今日主題 智慧車載\車聯網、工業4.0、智慧城市、經營管理
智慧車載\車聯網 |
3S Market 最讚報
| |||||
智慧車載與車聯網
| ||||||
工業4.0
| ||||||
智慧城市
| ||||||
經營管理
| ||||||
2016年5月20日 星期五
‧ 2016\05\20\ 3S Market Daily 智慧產業新聞
NB-IoT（窄頻物聯網）商用在即，是時候關注終端的生態了
來源：物聯網智庫 作者：趙小飛
當前，關於NB-IoT標準和商用聲音越來越多，不過，大多數聲音仍然圍繞著窄帶物聯網的概念和未來願景，探討落地過程中面臨的問題並不多。當然，筆者深信不疑的是，全球推動NB-IoT產業發展的各廠商肯定也在不遺餘力地發現和解決各個落地可能的問題，作為一個產業觀察者，筆者希望能就這些方面展開討論。
在上周推送的《NB-IoT商用元年，我們來聊聊其商用中的幾個現實問題》一文中，筆者探討了窄帶物聯網商用中的運營模式，本週筆者希望從窄帶物聯網的產業生態入手，探討未來接入窄帶物聯網中的終端相關話題。
1、終端和用戶豐富多樣——更為複雜的生態系統
NB-IoT作為一張廣域網，考察其生態系統，傳統蜂窩網絡具有一定參考意義。傳統電信產業發展過程中，產業鏈共同成熟非常重要，尤其是3G/4G網絡商用時，運營商主導地位的下滑，生態系統思維更是凸顯。傳統蜂窩網絡一般產業生態如下：
上圖是傳統蜂窩網絡時代，運營商處於主導地位的生態系統，當然也離不開產業鏈其他環節的成熟。而在物聯網時代，尤其是電信運營商擁有一張全覆蓋的窄帶物聯網時，這張網絡是專用於物與物通信，在筆者看來，與傳統蜂窩產業生態相比，產業鏈上變化最大的是「終端」和「用戶」兩個環節，為什麼呢?
在以往的通信市場中，「終端」基本上指代的就是手機，雖然品牌和性能有所差異，但其功能基本一致，軟硬件大都是標準化的，因而可以認為是相對同質化的終端;再看看「用戶」，基本上是個人，雖然運營商有大量的政企用戶，但其產品大部分由集團客戶付費，個人來使用，產品並未體現出企業或行業的特點來。
而反觀窄帶物聯網產業生態中的「終端」和「用戶」兩個要素，接入窄帶物聯網的終端是豐富多彩的，可能是各類計量表計、煙感、滅火器、垃圾桶、跟蹤器、可穿戴設備等各類終端，它們無不體現出各行業的特點;窄帶物聯網的用戶除了個人用戶外，行業用戶比傳統通信業更為豐富，有別於傳統通信市場中打電話、發信息、上網的用戶需求，窄帶物聯網的用戶需求和其所在行業應用開始了深度的融合，即時是個人用戶，不同類型的消費終端的需求差異也很大。
因而，多樣化豐富的終端和多樣化的用戶需求，形成了NB-IoT網路生態系統，不同於傳統蜂窩網路生態系統的最大特點，大量各異的終端和用戶讓這張窄帶網路營運商面對更為複雜的生態系統，要面對多樣化、碎片化的需求，從而需要考慮網路運營中的思路變化。
2、規模化終端——運營商級窄帶物聯網運營初期的關鍵
毋庸置疑，當全覆蓋的運營商級NB-IoT網絡部署之後，將為物聯網領域帶來顛覆性模式，大量僅需傳輸小批量數據的終端只需符合NB-IoT規範，均可像手機一樣，開機即可直接接入網路，無需任何手動配置。然而，這裡有一個必要條件，那就是終端必須和網路部署同步成熟，否則在網路建成會大量處於空閒狀態，浪費網路資源。
