருவாக்குகிறது. LiDAR ஆனது பொருட்களின் வடிவம், அளவு மற்றும் தூரத்தைக் கண்டறிவதில் விதிவிலக்கான துல்லியத்தை வழங்குகிறது, இது குறுகிய இடங்களில் செல்லவும், நகரும் தடைகளைத் தவிர்க்கவும் மிகவும் பயனுள்ளதாக அமைகிறது.
வரலாற்று ரீதியாக, LiDAR ஆனது SDR-களுக்கு மிகவும் விலை உயர்ந்ததாக இருந்தது, ஆனால் திட-நிலை LiDAR (SSL) இல் சமீபத்திய முன்னேற்றங்கள் அதை அணுகக்கூடியதாக மாற்றியுள்ளன. SSL ஆனது பாரம்பரிய இயந்திர LiDAR இன் நகரும் பாகங்களை நீக்குகிறது, செலவு, அளவு மற்றும் மின் நுகர்வு ஆகியவற்றைக் குறைக்கிறது - சிறிய, பேட்டரி மூலம் இயங்கும் டெலிவரி ரோபோக்களுக்கு முக்கிய நன்மைகள். Nuro மற்றும் Starship Technologies போன்ற பல முன்னணி SDR உற்பத்தியாளர்கள், சவாலான சூழல்களில் நம்பகத்தன்மையை மேம்படுத்த தங்கள் பார்வை அமைப்புகளில் SSL ஐ இப்போது ஒருங்கிணைக்கின்றனர்.
3. AI மற்றும் இயந்திர கற்றல்: உணர்தல் மற்றும் முடிவெடுக்கும் பின்னணியில் உள்ள மூளை
மேம்பட்ட AI மற்றும் ML அல்காரிதம்கள் இல்லாமல், மூல சென்சார் தரவு பயனற்றது. நவீன SDR பார்வை அமைப்புகளின் உண்மையான புதுமை, AI தரவை செயல்படக்கூடிய நுண்ணறிவுகளாக எவ்வாறு மாற்றுகிறது என்பதில் உள்ளது. SDR பார்வை அமைப்புகளுக்கு மூன்று முக்கிய AI-இயக்கப்படும் திறன்கள் முக்கியமானவை:
பொருள் கண்டறிதல் மற்றும் வகைப்பாடு: ML மாதிரிகள்—கன்வல்யூஷனல் நியூரல் நெட்வொர்க்குகள் (CNNs) மற்றும் You Only Look Once (YOLO) அல்காரிதம்கள் போன்றவை—SDR-களை நிகழ்நேரத்தில் பொருட்களைக் கண்டறிந்து வகைப்படுத்த உதவுகின்றன. இந்த மாதிரிகள் நகர்ப்புற சூழல்களின் பரந்த தரவுத்தொகுப்புகளில் பயிற்சி அளிக்கப்படுகின்றன, இதனால் அவை பாதசாரிகள், சைக்கிள் ஓட்டுபவர்கள், வாகனங்கள், நடைபாதைகள், குறுக்குவழிகள் மற்றும் செல்லப்பிராணி கிண்ணங்கள் அல்லது பொம்மைகள் போன்ற சிறிய தடைகளையும் அடையாளம் காண முடியும். மேம்பட்ட மாதிரிகள் நிலையான மற்றும் மாறும் பொருட்களை வேறுபடுத்தி அறியவும், மோதல்களைத் தவிர்க்க மாறும் நிறுவனங்களின் இயக்கத்தைக் கணிக்கவும் (எ.கா., நடைபாதையைக் கடக்கும் பாதசாரி) முடியும்.
