3S Market 傳遞 智慧應用與價值的商業資訊
Mercedes Next-Gen Cockpit [CES 2018]2019 Mercedes A-Class Interior preview |
今日主題 工業4.0\智慧城市與環保節能\車聯網\經營管理探討
| ||
工業4.0與智慧工廠
| ||
| ．製造業要如何正確看待大數據？ | ||
| |||
2018年1月12日 星期五
．2018\01\12\3S Market Daily 智慧產業新聞
3S Market deliver Smart and Valuable information for Business
．這六種服務機器人未來大有可為
Service Robots - Flexible Helpers in Professional Use
服務機器人是機器人家族中的一個年輕成員，可以分為專業領域服務機器人和個人/家庭服務機器人，相對於工業機器人來說，服務機器人在市場發展阻力更小。
一方面是因為服務機器人在市場上差距較小，由於服務機器人往往要針對特定市場進行開發，可以發揮本土公司與行業緊密結合的優勢，從而在與市場上競爭中佔據優勢地位；同時，服務機器人也屬於新興行業，據瞭解，目前比較大的服務機器人公司產業化歷史也多在5－10年，大部分機器人公司仍處於前期研發階段，這也在時間上客觀給予相關公司縮小差距的機會。
一方面是因為服務機器人在市場上差距較小，由於服務機器人往往要針對特定市場進行開發，可以發揮本土公司與行業緊密結合的優勢，從而在與市場上競爭中佔據優勢地位；同時，服務機器人也屬於新興行業，據瞭解，目前比較大的服務機器人公司產業化歷史也多在5－10年，大部分機器人公司仍處於前期研發階段，這也在時間上客觀給予相關公司縮小差距的機會。
另一方面是因為服務機器人更靠近消費端，市場空間非常廣闊。在人口老齡化的加劇以及勞動力成本急劇上升等剛性因素的驅動下，服務機器人產業將迎來大發展的春天。有業內專家預測，未來以下6種服務機器人將是最受人們歡迎的成員。
1、健康服務機器人
健康服務機器人在智能建築項目市場，主要的銷售對象，是智慧養老地產項目和智慧養老院。適合在養老院、養老地產項目中應用的健康服務機器人，主要有陪伴逗樂、健康檢測、健康顧問、緊急報警四項功能，未來還將承擔現場醫療、健康護理、生活助理等功能。
近幾年來，房地產商、保險公司、養老機構都在市場上積極佈署健康養老地產項目，包括許多房地產公司、寶險公司推出了不少高端的健康養老項目，一些新的健康養老產品和服務理念也紛紛在這些項目中試水，而健康服務機器人，也進入新興的健康養老項目的選擇視野。
2、管家型服務機器人
管家型服務機器人是指具有家庭事務管理、智慧家庭控制、物業管理系統，連接的服務機器人。
管家型服務機器人，將可廣泛應用到智慧社區項目中，既可在房地產商投資建設時，以前裝方式佈署，這樣做的好處是安裝調試難度低、物業管理對接方便；也可以在業主入住後由業主自行購買，後期購買方式可讓業主方，根據個人喜好進行選擇。
3、智慧建築管理服務機器人
我們可以理解為「智慧建築的大腦」，其具備有相當的人工智慧，其不僅保存有智慧建築的所有的設計、施工的內容及過程，而且對投入使用後的管理資訊、智慧化資訊，都可即時管理，是具備有IBMS完整管理功能的虛擬機器人，或實體機器人，無論是虛擬的，還是實體的，都連接到智慧建築管理系統。
實體機器人形態，可將人形服務機器人的上位機，與人工大腦相連接，從而實現以實體服務機器人形態，透過語音、動作、觸控螢幕交互進行控制，這是智慧建築管理的一次升級，預計今後在單個智慧建築或智慧建築群中，有多台實現集群的智慧建築管理服務機器人，為智慧建築提供服務。目前全球還並沒有一台真正意義上的智慧建築管理服務機器人。
4、保全機器人