產業鏈的成熟對網路商用至關重要，尤其是終端的成熟度。回想當年3G牌照發放後，中國移動推動TD-SCDMA網絡的運營歷程，相對於聯通、電信開售蘋果、諾基亞、摩托羅拉、三星等的成熟終端，中國移動一開始只有少量的低端機支持其網絡，造成了3G發展的尷尬，中國移動不得不每年拿出數百億元補貼終端，用於推動TD-SCDMA終端產業鏈的成熟。
正如上文分析，多樣化的終端和用戶給這張網路吸引批量終端接入帶來難度。而每天在新聞媒體中大量曝光的NB-IoT產業推動者中，除了華為、沃達豐、中國移動、愛立信、高通等全球知名的晶片、通信設備、運營商外，終端和應用廠商鮮有露面，在各大展會上亮相的NB-IoT應用也僅限於抄表、停車等少數幾個應用場景。因此，在各巨頭不斷展望今年或明年全面商用NB-IoT的同時，希望有更多的規模化終端問世。
窄帶物聯網終端，尤其是行業終端並非短時間內一蹴而就，試想一下，一張容量十倍於蜂窩網絡的低功耗廣域網路部署起來後，因缺少相應的終端而處於閒置狀態會是什麼場景?此時，尋找規模化終端就是NB-IoT網路運營初期的最大任務。
3、培育終端生態——終端成熟與網絡部署同步
因此，在筆者看來，當下窄帶物聯網商用的另一重要任務就是培育終端生態。一般來說，對於物與物的通信，可以從尋找規模化的應用場景和同質化的應用終端兩個角度入手。
對於同質化的應用終端來說，可穿戴設備可能成為NB-IoT網絡批量接入的消費類終端。一方面，可穿戴設備對於功耗要求極高，而大量功耗是因為遠程通信而消耗，因此需要低功耗通信方式，而藍牙等低功耗的通信方式僅限於與手機之間通信，無法直接傳輸至雲端，低功耗廣域網通信方式是最好的替代方式;另一方面，可穿戴設備目前已形成批量的出貨量，2015年僅兒童定位設備就達到1000萬以上的出貨量。
未來智慧穿戴產品，需要NB-IoT通信技術。當可穿戴設備開始大範圍支持NB-IoT技術時，就為NB-IoT網路的商用培育出一個批量化的終端群體。
對於規模化應用場景，更多是一些To B的行業應用，對其生態的培育需要對該行業的深入理解，如環保行業的多個工作流程中需要窄帶網絡進行數據傳輸和交換，所以NB-IoT網絡運營初期，可以考慮與此類具有規模化應用場景的行業或企業共同推動示範應用。
總之，從產業生態角度出發，NB-IoT商用部署時，終端生態的成熟非常重要，網路商用在即，規模化成熟終端是時候走向台前了。
‧ SLAM（即時同步定位與地圖構建） 的前世今生 終於有人說清楚了
SLAM（同步定位與地圖構建或Simultaneous localization and mapping）
今天，我們邀請到了速感科技CTO張一茗，為大家揭秘SLAM技術的前世今生。
張一茗。速感科技CTO。畢業於北京航空航天大學，師從中國慣性技術領域的著名專家馮培德院士，多年組合導航定位系統研究經驗。熱愛技術和研發，摘得過許多諸如Intel iot創客馬拉松、清華創客馬拉松等創客比賽第一名。速感科技經過多年歷練，發展出一套以視覺SLAM為核心，集探索、導航、定位、避障、路徑規劃為一體的成熟化機器人無源導航算法。
SLAM作為一種基礎技術，從最早的軍事用途（核潛艇海底定位就有了SLAM的雛形）到今天，已經逐步走入人們的視野，過去幾年掃地機器人的盛行讓它名聲大噪，近期基於三維視覺的VSLAM，又讓它越來越顯主流，許多人不得不關注它，但根據記者的調查，瞭解它並能真正把它說清楚的專家並不多，今天，我們請來了速感科技的CTO，張一茗，從SLAM的前世今生開始，徹底掃清我們心中的疑惑。
