Os campos da robótica e da inteligência artificial estão a evoluir a um ritmo sem precedentes, impulsionados pela inovação e pelas crescentes exigências de autonomia, eficiência e segurança. Para compreender melhor essas mudanças, a MassRobotics conduziu uma pesquisa abrangente com profissionais dos ecossistemas de robótica e IA. Esta pesquisa de mercado foi desenvolvida e implantada com o apoio e orientação da Lattice Semiconductor, para quem este relatório foi originalmente preparado.
Este relatório resume os principais insights de 40 entrevistados do ecossistema de inovação, oferecendo um retrato das práticas atuais, desafios e expectativas futuras em fusão de sensores, integração de IA, controle motor, consumo de energia e segurança. Os participantes incluíram uma gama diversificada de profissionais, desde engenheiros e líderes técnicos até gerentes de produto e executivos, representando empresas desde startups a grandes corporações multinacionais, bem como instituições acadêmicas.
1. Fusão de sensores para detecção aprimorada de objetos: uma faca de dois gumes
A detecção de objetos é fundamental para a autonomia robótica, e a pesquisa destaca uma forte dependência de combinações sofisticadas de sensores. Mais de dois terços dos entrevistados (67,5%) utilizam LiDAR em conjunto com câmeras (85% usam câmeras em geral), que 75,7% dos entrevistados consideraram a combinação “mais eficaz”. Outros tipos de sensores comumente usados incluem Time-of-Flight (50%) e IMUs (62,5%).
Apesar da eficácia destas abordagens multissensoriais, persistem desafios significativos. O custo e a complexidade da integração foram as barreiras mais citadas pelos profissionais. Além disso, as necessidades de precisão e calibração/manutenção surgiram regularmente como preocupações. Isso ressalta uma clara necessidade da indústria por soluções mais simplificadas e econômicas para integração de múltiplas modalidades de sensores.
2. Impulso crescente do Edge AI
Uma tendência significativa emergente da pesquisa é a crescente adoção de IA no nível do sensor ou “borda”. Atualmente, metade dos entrevistados (50%) já está implementando IA no nível do sensor. Destes, 72,7% aplicam alguma forma de modelo de aprendizado de máquina, 54,5% usam especificamente “Edge AI” e 40,9% incorporam “Redes Neurais”.
Olhando para o futuro, muitos antecipam uma maior mudança da inteligência para a periferia nos próximos anos. Os principais impulsionadores dessa inteligência distribuída são o desejo de reduzir a latência, melhorar o desempenho em tempo real e diminuir a sobrecarga de transferência de dados. Essa mudança sinaliza uma demanda crescente por hardware de IA de baixo consumo de energia que possa lidar com inferências diretamente no dispositivo.
3. Controle do motor: criticidade da resposta e eficiência em tempo real
O controle do motor continua sendo um componente central dos sistemas robóticos, com servo motores (55,3%), motores DC (44,7%) e motores de passo (31,6%) sendo os tipos mais comuns usados. A pesquisa revelou que a resposta em tempo real é “altamente crítica” para 51,3% dos entrevistados e “um pouco crítica” para outros 33,3%.
Os principais desafios no controle de motores incluem a demanda por controle em tempo real (43,6%), eficiência energética (41%) e precisão (28,2%). Essa ênfase na capacidade de resposta imediata e na conservação de energia aponta para uma necessidade da indústria por circuitos de controle avançados e soluções de acionamento de motor que minimizem a latência e otimizem o uso de energia.
4. Consumo de energia: busca constante por eficiência
Alcançar um equilíbrio ideal entre desempenho e eficiência energética é um desafio persistente na robótica. Metade dos entrevistados classificou a sua satisfação atual com o consumo de energia em “3” numa escala de 1 a 5 (sendo 5 o mais satisfeito), indicando satisfação moderada. Apenas 10,5% expressaram alta satisfação.
Para muitos sistemas, 44,4% dos entrevistados visam um limite de potência de 50 a 100 W, com outros visando limites ainda mais baixos (<10 W ou 10 a 50 W). A necessidade de um processamento integrado mais eficiente, a redução da dependência de GPUs que consomem muita energia e a melhoria da tecnologia de bateria foram repetidamente citadas como avanços cruciais. Isto destaca uma forte demanda do mercado por soluções que ofereçam capacidades de processamento robustas sem comprometer a eficiência energética.
5. Segurança e proteção: urgência crescente com integração de IA
À medida que os sistemas robóticos se tornam mais autónomos e interligados, as preocupações com a segurança e a proteção aumentam. Uma maioria significativa dos entrevistados (64%) já implementa sensores redundantes e utiliza componentes com classificação de segurança. No entanto, a integração da IA introduz novas complexidades.
As ameaças à cibersegurança foram destacadas por 48,6% dos entrevistados como o seu maior desafio de segurança, seguidas pela proteção de dados (35,1%) e pela integridade do sistema (35,1%). Embora muitos entrevistados tenham reconhecido essas preocupações, muitas vezes falta um plano concreto para a segurança focada em IA, com apenas alguns mencionando isolamento de hardware ou criptografia. Essa lacuna ressalta a necessidade crítica de medidas robustas de segurança em nível de hardware, como inicialização segura, criptografia e detecção de adulteração, especialmente à medida que mais processos de IA migram para a borda.
Abordando as principais tendências
“Random Bin Picking Based On Structured-Light 3D Scanning”, um white paper da Lattice Semiconductor, descreve uma abordagem para enfrentar vários desafios destacados na pesquisa da MassRobotics, particularmente em relação à detecção de objetos, complexidade de fusão de sensores e a demanda por soluções mais econômicas. A Lattice postula que suas soluções FPGA podem reduzir o custo da lista de materiais (BOM) do sistema. Eles chegaram a essa conclusão projetando um sistema onde o FPGA, localizado no módulo do sensor, particiona as tarefas de computação, descarregando o processamento do módulo de computação principal. Isso envolve a geração de sequências de luz estruturadas pelo FPGA e a sincronização da captura da câmera.
