士兰科技陈士凯：激光雷达和机器人如何改变智能建筑？丨美的TRUE大会
士兰科技陈士凯：激光雷达和机器人如何改变智能建筑？丨美的TRUE大会
今天非常荣幸与大家分享士兰微近年来在机器人行业和智能建筑行业的相关工作。
首先我们简单介绍一下士兰。 我公司主要从事核心传感器激光雷达和机器人自主导航定位产品的研发与应用。 在行业内，我们是国内第一家推出低成本激光雷达传感器的公司，并打破了国外的一些技术垄断和价格壁垒，填补了国内激光雷达市场的空白。 这是士兰微的第一笔业务。
士兰微的第二个业务叫环境感知，主要包括激光、其他传感器、导航算法的融合，让机器人能够更智能地构建地图并在环境中进行智能导航。 第三部分是基于传感器和环境感知能力，让我们拥有控制物体行走的能力，比如机器人，通俗地说就是自主驾驶的能力。 以上就是我们士兰的产业的主要方向。
这三个方向其实和今天的智能建筑息息相关。 如今，机器人在建筑物中尤其常见。 我们相信机器人是连接智能设备和建筑生活的智能纽带。 因为它有一个可以自主移动的特殊属性，所以可以通过移动进一步扩展原本不可移动的AI智能设备的功能。 。 正因为看到了这一巨大潜力，士兰微自成立以来一直致力于为机器人提供感知和智能运动能力，赋能各类应用场景。 当然，我们目前对智能建筑做出的贡献并不仅限于机器人。 例如，激光雷达可以做更多事情。
近年来，我们通过媒体报道听说激光雷达在无人驾驶领域有很多应用，但实际上它最早的应用可以认为是在工业和智能建筑方面。 因为激光雷达本身就是一个测量传感器，通过发射激光并检测激光回波信号，可以非常准确地确定物体距离传感器本身的位置。 通过光的方向性，可以非常高精度地表征其所处的环境。 ，这个功能非常适合环境扫描和测量。
基于其技术的不同，现在行业内对其有很多细分。 如果按照激光束来划分，可以分为2D和3D。 虽然这款2D激光雷达听起来不像多波束3D激光雷达那么高端，但事实上，它的测量精度和可靠性有着非常高的要求。
第二类是根据其扫描原理分类。 传统激光雷达采用机械方式进行360度或空间扫描，也就是我们所说的机械激光雷达。 近两年，随着激光束的增加，或者汽车行业对稳定性的要求更高，诞生了很多基于完全非机械扫描的固态或混合激光雷达。
经过几年的发展，激光雷达不再只是一个传感器，而是传感器+算法的结合体。 这就是我今天要重点讲的。 激光雷达本身是主要传感器。 近年来，结合相关算法，可以给很多行业带来一些具体的、意想不到的应用。 例如，PPT屏幕实际上显示了许多建筑行业或随后的环境勘探和测量行业中使用的激光测绘机或手持测绘设备。 该设备包含一个或多个激光器。 雷达还将得到其他一些传感器的协助。 该设备通常背在人背上或安装在机器人内。 当人行走或机器人在环境中移动时，激光雷达可以进行高精度测量。 特征。
PPT图中间和右侧两张图是分别使用二维和三维激光雷达测量环境得到的环境效果。 这个测量对我们来说非常重要。 首先，当我们开始测绘时，我们可以使用激光雷达来勾勒出地图的实际空间属性。 在第二部分中，我们现在将讨论数字孪生等主题，如何将物理世界与虚拟或虚拟世界结合起来。 关联和绑定数字世界的第一步是收集空间环境中可以直接使用的数值信息。 在这个过程中，激光雷达提供的信息起到了至关重要的作用。
PPT屏幕中的一个小装置。 这是我们前年针对空间测绘需求推出的全新激光雷达形态。 它被称为测绘激光雷达。 这款激光雷达不仅包括激光传感器本身，空间环境测绘所需的相关算法和处理系统也全部嵌入在激光雷达中。 只要该产品通电并握在手中，就可以实时绘制屏幕上看到的平面或三维地图，帮助设备在实际情况中使用。 场景使用时，无需二次开发，使用非常简单。