▌SLAM的前世
我之前從本科到研究生，一直在導航與定位領域學習，一開始偏重於高精度的慣性導航、衛星導航、星光制導及其組合導航。出於對實現無源導航的執念，我慢慢開始研究視覺導航中的SLAM方向，並與傳統的慣性器件做組合，實現獨立設備的自主導航定位。
定位、定向、測速、授時是人們惆悵千年都未能完全解決的問題，最早的時候，古人只能靠夜觀天象和司南來做簡單的定向。直至元代，出於對定位的需求，中國人發明了牽星術，用牽星板測量星星實現緯度估計。
1964年美國投入使用GPS，突然就打破了大家的遊戲規則。軍用的P碼可以達到1-2米級精度，開放給大眾使用的CA碼也能夠實現5-10米級的精度。
後來大家一方面為了突破P碼封鎖，另一方面為了追求更高的定位定姿精度，想出了很多十分具有創意的想法來挺升GPS的精度。利用RTK的實時相位差分技術，甚至能實現釐米的定位精度，基本上解決了室外的定位和定姿問題。
但是室內這個問題就難辦多了，為了實現室內的定位定姿，一大批技術不斷湧現，其中，SLAM技術逐漸脫穎而出。SLAM是一個十分交叉學科的領域，我先從它的傳感器講起。
▌離不開這兩類傳感器
目前用在SLAM上的Sensor主要分兩大類，雷射雷達和攝影機。
這裡面列舉了一些常見的雷達和各種深度攝影機。雷射雷達有單線多線之分，角分辨率及精度也各有千秋。SICK、velodyne、Hokuyo以及中國的北醒光學、Slamtech是比較有名的雷射雷達廠商。他們可以作為SLAM的一種輸入形式。
這個小影片裡展示的就是一種簡單的2D SLAM。
這個小影片是中國賓大的教授kumar做的特別有名的一個demo，是在無人機上利用二維雷射雷達做的SLAM。
而VSLAM則主要用攝影機來實現，攝影機品種繁多，主要分為單眼、雙眼、單眼結構光、雙眼結構光、ToF幾大類。他們的核心都是獲取RGB和depth map(深度信息)。簡單的單眼和雙眼（Zed、leapmotion）我這裡不多做解釋，我主要解釋一下結構光和ToF。
▌最近流行的結構光和TOF
結構光原理的深度攝影機通常具有雷射投射器、光學衍射元件（DOE）、紅外線攝影機三大核心器件。
這個圖（下圖）摘自primesense的專利。
可以看到primesense的doe是由兩部分組成的，一個是擴散片，一個是衍射片。先通過擴散成一個區域的隨機散斑，然後複製成九份，投射到了被拍攝物體上。根據紅外線攝影機捕捉到的紅外線散斑，PS1080這個芯片就可以快速解算出各個點的深度資訊。
這兒還有兩款結構光原理的攝影機。
第一頁它是由兩幅十分規律的散斑組成，最後同時被紅外相機獲得，精度相對較高。但據說DOE成本也比較高。
還有一種比較獨特的方案（最後一幅圖），它採用mems微鏡的方式，類似DLP投影機，將雷射器進行調頻，通過微鏡反射出去，並快速改變微鏡姿態，進行行列掃描，實現結構光的投射。（產自ST，ST經常做出一些比較炫的黑科技）。
ToF（time of flight）也是一種很有前景的深度獲取方法。
傳感器發出經調制的近紅外光，遇物體後反射，傳感器通過計算光線發射和反射時間差，或相位差，來換算被拍攝景物的距離，以產生深度資訊。類似於雷達，或者想象一下蝙蝠，softkinetic 的 DS325 採用的就是 ToF 方案（TI 設計的），但是它的接收器微觀結構比較特殊，有 2 個或者更多快門，測 ps 級別的時間差，但它的單位像素尺寸通常在 100 um 的尺寸，所以目前分辨率不高。以後也會有不錯的前景，但我覺得並不是顛覆性的。