சொற்பொருள் பிரித்தல் (Semantic Segmentation): தனிப்பட்ட பொருட்களை அடையாளம் காணும் பொருள் கண்டறிதலைப் (object detection) போலல்லாமல், சொற்பொருள் பிரித்தல் ஒரு படத்தின் ஒவ்வொரு பிக்சலையும் ஒரு குறிப்பிட்ட வகையாக (எ.கா., நடைபாதை, சாலை, கட்டிடம், பாதசாரி) வகைப்படுத்துகிறது. இது SDR-கள் தங்கள் சூழலின் கட்டமைப்பைப் புரிந்துகொள்ள உதவுகிறது, இதனால் அவை நியமிக்கப்பட்ட பாதைகளுக்குள் (எ.கா., நடைபாதைகள்) இருக்கவும், தடைசெய்யப்பட்ட பகுதிகளைத் (எ.கா., மலர் படுக்கைகள் அல்லது தனியார் சொத்து) தவிர்க்கவும் உதவுகிறது.
ஒரே நேரத்தில் இடம் கண்டறிதல் மற்றும் வரைபடம் (SLAM): SLAM அல்காரிதங்கள் பார்வை தரவுகளை பயன்படுத்தி சுற்றுப்புறத்தின் வரைபடத்தை நேரத்தில் உருவாக்குகிறது, அதே நேரத்தில் அந்த வரைபடத்தில் ரோபோவின் இடத்தை கண்டறிகிறது. இது SDR க்கான முக்கியமாகும், இது பெரும்பாலும் முன்கூட்டியே உள்ள வரைபடங்கள் இல்லாத பகுதிகளில் செயல்படுகிறது (எ.கா., புதிய குடியிருப்புகள்). பார்வை SLAM (vSLAM) சுற்றுப்புறத்தில் முக்கிய அம்சங்களை கண்காணிக்க காமிரா தரவுகளை நம்புகிறது, இது வரைபடமிடாத பகுதிகளில் கூட துல்லியமான வழி நடத்த உதவுகிறது.
SDR பார்வை அமைப்புகளை மாற்றும் முக்கிய புதுமைகள்
SDR-களுக்கான தேவை அதிகரித்து வருவதால், தற்போதுள்ள வரம்புகளை நிவர்த்தி செய்ய ஆராய்ச்சியாளர்களும் உற்பத்தியாளர்களும் பார்வை அமைப்பு தொழில்நுட்பத்தின் எல்லைகளை விரிவுபடுத்துகின்றனர். SDR பார்வை அமைப்புகளின் எதிர்காலத்தை வடிவமைக்கும் மிகவும் தாக்கத்தை ஏற்படுத்தும் புதுமைகள் கீழே கொடுக்கப்பட்டுள்ளன:
1. எட்ஜ் AI: கிளவுட் சார்பு இல்லாமல் நிகழ்நேர முடிவெடுப்பதை செயல்படுத்துதல்
ஆரம்பகால SDR பார்வை அமைப்புகள் காட்சித் தரவு செயலாக்கத்திற்காக கிளவுட் கம்ப்யூட்டிங்கை பெரிதும் நம்பியிருந்தன, இது தாமதத்தையும் நெட்வொர்க் செயலிழப்புகளுக்கு பாதிப்பையும் ஏற்படுத்தியது. இன்று, எட்ஜ் AI—ரோபோவின் ஆன்-போர்டு செயலிகளில் நேரடியாக AI அல்காரிதம்களைப் பயன்படுத்துவது—ஒரு கேம்-சேஞ்சராக மாறியுள்ளது. எட்ஜ் AI ஆனது காட்சித் தரவின் நிகழ்நேர செயலாக்கத்தை செயல்படுத்துகிறது, இது SDR-களை ஒரு நிலையான இணைய இணைப்பைச் சாராமல், நொடிப்பொழுதில் முடிவுகளை எடுக்க அனுமதிக்கிறது (எ.கா., பாதசாரியைத் தவிர்க்க திடீரென நிற்பது).