接下来我们就来介绍一下注册。 这是激光雷达在我们行业的主要功能。 它还利用了高精度测绘能力，不过这次的数据不是用于地图构建，而是与原始地图进行匹配。 目的是什么？ 这就是所谓的注册。
通俗地说，就是定位，因为我们知道，在建筑物中，存在一个技术挑战，就是GPS、北斗等定位信号被遮挡，在某些情况下无法使用。 尤其是现在，从国家安全的角度来说，我国有一些大型的地下停车场或者掩体，也是有定位要求的。 最直观的就是，我们在寻找停车位的时候，室内没有GPS信息。 这个时候我们就利用激光雷达本身来进行高精度的测量。 信息化是主流解决方案。 这也是目前激光雷达广泛应用于机器人的原因。 它使用了激光雷达注册的功能。 该功能不仅仅用于机器上。 我们刚才提到的空间测量和测绘也用到了这个技术。 它不是用在机器人上，而是用在人背着机器来实现定位。 。
刚才讲的是大家对传统激光雷达的理解。 事实上，除了上述应用6之外，激光雷达近年来也有了新的应用，比如交互。 由于激光雷达具有高精度、高方向性的特点，所以现在在一些行业，比如多媒体或者教育，我们可以用激光雷达来代替红外或者基于电流的触摸屏，实现大面积环境触摸的感知和测量。 该应用程序使用激光雷达作为输入设备。 另外，目前的一些商场或者大型展厅，或者一些智能交互终端，将交互相关的手势数据集成到激光中，像传统鼠标一样直接将信息反馈到相关场景。 根据激光雷达的高级环境剖面测量信息和高级方向性进行识别和反应。 人机交互方式也满足了客户低成本、低部署的需求，对场地环境要求不是很高，但交互形式和内容大大增加了互动性和娱乐性。
分享完激光雷达，我们再来分享一下智能建筑和机器人的关系。 刚才提到的激光雷达只是一个硬件传感器。 当机器人具备了实际移动的能力之后，它就可以通过其移动能力，真正的融合我们目前正在开发的东西，比如智能设备、AI设备、大型模型等。 在真实生活中。
事实上，经过几年的发展，机器人已经逐渐从仅应用于某些细分市场，发展到现在与特定场景深度结合。 根据使用场景，机器人实际上可以分为室内使用或室外使用。 室内智能建筑是目前服务机器人服务场景的最好总结。 在这个场景中，他可以成为一个多功能的综合载体，比如配送、消毒等。 在这样的综合服务场景下，仍然存在很多挑战。 我把这些挑战概括为四个方面。
第一个是自主导航能力。 要解决自主导航能力问题，首先机器人需要具备较强的通过性。 现在很多机器人还停留在上一代——轮式机器人上，所以国家从去年就开始提倡这个。 第一代机器人：人形机器人。 当然，仿人机器人在实际行业的应用还需要数年的研发和试用期。 在目前的情况下，我们相信通过对现有轮式机器人进行一些简单的升级，很多原来的问题都可以得到解决。 无法解决的场景，例如室外或室内有门槛或坡道时，传统轮式机器人无法通过。 基本上，他们只能在相对平坦的表面、平坦的地面上，或者在当地的商场或办公室里工作。 但如果对其运动机构稍作修改，比如目前开发的下一代室内外通用机器人平台，它将具有良好的越障能力。 这是人形机器人成熟之前的补充。 这是目前的行业比较。 重要的研发点。
我们来谈谈几个核心部分。 机器人区别于传统计算设备的核心原因在于其具有移动性。 这种移动性是自主导航和空间感知。 自主导航就是刚才提到的运动能力，但是在解决运动能力问题之前，首先要解决空间感知问题。 机器人在陌生的环境中如何自我定位并构建地图？ 激光雷达可以很好地解决这个问题。 但这里有一个实际问题。 在我们当前的建筑中，环境变化非常普遍。 此时如何进行可靠的自学习，让机器人继续工作，是业界重点研发课题。
