దీర్ఘకాలంగా కోరుకున్న సెన్సార్ కలయిక మార్కెట్కు మరింత దగ్గరగా
ఏళ్లుగా, రోబోటిక్స్ మరియు autonomous-vehicle డెవలపర్లకు ఒకే integration సమస్యను పరిష్కరించాల్సి వచ్చింది: cameras విజువల్ వివరాలను క్యాప్చర్ చేస్తాయి, lidar ఖచ్చితమైన depthను కొలుస్తుంది, ఆపై ఇంజనీర్లు ఈ రెండు streamsను calibrate, synchronize, fuse చేసి ప్రపంచాన్ని ఒక సమగ్ర రూపంలో అర్థం చేసుకుంటారు. ఈ రెండు-sensor విధానం ఇక అవసరం లేదని Ouster ఇప్పుడు వాదిస్తోంది.
సాన్ ఫ్రాన్సిస్కోలో ఉన్న lidar కంపెనీ Rev8 అనే కొత్త product familyని ప్రకటించింది, ఇది native color lidar అని వివరిస్తోంది. ప్రాక్టికల్గా, ఈ sensors రంగు చిత్రాలు మరియు మూడు-డైమెన్షనల్ లోతు సమాచారాన్ని ఒకే సమయంలో క్యాప్చర్ చేస్తాయి; సంప్రదాయంగా విడిగా ఉన్న పనిని ఒకచోట చేర్చుతున్నాయి.
ఇది ఎందుకు ముఖ్యమైంది
ఈ launch ప్రాముఖ్యత specification race కంటే perception stackలో మార్పులో ఎక్కువగా ఉంది. ఒక robot లేదా vehicle ఒకే sensorపై image, depth data రెండింటికీ ఆధారపడగలిగితే, hardware complexity తగ్గవచ్చు, calibration overhead తగ్గవచ్చు, software pipelines సరళమవుతాయి. TechCrunchలో నివేదించబడిన వ్యాఖ్యల్లో Ouster CEO Angus Pacala ఈ దృశ్యాన్ని నేరుగా వివరించి, దీనిని roboticsలో చాలా కాలంగా కోరుకున్న సామర్థ్యంగా పేర్కొన్నారు.
అది అర్థవంతమే. multi-sensor fusion autonomy engineeringలో అవసరమైన కానీ ఖర్చుతో కూడుకున్న భాగాలలో ఒకటి. అది బాగా పనిచేసినా, operational dragను సృష్టిస్తుంది. డెవలపర్లు viewpointsను align చేయాలి, driftను పరిగణనలోకి తీసుకోవాలి, sensors మధ్య తేడాలను పరిష్కరించాలి, పరిస్థితులు మారినప్పుడు పనితీరును నిలబెట్టుకోవాలి. capture సమయంలోనే ఈ signalsను సహజంగా align చేసే device, అది చెప్పినట్లు పనిచేస్తే, స్పష్టమైన systems advantageను ఇవ్వగలదు.
కంపెనీ యొక్క పెద్ద వాదన
Ouster color lidarను చిన్న convenience upgradeగా చూపించడం లేదు. Pacala లక్ష్యం camerasను అవసరం లేకుండా చేయడమేనని, ఒకే sensor రెండు పనులను చేయలేడని చెప్పడానికి కారణం ఏమీ లేదని అన్నారు. cameras చౌకగా, విస్తృతంగా అందుబాటులో, బాగా అర్థమయ్యే విధంగా ఉండటం వల్ల బలంగా స్థిరపడిన మార్కెట్లో ఇది సాహసోపేతమైన వైఖరి.
అయితే, ఖచ్చితమైన spatial understanding appearance అంతే ముఖ్యమైన applicationsలో ఈ ఆలోచన సహజంగా ఆకర్షణీయంగా ఉంటుంది. robotics, industrial automation, autonomous drivingలో depth errors image imperfections కంటే ఎక్కువ ప్రభావం చూపవచ్చు. ఒక unified sensor బలమైన range dataతో పాటు meaningful color information ఇస్తే, perception నుంచి actionకు మారే దారి సరళం కావచ్చు.
launch సమయం
Rev8 సెన్సింగ్ కంపెనీలకు గందరగోళంగా, కానీ చాలా చురుకుగా ఉన్న సమయంలో వస్తోంది. lidar industry సంవత్సరాలుగా consolidationను చూసింది, ఇందులో Ouster యొక్క Velodyne acquisition మరియు ఇటీవల Luminarకి సంబంధించిన bankruptcy-linked asset acquisition ఉన్నాయి. అదే సమయంలో, perception hardwareపై డిమాండ్ తగ్గకుండా విస్తరిస్తోంది.