保全機器人可以理解為，一套具備有行動監測功能、智慧分析功能，並有人機交互介面的人型機器人保全系統，其實保全系統這在智慧城市、平安城市中已經廣泛採用，但當保全系統的部分現場記錄和處理、人機交互，以人形服務機器人的形態呈現，卻是最近才出現的，這種以人形服務機器人呈現的保全系統就是保全機器人，2015年12月4日，中國萬科建築研究中心對外發佈了代號為「VX－1」的首款萬科保全機器人。
這款產品經過一年的研發，透過了無線信號、通訊、磁導航、視覺導航、車牌辨識等多重考驗，這款產品中文名「悟空一號」，寓意大聖歸來，借助火眼金睛，為社區和公共場所提供全天候的安全保障。
2016年9月21日，對岸中國公安首台智慧保全機器人AnBot（中文名字「深圳小安」），正式在深圳機場T3航站樓上崗，執行日常巡邏防控任務，主要是在T3航站樓四樓出發大廳，開展24小時不間斷自主巡邏，透過前後左右四個移動高清數位攝影機，實現民航安檢前置、移動人像辨識功能，並將相關圖像資訊，回傳公安大數據後台，進行碰撞分析、即時預警。該機器人具備自主巡邏、人像辨識、智慧服務、突發應對等四大應用功能。
5、清潔服務機器人
清潔服務機器人最常見的是掃地機器人，掃地機器人如今已逐漸走入一般百姓家了，但目前普通的掃地機器人的智慧化程序令人堪憂，只能依靠隨機清掃，無法進行路徑規劃等等，這樣的掃地機器人根本無法被稱作「機器人」，僅僅是用來代替人工清掃的「掃地機」罷了。
實現掃地機器人在不確定環境中，自主定位導航也一直都是機器人研究的一大核心課題，行業內對其進行了多年的研究。
SLAM（Simultaneous Localization and Mapping，即時定位與地圖構建），自1988年被提出以來，主要用於研究機器人移動的智慧化。對於完全未知的室內環境，配備雷射雷達等核心傳感器後，SLAM技術可以幫助機器人構建室內環境地圖，助力機器人的自主行走。
SLAM（Simultaneous Localization and Mapping，即時定位與地圖構建），自1988年被提出以來，主要用於研究機器人移動的智慧化。對於完全未知的室內環境，配備雷射雷達等核心傳感器後，SLAM技術可以幫助機器人構建室內環境地圖，助力機器人的自主行走。
激光雷達作為雷射SLAM技術的核心傳感器，但市場長期被國外佔據，價格十分昂貴，考慮到成本的問題，部分服務機器人廠商，並未應用到雷射雷達技術，據瞭解，目前，中國SLAMTEC－思嵐科技公司結合雷射三角測距技術，與高速視覺採集處理機構，已大幅降低了雷射雷達成本，並推出了最新款雷射雷達RPLIDAR A2。
這款雷射雷達在6米測量半徑內，可完成360度全方位掃描，採樣次數為每秒4000次，掃描頻率高達10Hz，並可實現毫米級測量精度。
這款雷射雷達在6米測量半徑內，可完成360度全方位掃描，採樣次數為每秒4000次，掃描頻率高達10Hz，並可實現毫米級測量精度。
6、飯店服務機器人
在智慧飯店中，服務機器人的應用場景和表現形態，是最多樣化的，一共有八類服務機器人，可應用在智慧飯店空間環境中，包括迎賓/門口接待機器人、前台業務機器人、客房服務機器人、行李搬運機器人、客房管家機器人、餐廳機器人、清掃機器人、飯店保全機器人，這八酒店服務機器人中，又以客房服務機器人最為搶眼。
隨著科學技術的不斷發展，越來越多的行為與工作，由機器人替代恐怕是不可阻擋的大勢。隨著人工智慧的發展，機器人也變得越來越聰明，他們能做的事情也越來越多。
服務型機器人面對的主體是人類個體，應用場景在生活裡的方方面面，機器人需要做到的是更給力，更親民。
服務型機器人面對的主體是人類個體，應用場景在生活裡的方方面面，機器人需要做到的是更給力，更親民。
 |
 |
．蘋果槓上百度，雷射雷達物體辨識成績大對比
Laser Detection in a Radar Detector?
