로봇 개인 비서를 유비쿼터스로 만들기

나는 최근에 MWC 상하이에 참석했습니다. 로봇은 매우 컸습니다. 나는 수십 개의 회사를 보았고 많은 응용 프로그램 중 하나에서 브랜드를 지정하고 제공할 고객을 찾고 있습니다. 로봇 간호사 Tug라는 응용 프로그램의 한 가지만 예로 들 수 있습니다. Star Wars에서 좀 더 실용적인 예를 생각하지 않는 한 이것은 공상 과학 로봇 이미지와 크게 다르지 않습니다. 바퀴 달린 상자이지만 탐색 및 장애물 회피를 포함하여 모바일 로봇에서 기대하는 많은 기능이 있습니다. 그것은 병원 주변을 탐색할 수 있으며 누군가가 병원 앞에 발을 디디면 멈추고 잘못된 IV 스탠드를 우회합니다. 엘리베이터를 호출하여 다른 층으로 이동할 수도 있습니다.

Tug의 요점은 환자에게 약과 음식을 전달하는 것이며 이미 미국의 37개 VA 병원에 배치되어 있습니다. 바쁜 캔디 스트리퍼의 어깨를 벗는 작업량을 상상해 보십시오. 노인 돌봄, 교육 지원, 레스토랑 및 호텔과 같은 다양한 보조 응용 프로그램이 있습니다. 이것을 스마트 스피커에 이어 개인 비서의 다음 큰 것으로 생각하십시오(Amazon은 이미 창고에서 작업하는 100,000개 이상의 로봇을 보유하고 있으므로 분명히 그들은 Echo의 속편으로 가정용 로봇을 작업하고 있습니다). 이것은 공상 과학 소설이 아닙니다. 홈 어시스턴트 로봇이 오늘 배송됩니다.

이러한 종류의 로봇을 생산하는 데에는 명백한 기술적 문제가 있지만, 몇 가지 분명한 차이점이 있지만 자율 주행 문제와 다르지 않습니다. 탐색 및 장애물 회피는 일반적이지만 명확한 주행 차선 및 교통 관리의 개념은 이러한 로봇에 적용되지 않습니다. 건물 내 장애물 회피 및 탐색에 관한 것입니다(임시 움직일 수 없는 장애물을 우회하기 위한 재매핑 포함). 자연어 인터페이스는 자동차에 있으면 좋을 수 있지만 로봇 조수에게는 필수적일 수 있습니다. 약국에서 잘못된 약을 보냈거나 식당에서 주문을 망쳤을 때 누가 버튼 누르기를 배우고 싶습니까?

Gartner는 최근 로봇에 대한 상위 10가지 AI 및 감지 요구 사항 목록을 발표했으며 그 중 다음이 포함됩니다.

