Ouster, கேமரா-லிடார் அமைப்பை மாற்றும் native color lidar-இல் பந்தயம் வைக்கிறது

நீண்டநாள் எதிர்பார்க்கப்பட்ட சென்சார் சேர்க்கை சந்தைக்கு மேலும் அருகில்

பல ஆண்டுகளாக, ரோபோட்டிக்ஸ் மற்றும் தன்னாட்சி வாகனங்களை உருவாக்குபவர்கள் ஒரே ஒருங்கிணைப்பு சிக்கலைத் தீர்க்க வேண்டியிருந்தது: cameras காட்சி விவரங்களைப் பிடிக்கின்றன, lidar துல்லியமான ஆழத்தைக் கணக்கிடுகிறது, பின்னர் பொறியாளர்கள் இரு தரவோட்டங்களையும் calibrate, synchronize, fuse செய்து உலகை ஒருங்கிணைந்த முறையில் புரிந்துகொள்கிறார்கள். Ouster இப்போது இந்த இரண்டு-சென்சார் அமைப்பு இனி தேவையில்லை என்று வாதிடுகிறது.

சான் பிரான்சிஸ்கோவைத் தலைமையிடமாகக் கொண்ட lidar நிறுவனம் Rev8 எனப்படும் புதிய product family-ஐ அறிவித்துள்ளது; இது native color lidar என நிறுவனம் விவரிக்கிறது. நடைமுறையில், இந்த சென்சார்கள் நிறப் படங்களையும் மூன்று-பரிமாண ஆழத் தகவலையும் ஒரே நேரத்தில் பிடிக்கின்றன; பாரம்பரியமாக தனித்தனியாக இருந்த பணியை ஒன்றாகக் கொண்டு வருகின்றன.

இதன் முக்கியத்துவம்

இந்த launch-இன் முக்கியத்துவம் ஒரு specification போட்டியை விட perception stack-இல் ஏற்படும் மாற்றத்தில்தான் உள்ளது. ஒரு robot அல்லது vehicle ஒரே சென்சாரை image மற்றும் depth data இரண்டிற்கும் நம்பி செயல்பட முடிந்தால், hardware complexity குறையலாம், calibration overhead குறையலாம், software pipelines எளிமையாக்கப்படலாம். TechCrunch செய்தியாக்கிய கருத்துகளில் Ouster CEO Angus Pacala இந்தக் காட்சியை நேரடியாக முன்வைத்து, robotics-இல் நீண்டநாள் எதிர்பார்க்கப்பட்ட இலக்காக இந்த combined capability-ஐ விவரித்தார்.

அது பொருத்தமாகவே தெரிகிறது. multi-sensor fusion என்பது autonomy engineering-இன் அவசியமான ஆனால் செலவான பகுதிகளில் ஒன்றாக இருந்துள்ளது. நன்றாக வேலை செய்தாலும், அது operational drag-ஐ உருவாக்குகிறது. Developers கண்ணோட்டங்களை align செய்ய வேண்டும், drift-ஐ கணக்கில் எடுக்க வேண்டும், சென்சார்களுக்கிடையிலான முரண்பாடுகளைத் தீர்க்க வேண்டும், சூழ்நிலைகள் மாறும்போது செயல்திறனை பராமரிக்க வேண்டும். capture நேரத்திலேயே இந்த signals-ஐ இயல்பாக align செய்யும் சாதனம், அதன் செயல்திறன் விளக்கப்பட்டபடி இருந்தால், தெளிவான systems advantage-ஐ தரும்.

நிறுவனத்தின் பெரிய வாதம்

Ouster color lidar-ஐ சிறிய convenience upgrade என முன்வைக்கவில்லை. Pacala, cameras-ஐ தேவையற்றதாக ஆக்கும் நிலை இலக்கு என்று கூறினார்; ஒரே sensor இரண்டு பணிகளையும் செய்ய முடியாதென்ற காரணம் எதுவும் இல்லை என்றார். cameras மலிவானவை, பரவலாக உள்ளவை, நன்கு புரிந்தவை என்பதால் ஆழமாக நிலைத்திருக்கும் சந்தையில், இது துணிச்சலான நிலைப்பாடாகும்.

இருப்பினும், துல்லியமான spatial understanding appearance-ஐவிட முக்கியமான applications-இல் இந்த யோசனை இயல்பாக ஈர்க்கக்கூடியது. robotics, industrial automation, autonomous driving ஆகியவற்றில், depth பிழைகள் image குறைபாடுகளைவிட அதிக விளைவுகளை ஏற்படுத்தலாம். ஒருங்கிணைந்த சென்சார் வலுவான range data-ஐ meaningful color தகவலோடு வழங்கினால், perception-இலிருந்து action-க்கு செல்லும் பாதை எளிதாகலாம்.

Launch-இன் நேரம்

Rev8, sensing நிறுவனங்களுக்கு குழப்பமானதும் மிகவும் செயலில் இருக்கும் காலகட்டத்தில் வருகிறது. lidar துறை பல ஆண்டுகளாக consolidation-ஐ அனுபவித்துள்ளது; இதில் Ouster-இன் Velodyne acquisition மற்றும் அண்மைய Luminar தொடர்பான bankruptcy-linked asset acquisition ஆகியவை உள்ளன. அதே நேரத்தில், perception hardware-க்கு உள்ள தேவை குறையாமல், பரவலாகிவருகிறது.