 |
leiphone 作者：周彦武
按：本文為作者系佐思產研研究總監周彥武。
一直以來，蘋果都以其追求完美的文化，和極度保密的風格著稱。雖然外界一直努力捕風捉影，但蘋果很少對外披露自動駕駛研發的進展或動態。
不過在去年11月，蘋果發表了一篇名為VoxelNet: End-to-End Learning for Point Cloud Based 3D Object Detection 的論文。
在這篇論文中，蘋果將神經網路命名為 VoxelNet，蘋果透過雷射雷達點雲，訓練它執行目標辨識任務。論文表明：蘋果正在打造一種自動駕駛新方法，透過一個名為「VoxelNet」的全新系統，幫助電腦更準確地辨識三維物體。
其透過雷射雷達傳感器讀取數據，讓自動駕駛汽車理解，其他汽車、自行車和行人的精確地理位置。該項研究不僅表明，蘋果的自動駕駛汽車研究的確屬實，也顯示了蘋果正在與雷射雷達相關公司進行合作。
其透過雷射雷達傳感器讀取數據，讓自動駕駛汽車理解，其他汽車、自行車和行人的精確地理位置。該項研究不僅表明，蘋果的自動駕駛汽車研究的確屬實，也顯示了蘋果正在與雷射雷達相關公司進行合作。
透過雷射雷達研究物體辨識的並不只有蘋果。
2016年，百度發表了一篇名為 Vehicle Detection from 3D Lidar Using Fully Convolutional Network 的論文。在更早的2015年，百度發表過一篇3D Fully Convolutional Network for Vehicle Detection in Point Cloud 的論文。此外，清華與百度還有一篇論文：Multi-View 3D Object Detection Network for Autonomous Driving。
2015年9月，卡梅隆大學機器人學院的Daniel Maturana 和Sebastian Scherer發表了VoxNet: A 3D Convolutional Neural Network for Real-Time Object Recognition 一文。
2017年10月德國弗賴堡大學機器視覺系發表了Orientation-boosted Voxel Nets for 3D Object Recognition。歐洲機器視覺權威瑞士蘇黎世理工學院則有SEMANTIC3D.NET: A NEW LARGE-SCALE POINT CLOUD CLASSIFICATION BENCHMARK。
上述論文都是對雷射雷達物體辨識的研究。
雷射雷達物體辨識最大的優點，是可以完全排除光線的干擾，無論白天還是黑夜，無論是樹影斑駁的林蔭道，還是光線急劇變化的隧道出口，都沒有問題。
其次，雷射雷達可以輕易獲得深度訊息，而對攝影機系統來說這非常困難。再次，雷射雷達的有效距離遠在攝影機之上，更遠的有效距離，等於加大了安全係數。最後，雷射雷達也可以辨識顏色和車道線。
其次，雷射雷達可以輕易獲得深度訊息，而對攝影機系統來說這非常困難。再次，雷射雷達的有效距離遠在攝影機之上，更遠的有效距離，等於加大了安全係數。最後，雷射雷達也可以辨識顏色和車道線。
實際上，雷射雷達與攝影機沒有本質區別，其最大區別除了雷射雷達是主動發射雷射，是主動傳感器外，只是光電接收二極管不同，攝影機可以做到的，雷射雷達都能夠做到，只是目前雷射雷達的點雲密集度，還不能和300萬像素級攝影機比。
對與固態雷射雷達來說，絕大部分固態雷射雷達，都是提供3D圖像的，與其說是雷射雷達，不如說是3D圖像傳感器更為合適。
在清華大學與百度的論文 Multi-View 3D Object Detection Network for Autonomous Driving（2016年11月）中，使用的便是攝影機和雷射雷達數據融合，做物體探測與辨識。
但蘋果認為這種做法沒有提升，反而帶來很多麻煩。因為攝影機需要時間同步，和與雷射雷達做聯合空間標定，攝影機有效距離有限，性能與距離關聯密切。兩者在中遠距離上難以融合，在近距離效果會略好。
與攝影機用像素（Pixel）這個詞一樣，雷射雷達是3D的，因此有Voxel（體素）這個詞。Pixel是二維電腦圖像的最小單位，Voxel則是三維數據在三維空間分割上的最小單位，很早就應用於三維成像、醫學影像（比如CT）等領域。
對物體辨識是機器理解人類社會環境的基本能力，人類文明主要是用文字和語言承載的，這是一種完全社會化的概念，因此不得不採用人類的學習方式，也就是深度學習。
雷射雷達可以用回波寬度，或反射強度訊息，輕易辨識某一類物體，如車道線，草地，建築物，道路，樹木，並且是物理辨識，而不是攝影機那樣的，根據數學機率算法得出的辨識，物理辨識的準確度遠高於機率推算。
但要具體辨識，比如物理方式，雷射雷達只能辨識出行人，具體是成年人、老人、小孩還是嬰兒就無能為力。再比如，路邊的交通標識，雷射雷達只能知道是一塊金屬牌或塑料牌，但是是牌子什麼內容就不知道了，這時深度學習就可以派上用場。
深度學習通俗的理解，就像人類訓練動物，比如教狗與你握手（爪），狗做對了，就給一點食物獎勵或者撫摸獎勵，這就是一種強化學習的機制。假如狗沒做對，就會挨批。這就像神經網路的訓練過程，辨識正確就增加這部分的權重值（食物獎勵），辨識錯誤就減少權重值（挨批）。