现在业界普遍如何解决这个问题，是我们要谈的第二个挑战。 在复杂且高度变化的环境中可靠定位。 从具体角度来看，最值得做的事情就是不要将自己局限于某种类型的传感器。 如今，机器人已广泛使用各种其他类型的传感器，主要包括视觉或毫米波或超声波解决方案。 融合，这种融合让机器人能够更多维度地理解环境，应对环境挑战。
第三部分是解决空间定位解决后，如何让机器人集群在建筑物之间相互协作、自主乘电梯、服务多层场景的问题。 因为现在机器人应用不再是一个点，而是一个面。 在智能建筑中，机器人不再只能为单一楼层的用户提供服务。 他们可以独立乘坐电梯并与不同类型的机器人互动。 调度，这个时候需要机器人本身进行额外的控制。 目前我们在这方面有很多工作正在进行。 我们提供可以自主上下电梯、多层移动的机器人底盘。 我们还可以基于云端对底盘进行相关监控和调度，实现多机协作和路权规划。 我们士兰目前也是整个行业的一些标准推动者，积极完善相关标准，助力行业发展。
最后一个挑战是我们发现在智能建筑中，机器人的使用是多种多样的。 也许某个特定的型号，比如酒店送货机器人，无法满足我们建筑物中机器人安全检查的需求。 作为具体的机器人，我们的逻辑是，我们认为机器人有很多应用场景，唯一不变的就是机器人自主移动和感知空间的能力。 我们过去几年所做的就是将其融入到空间和自主运动中。 单独提取出来，变成标准化的模块，这就是我们现在的产品体系，也是帮助客户快速开发迭代产品的能力。
在实际应用中，除了实际产品之外，运维服务也是非常关键和重要的一环，需要对机器人进行执行管理和多级空间调度。 刚才提到，机器人行业近年来发展非常迅速，应用场景和功能点很多。 事实上，机器人本身并不是一个产业。 机器人本身就是一种使能逻辑，所以我们要做的就是整合机器人本身的核心。 功能空间感知和自主移动能力更加标准化，浓缩成相对标准化的底盘产品。 不同的应用可以嫁接到这个标准化的机箱上，从而可以使用更成熟的产品。 标准化产品经过适当的定制和开发，可以打造出各种类型的机器人，减少部署、运维的种类和难度。
最后，从人工智能这个大领域来看，机器人行业其实还是比较传统的基于概率模型或者基于规则的人工智能。 你会发现，这几年，业界对于大模型在机器人行业的应用会有很多讨论。 这也是我们未来几年可以预见的。 现在在我们这个行业，刚才提到的一些困难，比如机器人如何应对环境的巨大变化，是用传统的概率模型很难解决的。 我们现在正在尝试将一些开源解决方案与机器人结合起来。 我们做了一个实验，我们把机器人的摄像头图像给到一个大模型上，然后开始工作，让机器人找到图像中的冰箱，然后让机器人移动到冰箱前，打开门，拿出一瓶东西。喝。 在这个过程中，大模型仍然可以工作。 我们做了一件有挑战性的事情，就是图中没有冰箱，但是我们告诉大模型找到冰箱，找到一瓶水。 对于很多大型模型来说，只要达到一定的规模，他说图中没有冰箱，但根据它的分析，也许我们在图中只看到了客厅。 冰箱最有可能出现在侧面的某个地方。 那里有一个厨房。 机器人应该旋转到位，使图片看起来像厨房或卧室。 门，然后让它过去。 这个发现深深地触动了我们。
我们在思考大型模型的未来对机器人意味着什么，是彻底颠覆我们现有的技术还是作为补充。 其实可以看出，我们认为现在的大型模型更多的是对机器人产业的补充，就像我们现在的人体结构一样。 人脑与大模型非常相似。 左右半球负责逻辑和想象力。 但在空间感知和运动能力方面，生物学的做法是有一个单独的小脑来做相关的感知和定位工作。 未来，我们相信现在的激光雷达和感知技术还会继续存在，但是和大模型的结合会让我们的机器人更加聪明、聪明。
此外，我们的行业仍然以轮式机器人为主，因为它们可以解决实际的常见应用。 然而，在未来四到五年内，多足或多模态人形机器人设备将成为智能建筑或人们日常生活的重要组成部分。 成为生活的主流。 以上就是我的分享，谢谢大家。