好，那在有了深度圖之後呢，SLAM 算法就開始工作了，由於 Sensor 和需求的不同，SLAM的呈現形式略有差異。大致可以分為激光 SLAM（也分 2D 和 3D）和視覺 SLAM（也分 Sparse、semiDense、Dense）兩類，但其主要思路大同小異。
這個是Sparse（稀疏）的
這個偏Dense（密集）的
▌SLAM算法實現的4要素
SLAM算法在實現的時候主要要考慮以下4個方面吧：
1. 地圖表示問題，比如dense和sparse都是它的不同表達方式，這個需要根據實際場景需求去抉擇
2. 信息感知問題，需要考慮如何全面的感知這個環境，RGBD 攝影機 FOV 通常比較小，但激光雷達比較大
3. 數據關聯問題，不同的sensor的數據類型、時間戳、坐標系表達方式各有不同，需要統一處理
4. 定位與構圖問題，就是指怎麼實現位姿估計和建模，這裡面涉及到很多數學問題，物理模型建立，狀態估計和優化
其他的還有回環檢測問題，探索問題（exploration），以及綁架問題（kidnapping）。
這個是一個比較有名的SLAM算法，這個回環檢測就很漂亮。但這個調用了cuda，gpu對運算能力要求挺高，效果看起來比較炫。
▌以VSLAM舉個例子
我大概講一種比較流行的VSLAM方法框架。
整個 SLAM 大概可以分為前端和後端，前端相當於VO（視覺里程計），研究幀與幀之間變換關係。首先提取每幀圖像特徵點，利用相鄰幀圖像，進行特徵點匹配，然後利用RANSAC去除大噪聲，然後進行匹配，得到一個 pose 資訊（位置和姿態），同時可以利用 IMU（Inertial measurement unit 慣性測量單元）提供的姿態資訊進行濾波融合。
後端則主要是對前端出結果進行優化，利用濾波理論（EKF、UKF、PF）、或者優化理論TORO、G2O進行樹或者圖的優化。最終得到最優的位姿估計。
後端這邊難點比較多，涉及到的數學知識也比較多，總的來說大家已經慢慢拋棄傳統的濾波理論走向圖優化去了。
因為基於濾波的理論，濾波器穩度增長太快，這對於需要頻繁求逆的EKF（擴展卡爾曼濾波器），PF壓力很大。而基於圖的SLAM，通常以keyframe（關鍵幀）為基礎，建立多個節點和節點之間的相對變換關係，比如仿射變換矩陣，並不斷地進行關鍵節點的維護，保證圖的容量，在保證精度的同時，降低了計算量。
列舉幾個目前比較有名的SLAM算法：PTAM,MonoSLAM,
ORB-SLAM,RGBD-SLAM,RTAB-SLAM,LSD-SLAM。
所以大家如果想學習SLAM的話，各個大學院校提高的素材是很多的，比如賓大、MIT、ETH、香港科技大學、帝國理工等等都有比較好的代表作品，還有一個比較有前景的就是三維的機器視覺，普林斯頓大學的肖劍雄教授結合SLAM和Deep Learning做一些三維物體的分類和辨識， 實現一個對場景深度理解的機器人感知引擎。
總的來說，SLAM技術從最早的軍事用途（核潛艇海底定位就有了SLAM的雛形）到今天，已經逐步走入人們的視野，掃地機器人的盛行更是讓它名聲大噪。同時基於三維視覺的VSLAM越來越顯主流。在地面/空中機器人、VR/AR/MR、汽車/AGV自動駕駛等領域，都會得到深入的發展，同時也會出現越來越多的細分市場等待挖掘。