குறைந்த சக்தி, உயர் செயல்திறன் கொண்ட எட்ஜ் கம்ப்யூட்டிங் சிப்கள் (எ.கா., NVIDIA Jetson, Intel Movidius) ஆகியவற்றில் ஏற்பட்டுள்ள முன்னேற்றங்கள் இதைச் சாத்தியமாக்கியுள்ளன. இந்த சிப்கள் குறிப்பாக AI வேலைப்பளுவிற்காக வடிவமைக்கப்பட்டுள்ளன, இது டெலிவரி ரோபோக்களில் பேட்டரி ஆயுளை நீட்டிப்பதற்கு முக்கியமானதாக இருக்கும், அதே நேரத்தில் சக்தி நுகர்வைக் குறைத்து, சிக்கலான ML மாதிரிகளை (எ.கா., பொருள் கண்டறிதல், SLAM) திறமையாக இயக்க SDR-களை செயல்படுத்துகிறது.
2. பல-மாதிரி சென்சார் இணைவு: இணையற்ற நம்பகத்தன்மைக்காக பலங்களை இணைத்தல்
ஒரே ஒரு சென்சாரும் முழுமையானதல்ல, ஆனால் பல சென்சார்களை - கேமராக்கள், LiDAR, ரேடார் மற்றும் அல்ட்ராசோனிக் சென்சார்கள் கூட - பலதரப்பட்ட இணைப்பின் மூலம் இணைப்பது ஒரு வலுவான பார்வை அமைப்பை உருவாக்குகிறது. உதாரணமாக, கேமராக்கள் வண்ண அடிப்படையிலான பொருள் வகைப்பாட்டில் சிறந்து விளங்குகின்றன, LiDAR குறைந்த பார்வை நிலைகளில் துல்லியமான ஆழத் தகவலை வழங்குகிறது, மேலும் ரேடார் மழை அல்லது மூடுபனியில் பொருட்களைக் கண்டறிவதில் பயனுள்ளதாக இருக்கும். இந்த சென்சார்களிலிருந்து வரும் தரவுகளை இணைப்பதன் மூலம், AI அல்காரிதம்கள் தனிப்பட்ட சென்சார்களின் பலவீனங்களை ஈடுசெய்து, சுற்றுச்சூழலைப் பற்றிய விரிவான மற்றும் துல்லியமான பார்வையை வழங்க முடியும்.
சென்சார் இணைப்பில் சமீபத்திய கண்டுபிடிப்புகள் நிகழ்நேர, டைனமிக் இணைப்பில் கவனம் செலுத்துகின்றன - சுற்றுச்சூழல் நிலைமைகளின் அடிப்படையில் ஒவ்வொரு சென்சாரின் தரவின் எடையை சரிசெய்கின்றன. உதாரணமாக, பிரகாசமான சூரிய ஒளியில், அமைப்பு கேமரா தரவை அதிகமாக நம்பியிருக்கலாம், அதேசமயம் மூடுபனியில், இது LiDAR மற்றும் ரேடார் தரவுகளுக்கு முன்னுரிமை அளிக்கலாம். இந்த தகவமைப்பு அணுகுமுறை பல்வேறு சூழ்நிலைகளில் நிலையான செயல்திறனை உறுதி செய்கிறது.
3. பரிமாற்றக் கற்றல் மற்றும் சில-ஷாட் கற்றல்: பயிற்சித் தரவுத் தேவைகளைக் குறைத்தல்
SDR பார்வை அமைப்புகளுக்கான ML மாதிரிகளுக்குப் பயிற்சி அளிக்க, பொதுவாக நகர்ப்புற சூழல்களின் பரந்த தரவுத்தொகுப்புகள் தேவைப்படுகின்றன, இவற்றைச் சேகரிப்பது நேரமெடுக்கும் மற்றும் செலவு மிக்கது. பரிமாற்றக் கற்றல் (Transfer learning) மற்றும் சில-காட்சி கற்றல் (few-shot learning) ஆகியவை மற்ற தரவுத்தொகுப்புகளிலிருந்து (எ.கா., தானியங்கி வாகன தரவுத்தொகுப்புகள்) முன்-பயிற்சி பெற்ற அறிவைப் பயன்படுத்தி, குறைந்தபட்ச கூடுதல் பயிற்சித் தரவுகளுடன் புதிய சூழல்களுக்கு மாதிரிகளைத் தழுவ அனுமதிப்பதன் மூலம் இந்தச் சவாலை எதிர்கொள்கின்றன.