如此不斷地強化，最終你一伸手，狗也伸手（爪）跟你握手。
*蘋果Voxel Net架構
目標檢測與辨識領域早期為DPM，2013年11月，目標檢測領域公認的大神Ross Girshick推出R-CNN，2015年4月進化為Fast R-CNN，2015年6月進化為Faster R-CNN，成為今日目標檢測與辨識領域，公認最好的方法，也是可以完全端對端地實現。
雷射雷達的目標檢測與辨識，自然也是要用Faster R-CNN。Faster R-CNN 從2015年底至今已經有接近兩年了，但依舊還是物體探測（Object Detection）領域的主流框架之一，雖然推出了後續 R-FCN，Mask R-CNN 等改進框架，但基本結構變化不大。同時不乏有SSD，YOLO等骨骼清奇的新作，但精度上依然以Faster R-CNN為最好。
從RCNN到fast RCNN，再到本文的faster RCNN，目標檢測的四個基本步驟（候選區域生成，特徵提取，分類，位置精修）終於被統一到一個深度網路框架之內。所有計算沒有重複，完全在GPU中完成，大大提高了運行速度。
faster RCNN可以簡單地看做「區域生成網路+fast RCNN「的系統，用區域生成網路RPN(Region Proposal Networks)代替fast RCNN中的Selective Search方法。
不過RPN只能針對密集化的具備張量結構的數據，而雷射雷達的雲點是稀疏的，因此雷射雷達深度學習辨識物體的關鍵，就是如何把點雲數據，轉換成具備張量結構的密集的影像或圖像數據。
蘋果就提出了一種叫VFE（Voxel Feature Encoding）的方案（如上圖）。
首先將點雲數據轉換為體素數據，基本上點雲的三維數據就是體素的三維數據。根據體素所在的位置對點（點雲）進行分組，把這些分組數據全部一層層堆疊起來，然後透過全卷積神經網路（FCN）形成有4（速度向量、X、Y、Z）張量的數據結構。
接下來看FCN，FCN將傳統CNN中的全連接層轉化成卷積層，對應CNN網路FCN把最後三層，全連接層轉換成為三層卷積層。
在傳統的CNN結構中，前5層是卷積層，第6層和第7層分別是一個長度為4096的一維向量，第8層是長度為1000的一維向量，分別對應1000個不同類別的概率。
FCN將這3層表示為卷積層，卷積核的大小 (通道數，寬，高) 分別為 (4096,1,1)、(4096,1,1)、(1000,1,1)。看上去數字上，並沒有什麼差別，但是卷積跟全連接是不一樣的概念和計算過程，使用的是之前CNN已經訓練好的權值和偏置，但是不一樣的在於權值和偏置是有自己的範圍，屬於自己的一個卷積核。
因此FCN網路中所有的層都是卷積層，故稱為全卷積網路。
經過多次卷積後，得到的圖像越來越小，分辨率越來越低。其中圖像到 H/32∗W/32 的時候圖片是最小的一層時，所產生圖叫做熱圖（heatmap），熱圖就是我們最重要的高維特徵圖。
得到高維特徵的熱圖之後就是最重要的一步也是最後的一步對原圖像進行採樣（upsampling），把圖像進行放大、放大、放大，到原圖像的大小。這就可以看做是RPN。
*百度的云点转换FCN步骤图
*蘋果的RPN架構圖，可以看出與百度相差無幾
最後不能免俗，蘋果也得上KITTI上測試一番，也不忘打擊百度。
其中22號方案是百度早期的方案，效果確一般。5號方案就是百度和清華合作的方案，BV代表鳥瞰圖，FV代表前視圖，RGB代表攝影機。HC-baseline的方案，也是清華和百度聯合提出的。在鳥瞰檢測方面，蘋果與百度幾乎沒太多差別，在3D檢測方面，蘋果領先不少。
而蘋果使用的是一個1.7GHz的CPU，和頂級顯卡TitanX來運行上述算法，Voxel輸入特徵計算費時大約5毫秒，特徵學習網路費時大約20毫秒，卷積中間層費時170毫秒，RPN網路費時30毫秒，合計225毫秒。
但蘋果沒有說這是一幀的推理（Inference）時間還是30幀的推理時間。如果是一幀的話，那就離實用還差很遠，若是做到每幀25毫秒才算比較接近實用。
 |
．RFID 在智慧包裝的應用
Maximize Your ROI on Returnable Assets with RFID from Strategic Systems
來源：公眾號 作者：稻源微電子
所謂智慧包裝，就是在現有包裝技術上，添加更多的相關資訊，並可以採用目前先進的智慧手機、互聯網、物聯網予以讀取，從而使包裝具有更大的資訊容量。
RFID是一種非接觸式的射頻辨識技術，它具有以下特點：
唯一性
RFID可以給物聯網每一個物品一個「電子身份證」
每一個RFID電子標籤，具有全球唯一號碼(標籤不可複製、仿造)，可以實現產品的防偽、溯源、防竄貨。
高效性
RFID技術具有遠距離群讀功能(距離10M一分鐘可讀取幾千張標籤)。
智慧包裝大數據
供應鏈實現跟蹤與追溯，確保端到端的完整透明度。為消費者提供格外商品資訊並進行互動，實現B2B到B2C的服務轉變。
透過使用RFID 技術，比如近距離無線通信 (NFC) ，與超高頻 (UHF)，智慧化的包裝產品，能夠在整個供應鏈中，輕鬆地實現跟蹤與追溯，確保端到端(即從核心原材料，到產品使用壽命結束，及再利用的整個過程)的完整透明度。