這個是occipital團隊出的一個產品，是個很有意思的應用，中國賣RMB4000+，大概一個月1000出貨量吧（雖然不是很多，但是效果不錯，pad可玩）虛擬家居、無人飛行／駕駛、虛擬試衣、3D打印、刑偵現場記錄、沈浸式遊戲、增強現實、商場推送、設計輔助、地震救援、工業流水線、GIS採集等等，都等待著VSLAM技術一展宏圖。
▌SLAM的今生——還存在著問題
多傳感器融合、優化數據關聯與回環檢測、與前端異構處理器整合、提升魯棒性和重定位精度都是SLAM技術接下來的發展方向，但這些都會隨著消費刺激和產業鏈的發展逐步解決。就像手機中的陀螺儀一樣，在不久的將來，也會飛入尋常百姓家，改變人類的生活。
不過說實話，SLAM在全面進入消費級市場的過程中，也面對著一些阻力和難題。比如Sensor精度不高、計算量大、Sensor應用場景不具有普適性等等問題。
多傳感器融合、優化數據關聯與回環檢測、與前端異構處理器整合、提升魯棒性和重定位精度都是SLAM技術接下來的發展方向，但這些都會隨著消費刺激和產業鏈的發展逐步解決。就像手機中的陀螺儀一樣，在不久的將來，也會飛入尋常百姓家，改變人類的生活。
（雷射雷達和攝影機兩種 SLAM 方式各有什麼優缺點呢，有沒有一種綜合的方式互補各自的缺點的呢？）
雷射雷達優點是可視範圍廣，但是缺點性價比低，低成本的雷達角分辨率不夠高，影響到建模精度。vSLAM的話缺點就是FOV通常不大，50-60degree，這樣高速旋轉時就容易丟，解決方案有的，我們公司就在做vSLAM跟雷達還有IMU的組合。
（請問目前基於視覺的SLAM的計算量有多大？嵌入式系統上如果要做到實時30fps，是不是只有Nvidia的芯片（支持cuda）才可以？）
第一個問題，雖然基於視覺的SLAM計算量相對較大，但在嵌入式系統上是可以跑起來的，Sparse的SLAM可以達到30-50hz（也不需要GPU和Cuda），如果dense的話就比較消耗資源，根據點雲還有三角化密度可調，10－20hz也是沒有問題。
并不一定要用cuda,一些用到cuda和GPU的算法主要是用来加速SIFT、ICP,以及后期三角化和mesh的过程,即使不用cuda可以采用其他的特征点提取和匹配策略也是可以的。
▌最後一個問題
這個問題就比較大了。
機器人產業是個很大的Ecosystem，短時間來講，可能產業鏈不夠完整，消費級市場缺乏爆點爆款。雖然大家都在談論做機器人，但是好多公司並沒有解決用戶痛點，也沒有為機器人產業鏈創造什麼價值。
但是大家可以看到， 大批缺乏特色和積澱的機器人公司正在被淘汰，行業格局越來越清晰，分工逐漸完善，一大批細分市場成長起來。
從機器人的感知部分來說，傳感器性能提升、前端處理（目前的sensor前端處理做的太少，給主CPU造成了很大的負擔）、多傳感器融合是一個很大的增長點。
現在人工智能也開始揚頭，深度學習、神經網絡專用的分布式異構處理器及其協處理器成為緊急需求，我個人很希望有公司能把這塊做好。
也有好多創業公司做底層製作，比如高推重比電機、高能量密度電池、復合材料，他們和機器人產業的對接，也會加速機器人行業的發展。整個機器人生態架構會越來越清晰，從硬件層到算法層到功能層到SDK 再到應用層，每一個細分領域都有公司切入，隨著這些產業節點的完善，能看到機器人行業的前景還是很棒的，相信不久之後就會迎來堪比互聯網的指數式增長！