உதாரணமாக, நகரத் தெருக்களின் தரவுத்தொகுப்பில் முன்-பயிற்சி பெற்ற ஒரு மாதிரியை, கடைசி-மைல் விநியோகத்தின் தனித்துவமான தடைகள் மற்றும் பாதைகளுக்கு ஏற்ப, குடியிருப்புப் பகுதிகளின் சிறிய தரவுத்தொகுப்புடன் நுட்பமாகச் சரிசெய்யலாம் (fine-tuned). இது மாதிரிப் பயிற்சிக்கு ஆகும் செலவையும் நேரத்தையும் குறைப்பது மட்டுமல்லாமல், SDR-கள் புதிய வரிசைப்படுத்தல் இடங்களுக்கு விரைவாகத் தழுவிக்கொள்ளவும் உதவுகிறது—இது செயல்பாடுகளை அளவிடுவதற்கான ஒரு முக்கிய நன்மையாகும்.
4. பாதகமான வானிலை மற்றும் ஒளி நிலைகளுக்கு வலுவான தன்மை
SDR பார்வை அமைப்புகளுக்கான மிகப்பெரிய சவால்களில் ஒன்று, பாதகமான வானிலை (மழை, பனி, மூடுபனி) மற்றும் மாறுபடும் ஒளி நிலைகளில் (மாலை, இரவு, பிரகாசமான சூரிய ஒளி) செயல்திறனைப் பராமரிப்பதாகும். இதைச் சமாளிக்க, ஆராய்ச்சியாளர்கள் வானிலை-எதிர்ப்பு சென்சார்கள் மற்றும் தீவிர வானிலை தரவுத்தொகுப்புகளில் குறிப்பாகப் பயிற்சி பெற்ற AI மாதிரிகளை உருவாக்கி வருகின்றனர்.
உதாரணமாக, சில SDR-கள் இப்போது தண்ணீரை விரட்ட ஹைட்ரோபோபிக் கேமரா லென்ஸ்களைப் பயன்படுத்துகின்றன, அதே நேரத்தில் LiDAR அமைப்புகள் பனி மற்றும் ஐஸ் படிவதைத் தடுக்க சூடான லென்ஸ்களுடன் பொருத்தப்பட்டுள்ளன. AI மாதிரிகள் செயற்கை தரவுத்தொகுப்புகளில் பயிற்சி அளிக்கப்படுகின்றன, அவை தீவிர வானிலை நிலைமைகளை உருவகப்படுத்துகின்றன, மழை அல்லது மூடுபனியால் பார்வைத் தரவு சிதைந்தாலும் கூட பொருட்களை அடையாளம் காண உதவுகின்றன. கூடுதலாக, முழுமையான இருட்டில் பாதசாரிகள் மற்றும் விலங்குகளைக் கண்டறிய சில பார்வை அமைப்புகளில் வெப்ப கேமராக்கள் ஒருங்கிணைக்கப்படுகின்றன, இது பாதுகாப்பை மேலும் மேம்படுத்துகிறது.