Robotaxi కార్యక్రమాలు విస్తరిస్తున్నాయి; Waymo వంటి కంపెనీలు deploymentsను పెంచుతున్నాయి. industrial మరియు humanoid robotics startups కూడా పెట్టుబడులను ఆకర్షిస్తున్నాయి, వారికి మరింత సామర్థ్యం గల sensor suites అవసరం. Teradar మరియు దాని terahertz-based imaging approach ప్రస్తావనలో కనిపించినట్లుగా, కొత్త ప్రవేశకులు ప్రత్యామ్నాయ modalitiesను కూడా అన్వేషిస్తున్నారు. అలాంటి వాతావరణంలో, sensor vendors ధర లేదా range మాత్రమే కాక, architectural usefulnessపై ఆధారపడి తమను వేరుగా నిలబెట్టుకోవాల్సిన ఒత్తిడిలో ఉన్నారు.
ఆటోనమస్ వాహనాలకు మించి
lidar గురించి తరచుగా self-driving cars కోణంలో చర్చ జరుగుతున్నప్పటికీ, Ouster ప్రకటన విస్తృత robotics మార్కెట్కి సంకేతం ఇస్తోంది. warehouses, industrial facilities, security systems, mobile robots, మరియు అభివృద్ధి చెందుతున్న humanoid platforms అన్నీ ఖచ్చితమైన, బలమైన, సులభంగా deploy చేయగల perception systemsను కోరుకుంటున్నాయి. native color lidar installation complexity మరియు maintenance burden నేరుగా వ్యాపార సాధ్యతను ప్రభావితం చేసే చోట ప్రత్యేకంగా ఆకర్షణీయంగా ఉండవచ్చు.
ఒకే sensor calibration effortను తగ్గిస్తూ rich environmental understandingను నిలబెట్టగలిగితే, integrators performance మరియు operating efficiency రెండింటిలోనూ లాభపడగలరు. ఇది ముఖ్యంగా consumer-scale deploymentsకు బయట ప్రాముఖ్యంగా ఉంటుంది, అక్కడ engineering hours మరియు field reliability చాలా సార్లు నిర్ణయాత్మక ఖర్చు అంశాలు.
ఇంకా నిరూపించాల్సినవి ఏమిటి
launch announcement బలమైన భావనాత్మక వాదనను ఇస్తోంది, కానీ కొన్ని ప్రాక్టికల్ ప్రశ్నలు ఈ technology ఎంత disruptive అవుతుందో నిర్ణయిస్తాయి. మూల పాఠ్యం separate camera-plus-lidar setupsతో పోల్చిన detailed comparative performance dataని ఇవ్వలేదు, లేదా అన్ని సంబంధిత పరిస్థితుల్లో image quality conventional camerasతో సరిపోతుందా అని నిర్ధారించలేదు. కొనుగోలుదారులు ముందు పరీక్షించేది ఇవే.
ఒక strategic ప్రశ్న కూడా ఉంది. color lidar కొన్నిసార్లు technicalగా camerasను భర్తీ చేయగలిగినా, అనేక developers ప్రారంభంలో దాన్ని complementary sensorగా ఉపయోగించి, ఆపై తమ systemsను దాని చుట్టూ పునర్నిర్మించవచ్చు. perception stacks సాధారణంగా దశలవారీగా అభివృద్ధి చెందుతాయి, ఎందుకంటే reliability అవసరాలు ఎక్కువగా, qualification cycles పొడవుగా ఉంటాయి.
సెన్సార్ డిజైన్లో గమనించదగ్గ మార్పు
ఈ caveats ఉన్నప్పటికీ, Ouster ప్రకటన lidar కంపెనీలు తమను తాము ఎలా స్థానం చేసుకుంటున్నాయనే విషయంలో ఒక గణనీయమైన మార్పును సూచిస్తుంది. depthను ఒక పెద్ద sensor bundleలోని ఒక పొరగా విక్రయించడం బదులు, కంపెనీ మరో ప్రధాన sensing roleను పూర్తిగా గ్రహించగల platformను ప్రతిపాదిస్తోంది.
అది resolution మెరుగుపరచడం లేదా స్వల్పంగా ఖర్చులు తగ్గించడం కంటే పెద్ద వాదన. perception competition తదుపరి దశ sensor categoriesను కలిపేయడంపైనే ఉండొచ్చని, వాటిని ఒక్కొక్కటిగా మెరుగుపరచడంపైనే కాకపోవచ్చని ఇది సూచిస్తోంది. Rev8 fieldలో బాగా పనిచేస్తే, దాని ప్రభావం autonomous carsను దాటి, ఇప్పుడు రూపుదిద్దుకుంటున్న విస్తృత industrial robotics boomను కూడా తాకవచ్చు.
ఈ వ్యాసం TechCrunch నివేదికపై ఆధారపడింది. మూల వ్యాసాన్ని చదవండి.
Originally published on techcrunch.com