• 컴퓨터 비전 – 장면 분석, 물체 인식 등

• 생체 인식 및 인증 – 나에게 말하고 있는 사람과 이러한 명령을 내릴 수 있는 사람

• 대화 인터페이스 – 음성 인식 및 자연어 처리

• 음향적인 풍경 분석 – 개 짖는 소리나 유리 깨지는 소리와 같은 독특한 소음 인식

• 위치 감지 – 나는 어디에 있고 무엇/누가 내 주변에 있는지

• 자율 이동 - 물체나 사람과 충돌하지 않고 건물의 다른 곳으로 대상으로 이동할 수 있는 기능

• 클라우드에만 의존하지 않는 로봇의 AI 기능

오늘날 이러한 기능으로 시스템을 구축하는 기본 접근 방식은 멀티코어 GPU 플랫폼을 기반으로 로봇에 AI 시스템을 구축하는 것으로 시작됩니다. 이것은 이해할 수 있습니다. 제품 빌더는 ASIC 세부 사항에 대해 걱정할 필요 없이 기성 플랫폼을 사용하여 솔루션의 프로토타입을 만들 수 있습니다. 이는 보다 전통적인 애플리케이션에 CPU 개발 보드를 사용하는 것과 거의 같은 방식입니다. 그러나 제품 볼륨이 증가하거나 제품을 증가시키려면 비용과 고객 만족도/차별화가 점점 더 중요해집니다. 기성 솔루션은 비싸고 전력 소모가 많으며 다른 사람들과 동일한 플랫폼을 사용할 때 구별하기 어렵습니다. 이것이 필연적으로 대량 솔루션이 ASIC 플랫폼으로 전환하는 이유입니다. 프로토타입에 투자한 모든 투자를 포기할 필요는 없습니다. 저비용 GPU 플랫폼이 솔루션의 일부로 남아 있을 수 있지만 상당한 수준의 AI 기능을 훨씬 더 비용 효율적이고 고도로 통합된 플랫폼으로 오프로드할 수 있습니다.

머신 러닝(ML) 애플리케이션에서 GPU보다 DSP의 와트당 성능 이점은 잘 알려져 있으며, 부동 소수점 연산에 대한 고정 소수점과 일부 플랫폼의 양자화 유연성으로 인해 부분적으로 파생됩니다. 그리고 맞춤형 솔루션의 가격 이점(수량 기준)은 잘 알려져 있습니다. 이것이 바로 기성 GPU보다 에지에서 볼륨/가격에 민감한 ML 애플리케이션에서 임베디드 DSP를 볼 가능성이 더 높은 이유입니다.

하지만 GPU에서 할 수 있는 모든 것을 할 수 있습니까? 꽤 많은 일을 할 수 있다는 것이 밝혀졌습니다. 위치 지정, 추적, 물체 인식 및 제스처 인식과 같은 컴퓨터 비전을 예로 들 수 있습니다. 이 수준의 비전 프로세싱은 오늘날 이미 일부 임베디드 DSP 기반 플랫폼에서 사용할 수 있습니다. 또는 로컬 재교육을 지원하는 자율 이동(클라우드로 이동할 필요 없이)을 가져옵니다. 이 인텔리전스를 지원하는 핵심 인식 기능은 GPU에서도 볼 수 있는 것과 동일한 기능을 DSP에서도 사용할 수 있습니다.

음성 인식/인증 및 음향 장면 분석도 오프로드할 수 있습니다. 이것들은 (여기에 있는 다른 예와 함께) 오프로딩이 왜 그렇게 중요한지를 깔끔하게 강조합니다. 이러한 각각의 지능형 작업은 음성 픽업 및 방향 확인에서 기본 단어 인식 및 궁극적으로는 자연어 처리(NLP)에 이르기까지 여러 단계로 나뉩니다. 마지막 단계는 도전적이며 클라우드로 이동해야 할 수 있습니다. 그러나 그 이전의 단계는 임베디드 솔루션에서 매우 편안하게 처리할 수 있습니다. 제한된 어휘만 인식해야 하거나 창 깨는 것과 같은 비언어적 신호를 감지하려는 일부 응용 프로그램에서는 클라우드(또는 로컬 GPU)가 전혀 필요하지 않을 수 있습니다. 제한된 NLP라도 가까운 장래에 에지에서 지원될 수 있다는 힌트가 이미 있습니다.

엣지, 프런트 엔드 음성 처리 및 IoT의 딥 러닝에서 AI를 사용하여 이러한 프런트 엔드 기능을 지원하는 광범위한 솔루션이 등장했습니다. 이러한 솔루션을 사용하여 개발자는 로봇 개인 비서를 유비쿼터스로 만드는 데 필요한 새로운 문제를 보다 쉽게 ​​해결할 수 있습니다.

모쉬 셰이어 CEVA의 전략 마케팅 이사로 CEVA의 핵심 목표 시장과 미래 성장 영역에 대한 기업 개발 및 전략적 파트너십을 감독합니다. Moshe는 혁신적인 DSP 기반 솔루션을 시장에 제공하기 위해 주요 SW 및 IP 회사와 협력하고 있습니다. 여가 시간에 Moshe는 산악 자전거를 타고 합기도를 연습합니다.