நிஜ உலக பயன்பாடுகள்: முன்னணி SDR-கள் மேம்பட்ட பார்வை அமைப்புகளை எவ்வாறு பயன்படுத்துகின்றன
முன்னணி SDR உற்பத்தியாளர்கள் ஏற்கனவே இந்த புதுமையான பார்வை அமைப்புகளைப் பயன்படுத்தி நிஜ உலக சூழல்களில் ரோபோக்களைப் பயன்படுத்துகின்றனர். இரண்டு முக்கிய உதாரணங்களைப் பார்ப்போம்:
1. Nuro: தன்னாட்சி மளிகை விநியோகத்திற்கான தனிப்பயனாக்கப்பட்ட பார்வை அமைப்புகள்
தானியங்கி டெலிவரி ரோபோக்களில் முன்னோடியான நூரோ, அதன் R2 ரோபோவிற்காக ஒரு தனிப்பயன் பார்வை அமைப்பை உருவாக்கியுள்ளது. இது குறிப்பாக மளிகை மற்றும் பார்சல் டெலிவரிக்கு வடிவமைக்கப்பட்டுள்ளது. R2 ஆனது கேமராக்கள், திட-நிலை லிடார், ரேடார் மற்றும் அல்ட்ராசோனிக் சென்சார்கள் ஆகியவற்றின் தொகுப்பைக் கொண்டுள்ளது. இவை அனைத்தும் மேம்பட்ட AI அல்காரிதம்கள் மூலம் ஒருங்கிணைக்கப்பட்டுள்ளன. நூரோவின் பார்வை அமைப்பு சிறிய, உடையக்கூடிய பொருட்களை (எ.கா., மளிகைப் பைகள்) கண்டறிவதற்கும், குறுகிய குடியிருப்பு நடைபாதைகளில் வழிசெலுத்துவதற்கும் உகந்ததாக உள்ளது.
Nuro-வின் பார்வை அமைப்பின் முக்கிய கண்டுபிடிப்புகளில் ஒன்று, குழந்தைகள் மற்றும் முதியவர்கள் போன்ற பாதிக்கப்படக்கூடிய சாலைப் பயனாளர்களை அடையாளம் கண்டு தவிர்ப்பதற்கான அதன் திறன் ஆகும். இந்த அமைப்பு பாதுகாப்பான பாதைகளை வரைபடமாக்கவும், இயக்கப் பொருட்களின் நகர்வுகளை கணிக்கவும், பரபரப்பான சுற்றுப்புறங்களில் பாதுகாப்பான வழிசெலுத்தலை உறுதி செய்யவும் சொற்பொருள் பிரித்தலைப் (semantic segmentation) பயன்படுத்துகிறது. Nuro-வின் ரோபோக்கள் தற்போது பல அமெரிக்க நகரங்களில், வாடிக்கையாளர்களுக்கு மளிகைப் பொருட்கள், உணவுகள் மற்றும் பொட்டலங்களை விநியோகித்து வருகின்றன.
2. Starship Technologies: நகர்ப்புற மற்றும் வளாக விநியோகத்திற்கான காம்பாக்ட் விஷன் சிஸ்டம்கள்
ஸ்டார்ஷிப் தொழில்நுட்பங்கள் நகர மற்றும் கல்லூரி சூழல்களுக்கு வடிவமைக்கப்பட்ட சிறிய, மின்சார விநியோக ரோபோக்களில் நிபுணத்துவம் பெற்றுள்ளது. அதன் ரோபோக்கள் காமிரா, லைடார் மற்றும் அல்ட்ராசோனிக் சென்சார்கள் உள்ள ஒரு சுருக்கமான பார்வை அமைப்புடன் சீரமைக்கப்பட்டுள்ளது, இது அவர்களை நடைபாதைகள், கடந்து செல்லும் இடங்கள் மற்றும் கூடுதலாக உள்ள இடங்களில் வழி நடத்த உதவுகிறது.
ஸ்டார்ஷிப்பின் பார்வை அமைப்பு, எட்ஜ் AI ஐப் பயன்படுத்தி தரவை நிகழ்நேரத்தில் செயலாக்குகிறது, இதனால் ரோபோக்கள் நெரிசலான சூழல்களில் விரைவான முடிவுகளை எடுக்க முடியும். இந்த அமைப்பு செலவுத் திறனுக்காகவும் வடிவமைக்கப்பட்டுள்ளது, உற்பத்திச் செலவுகளைக் குறைவாக வைத்திருக்க, ஆயத்த சென்சார்கள் மற்றும் தனியுரிம AI அல்காரிதம்களைப் பயன்படுத்துகிறது - இது உலகளவில் செயல்பாடுகளை அளவிடுவதற்கு முக்கியமானது. ஸ்டார்ஷிப்பின் ரோபோக்கள் தற்போது 20 க்கும் மேற்பட்ட நாடுகளில் செயல்படுகின்றன, கல்லூரி வளாகங்களிலும் நகர்ப்புறங்களிலும் உணவு, பானங்கள் மற்றும் பொதிகளை வழங்குகின்றன.