Robotaxi programmes விரிவடைகின்றன; Waymo போன்ற நிறுவனங்கள் deployment-களை பெருக்குகின்றன. industrial மற்றும் humanoid robotics startups-களும் முதலீட்டை ஈர்த்துக்கொண்டு, அதிக திறன் கொண்ட sensor suites தேவைப்படுகின்றன. Teradar மற்றும் அதன் terahertz-based imaging approach பற்றிய குறிப்பில் காண்பதுபோல, புதிய நிறுவனங்களும் மாற்று modalities-ஐ ஆராய்கின்றன. அந்த சூழலில், sensor vendors-க்கு விலை அல்லது range மட்டுமல்லாமல், architectural usefulness-இல் தங்களை வேறுபடுத்தும் அழுத்தம் உள்ளது.

தன்னாட்சி வாகனங்களுக்கு அப்பால்

lidar பெரும்பாலும் self-driving cars என்ற கோணத்தில் பேசப்பட்டாலும், Ouster-இன் அறிவிப்பு பரந்த robotics சந்தையைச் சுட்டிக்காட்டுகிறது. warehouses, industrial facilities, security systems, mobile robots, மற்றும் வளர்ந்து வரும் humanoid platforms ஆகிய அனைத்துக்கும் துல்லியமான, உறுதியான, எளிதில் deploy செய்யக்கூடிய perception systems தேவை. native color lidar, installation complexity மற்றும் maintenance burden நேரடியாக வணிகத் தகுதியை பாதிக்கும் சூழலில், குறிப்பாக கவர்ச்சிகரமாக இருக்கலாம்.

ஒரே சென்சார் calibration effort-ஐ குறைத்தபடியே rich environmental understanding-ஐ வைத்திருக்க முடிந்தால், integrators-க்கு performance மற்றும் operating efficiency இரண்டிலும் நன்மை கிடைக்கலாம். இது consumer-scale deployments-க்கு வெளியே மிகவும் முக்கியம்; அங்கு engineering hours மற்றும் field reliability ஆகியவை பெரும்பாலும் முடிவை நிர்ணயிக்கும் செலவுக் காரணிகள்.

இன்னும் என்ன நிரூபிக்கப்பட வேண்டியுள்ளது

launch அறிவிப்பு ஒரு வலுவான கருத்தரங்குத் தர்க்கத்தை முன்வைக்கிறது, ஆனால் பல நடைமுறை கேள்விகள் இந்த technology எவ்வளவு disruptive ஆகும் என்பதை தீர்மானிக்கும். மூல உரை, separate camera-plus-lidar setups-உடன் விரிவான comparative performance data-ஐ வழங்கவில்லை; மேலும் எல்லா பொருத்தமான சூழல்களிலும் image quality conventional cameras-க்கு சமமா என்பதையும் நிரூபிக்கவில்லை. வாங்குபவர்கள் முதலில் சோதிப்பவை இவைதான்.

ஒரு strategic கேள்வியும் உள்ளது. color lidar தொழில்நுட்ப ரீதியாக சில deployment-களில் cameras-ஐ மாற்றக்கூடியதாக இருந்தாலும், பல developers ஆரம்பத்தில் அதை complementing sensor ஆகவே பயன்படுத்தி, பின்னர் அதை மையமாகக் கொண்டு systems-ஐ மறுவடிவமைக்கலாம். perception stacks பெரும்பாலும் படிப்படியாகவே வளர்கின்றன, ஏனெனில் reliability தேவைகள் உயர்ந்தவை, qualification cycles நீண்டவை.

சென்சார் வடிவமைப்பில் குறிப்பிடத்தக்க மாற்றம்

இந்த caveats இருந்தபோதும், Ouster-இன் அறிவிப்பு lidar நிறுவனங்கள் தங்களை நிலைநிறுத்தும் விதத்தில் ஒரு அர்த்தமுள்ள மாற்றத்தை குறிக்கிறது. depth-ஐ ஒரு பெரிய sensor bundle-இன் ஒரு அடுக்காக விற்பதற்குப் பதிலாக, நிறுவனம் இன்னொரு core sensing role-ஐ முழுமையாக உள்வாங்கக்கூடிய platform-ஐ முன்வைக்கிறது.

அது resolution-ஐ மேம்படுத்துவது அல்லது செலவை சிறிதளவு குறைப்பது என்பதைக் காட்டிலும் பெரிய வாதம். perception போட்டியின் அடுத்த கட்டம் sensor categories-ஐ ஒன்றாகக் களைவதைப் பற்றியே இருக்கும், ஒவ்வொன்றையும் தனித்தனியாக மேம்படுத்துவது மட்டும் அல்ல என்று இது சொல்கிறது. Rev8 field-இல் நன்றாக செயல்பட்டால், அதன் தாக்கம் autonomous cars-ஐத் தாண்டி, இப்போது உருவாகிக்கொண்டிருக்கும் பரந்த industrial robotics boom-ஐத் தொட்டும் செல்லலாம்.

இந்தக் கட்டுரை TechCrunch செய்திப்பதிவை அடிப்படையாகக் கொண்டது. மூலக் கட்டுரையைப் படிக்கவும்.