Uma descoberta importante foi que o FPGA pode codificar as imagens capturadas em uma imagem compacta codificada de 10 bits, em vez de enviar sequências brutas, o que reduz significativamente a largura de banda necessária para a comunicação Ethernet (por exemplo, uma redução de dados de 16x para um cenário 1080p de 680 MB para 41 MB). Além disso, Lattice identificou que FPGAs podem assumir tarefas de computação intensiva, como triangulação, para gerar imagens de profundidade e também podem executar aspectos de detecção e segmentação de objetos baseados em aprendizado de máquina, reduzindo assim as demandas de processamento no módulo de computação principal (CPU/GPU).
Esta abordagem apoia a observação da pesquisa sobre a necessidade de um processamento integrado mais eficiente e de redução da dependência de GPUs que consomem muita energia. O baixo consumo de energia e o formato pequeno dos FPGAs Lattice também permitem que o módulo do sensor seja projetado sem a necessidade de componentes adicionais de dissipação de calor, contribuindo para um BOM reduzido para o módulo do sensor. Um sistema de demonstração de prova de conceito (PoC) foi construído utilizando um projetor de uso geral, uma placa de desenvolvimento CPNX VVML, um NVIDIA Jetson Orin Nano e um braço robótico UFACTORY LITE6 para verificar esses conceitos.
Esses recursos são sustentados pela pilha de soluções sensAI da Lattice, que fornece modelos pré-treinados, ferramentas de desenvolvimento e designs de referência para acelerar a implantação.
O white paper da Lattice sobre “Hub de sensores para fusão de dados de baixa latência de quase sensores em sistemas de IA” aborda diretamente as principais tendências da pesquisa MassRobotics, incluindo o impulso crescente da IA de borda, a criticidade da resposta em tempo real, os desafios persistentes de consumo de energia e a crescente urgência de segurança e proteção com integração de IA. Lattice postula que os FPGAs servem como uma solução de hardware valiosa, agindo como uma “ponte” entre sensores, atuadores e unidades principais de processamento, apoiando a mudança da inteligência para a borda. Eles chegaram a essas descobertas desenvolvendo um sistema de demonstração de prova de conceito (PoC), onde um FPGA Lattice Avant processa simultaneamente dados brutos de vários tipos de sensores: uma câmera, lidar e radar.
Através desta demonstração, Lattice observou que os FPGAs oferecem recursos de entrada/saída (E/S) flexíveis e personalizáveis, permitindo conectividade com uma ampla gama de diversos sensores e atuadores, o que ajuda a superar as limitações de E/S frequentemente encontradas em módulos de computação de alto desempenho. As descobertas da Lattice indicam que a realização de processamento paralelo baseado em hardware próximo aos sensores reduz significativamente a latência para tarefas críticas, como a fusão de sensores; por exemplo, eles demonstraram o processamento de dados lidar do VLP16 em 0,32 milissegundos, em comparação com 1,32 milissegundos para transmissão de pacotes.
Este processamento próximo ao sensor também reduz o consumo geral de energia do sistema, processando os dados localmente antes de transmiti-los ao módulo de computação principal, atendendo à “busca perpétua por eficiência”. O PoC demonstrou ainda uma fusão de sensores eficaz ao combinar caixas delimitadoras de detecção humana baseadas em câmeras com dados de nuvem de pontos lidar e saída de objetos de radar, o que melhorou a precisão e a tomada de decisões do sistema, abordando diretamente os “desafios de integração e fusão de sensores” observados na pesquisa e a necessidade de “soluções de fusão de sensores mais acessíveis”.
Essa capacidade de fusão permite aplicações que podem reduzir o consumo de energia (por exemplo, radar acionando AI/ML de câmera somente quando movimento é detectado) ou aumentar a segurança (por exemplo, criar cercas de segurança virtuais usando AI/ML para definir regiões de interesse para dados de radar). O formato pequeno, o baixo consumo de energia e a falta de necessidade de um sistema de resfriamento para FPGAs Lattice também os tornam adequados para aplicações robóticas. O processo de desenvolvimento dessas soluções pode integrar ferramentas como High Level Synthesis (HLS) e Matlab/Simulink, suportadas pelo sensAI Studio e Edge Vision Engine da Lattice, que agilizam o desenvolvimento e implantação de modelos de IA para aplicações de ponta.
Sobre MassRobotics
MassRobótica é o maior centro de robótica independente do mundo dedicado a acelerar a inovação, comercialização e adoção da robótica. Sua missão é ajudar a criar e dimensionar a próxima geração de empresas bem-sucedidas de robótica e tecnologia de IA física, fornecendo a empreendedores e startups o espaço de trabalho, recursos, programação e conexões de que precisam para desenvolver, prototipar, testar e comercializar seus produtos e soluções. Embora a MassRobotics tenha origem e esteja sediada em Boston, estamos alcançando e apoiando a aceleração e adoção da robótica em todo o mundo e trabalhando com startups, universidades, indústria e governos, tanto nacional quanto internacionalmente.
Sobre Semicondutores Malha
Semicondutor de treliça (NASDAQ: LSCC) é o líder programável de baixo consumo de energia. Resolvemos os problemas dos clientes em toda a rede, desde a borda até a nuvem, nos crescentes mercados de comunicações, computação, industrial, automotivo e de consumo. Nossa tecnologia, relacionamentos de longa data e compromisso com suporte de classe mundial permitem que nossos clientes liberem sua inovação de forma rápida e fácil para criar um mundo inteligente, seguro e conectado.