சவால்கள் மற்றும் எதிர்காலப் போக்குகள்
SDR பார்வை அமைப்புகள் குறிப்பிடத்தக்க முன்னேற்றங்களைச் செய்திருந்தாலும், பல சவால்கள் இன்னும் நிவர்த்தி செய்யப்பட வேண்டும்:
செலவு vs. செயல்திறன்: சென்சார்கள் மற்றும் AI வன்பொருளின் செலவை செயல்திறனுடன் சமநிலைப்படுத்துவது ஒரு முக்கிய சவாலாக உள்ளது. சாலிட்-ஸ்டேட் LiDAR மற்றும் எட்ஜ் கம்ப்யூட்டிங் சிப்கள் செலவுகளைக் குறைத்திருந்தாலும், சிறிய SDR உற்பத்தியாளர்களுக்கு மேம்பட்ட பார்வை அமைப்புகளை அணுகக்கூடியதாக மாற்ற மேலும் புதுமைகள் தேவை.
ஒழுங்குமுறை இணக்கம்: பல பிராந்தியங்களில் தன்னாட்சி டெலிவரி ரோபோக்களுக்கான தெளிவான விதிமுறைகள் இல்லை, இது வரிசைப்படுத்தலைக் கட்டுப்படுத்தலாம். பார்வை அமைப்புகள் எதிர்கால ஒழுங்குமுறைத் தேவைகளைப் பூர்த்தி செய்யும் வகையில் வடிவமைக்கப்பட வேண்டும், அதாவது அனைத்து வகையான தடைகளையும் கண்டறிந்து தவிர்ப்பதற்கான திறனை நிரூபிப்பது.
சைபர் பாதுகாப்பு: SDR-கள் மேலும் இணைக்கப்படுவதால், அவற்றின் பார்வை அமைப்புகள் சைபர் தாக்குதல்களுக்கு ஆளாகின்றன. அங்கீகரிக்கப்படாத அணுகல் மற்றும் கையாளுதலைத் தடுக்க சென்சார் தரவு மற்றும் AI அல்காரிதம்களின் பாதுகாப்பை உறுதி செய்வது முக்கியமானது.
எதிர்காலத்தைப் பார்க்கும்போது, பல போக்குகள் SDR பார்வை அமைப்புகளின் எதிர்காலத்தை வடிவமைக்கத் தயாராக உள்ளன:
செயற்கை தரவு உருவாக்கத்திற்கான ஜெனரேட்டிவ் AI: ஜெனரேட்டிவ் AI மாதிரிகள் (எ.கா., GANs) பல்வேறு சூழல்களின் பெரிய அளவிலான செயற்கை தரவுத்தொகுப்புகளை உருவாக்கப் பயன்படுத்தப்படும், இது நிஜ உலக தரவு சேகரிப்பின் தேவையைக் குறைக்கும் மற்றும் அரிதான அல்லது தீவிரமான சூழ்நிலைகளில் (எ.கா., கடுமையான வானிலை, அசாதாரண தடைகள்) மாதிரிகளைப் பயிற்றுவிக்க உதவும்.
சோதனை மற்றும் மேம்படுத்தலுக்கான டிஜிட்டல் இரட்டையர்கள்: டிஜிட்டல் இரட்டையர்கள்—இயற்பியல் சூழல்களின் மெய்நிகர் பிரதிகள்—பாதுகாப்பான, கட்டுப்படுத்தப்பட்ட அமைப்பில் SDR பார்வை அமைப்புகளைச் சோதிக்கவும் மேம்படுத்தவும் பயன்படுத்தப்படும். இது உற்பத்தியாளர்கள் ஆயிரக்கணக்கான காட்சிகளை (எ.கா., கூட்டமான திருவிழாக்கள், கட்டுமானப் பகுதிகள்) உருவகப்படுத்தவும், வரிசைப்படுத்துவதற்கு முன் தங்கள் பார்வை அமைப்புகளைச் செம்மைப்படுத்தவும் அனுமதிக்கும்.
கூட்டுப் பார்வை அமைப்புகள்: எதிர்கால SDRகள் 5G இணைப்பு மூலம் ஒருவருக்கொருவர் மற்றும் உள்கட்டமைப்புடன் (எ.கா., ஸ்மார்ட் போக்குவரத்து விளக்குகள், கேமராக்கள்) காட்சித் தரவைப் பகிரலாம். இந்த கூட்டு அணுகுமுறை சூழலின் "பகிரப்பட்ட பார்வை"யை உருவாக்கும், சூழ்நிலை விழிப்புணர்வை மேம்படுத்தும் மற்றும் ரோபோக்கள் சிக்கலான காட்சிகளில் மிகவும் திறம்பட செல்ல உதவும்.
முடிவுரை
தானியங்கி டெலிவரி ரோபோக்களின் முதுகெலும்பாக பார்வை அமைப்புகள் உள்ளன, அவை கடைசி மைல் லாஜிஸ்டிக்ஸின் சிக்கலான, கட்டமைக்கப்படாத சூழல்களில் பாதுகாப்பாகவும் திறமையாகவும் செல்ல உதவுகின்றன. மேம்பட்ட சென்சார்கள் (கேமராக்கள், லிடார், ரேடார்) மற்றும் AI அல்காரிதம்கள் (எட்ஜ் கம்ப்யூட்டிங், டிரான்ஸ்ஃபர் லேர்னிங், செமாண்டிக் செக்மென்டேஷன்) ஆகியவற்றின் இணைப்பின் மூலம், நவீன SDR பார்வை அமைப்புகள் குறைந்த வேகம், பாதசாரிகள் அதிகம் உள்ள சூழல்களின் தனித்துவமான சவால்களை சமாளிக்கின்றன. எட்ஜ் AI மற்றும் மல்டி-மாடல் சென்சார் ஃபியூஷன் போன்ற புதுமைகள் இந்த அமைப்புகளை மேலும் நம்பகமானதாகவும், செலவு குறைந்ததாகவும், அளவிடக்கூடியதாகவும் ஆக்குகின்றன, இது உலகம் முழுவதும் உள்ள நகரங்கள் மற்றும் சுற்றுப்புறங்களில் SDR களின் பரவலான பயன்பாட்டிற்கு வழிவகுக்கிறது.
தொழில்நுட்பம் தொடர்ந்து பரிணாம வளர்ச்சியடைந்து வருவதால்—உருவாக்கும் செயற்கை நுண்ணறிவு (generative AI), டிஜிட்டல் இரட்டையர்கள் (digital twins), மற்றும் கூட்டுப் பார்வை அமைப்புகள் (collaborative vision systems) ஆகியவை வரவிருப்பதால்—SDR பார்வை அமைப்புகள் மேலும் வலுவானதாகவும் திறமையானதாகவும் மாறும். கடைசி மைல் விநியோகத்தின் எதிர்காலம் தன்னாட்சி கொண்டது, மேலும் பார்வை அமைப்புகள் இந்த மாற்றத்தின் முன்னணியில் இருக்கும், நமது அன்றாட வாழ்வில் நாம் பொருட்கள் மற்றும் சேவைகளைப் பெறும் முறையை மறுவரையறை செய்யும்.
தொடர்பு
உங்கள் தகவலை விட்டு நாங்கள் உங்களை தொடர்பு கொள்ளுவோம்.
WhatsApp
WeChat