传感器是智能市场快速增长的关键

2020-04-26 4316

 




传感器是智能市场快速增长的关键



导   语:  根据市场研究和战略咨询公司Yoledevelopmentpement(Yole)的预测,在这种情况下,高端传感器技术和原始计算能力将成为这场正在进行的市场颠覆的中心,用于机器人车辆的传感器将成为它们自己的产业,在未来15年内,CAGR将达到51%。




动即服务(MaaS) 被认为是智能移动的一个关键要素,而机器人汽车技术将是智能移动的一个重要因素,它又高度依赖于嵌入式传感器。

  

根据市场研究和战略咨询公司Yoledevelopmentpement(Yole)的预测,在这种情况下,高端传感器技术和原始计算能力将成为这场正在进行的市场颠覆的中心,用于机器人车辆的传感器将成为它们自己的产业,在未来15年内,CAGR将达到51%。在一份名为《机器人移动传感器2020》的新报告中表示,到2024年,传感器预计将产生9亿美元的收入,到2028年将达到34亿美元,2032年将达到170亿美元,届时将有100万辆机器人汽车在我们的街道上行驶。

  

2024年传感器的收入分为4亿美元的激光雷达,6000万美元的雷达,1.6亿美元的相机,2.3亿美元的IMU和2000万美元的GNSS设备。不同的传感器模式之间的分歧在未来15年可能不会保持不变。

  

在Yole看来,智能交通的发展面临哪些挑战呢?报告称,目前的交通方式正面临五大限制。

  

第一个问题涉及最脆弱的形式,即行人安全正在恶化。第二,在人们现在生活的主要城市,公共交通在效率和成本方面面临挑战。第三,汽车不再像过去那样是解决交通问题的好办法。拥堵和拥有成本正在削弱这一选择。第四,航空运输目前正在快速扩张,但由于城市到机场的连接仍然很差,旅行仍然很困难。第五,由于所有现有的交通工具造成的二氧化碳排放使得紧急改变变得至关重要。监管者和消费者都愿意在自上而下和自下而上的方式上做出改变。

  

Yole首席分析师PierreCambou表示,移动行业必须去适应,对一些人来说,这将是一个巨大的机会。“在这方面,机器人的灵活性显然符合所有的标准。无论是机器人汽车、航天飞机还是电动VTOL飞机,所有这些新模式的结合将提供从城市到郊区、从城市到城市的“MaaS”。以前的移动方式不会消失,就像电影仍然存在,而电视被大规模部署。不管反对者怎么说,机器人汽车技术将在2032年之前为Netflix提供移动服务。”

  

他补充到:“我们的街道和城市正面临混乱的情况。多年来,机动性定义了人类组织社会的方式,我们的世界目前正围绕新一代机器人交通工具重新构想。“MaaS市场预计将在未来10年内达到2.4万亿美元的价值,谷歌、百度、亚马逊和优步是热门公司。加上个人拥有的自动驾驶汽车的销售将产生1.1万亿美元的额外收入,到2032年,自动驾驶的附加价值将达到3.5万亿美元。

  

Yole表示,机器人汽车不关注成本和长期可靠性问题,而这是其他汽车主要关注的问题。所有重要的是传感器套件的即时可用性、性能和可支持性。机器人传感器的数据流受到下游计算能力的限制。前几代机器人的速度是每秒几百TOPS,而最新的机器人速度是每秒1000次。这在传感器数据流方面带来了有限的增长,这与Yole所说的“摩尔定律之外”有关。所需的计算能力随数据流输入的平方而增加。传感摄像头、雷达和激光雷达的数量增长将远远慢于机器人车载计算机的性能。

  

解决数据稀疏问题的方法是让机器人专家使用“更好的”数据,即传感器,它会带来其他类型的信息。信息的质量提高了,而不是数量。除了工业级相机和雷达外,它们还大量使用3D传感lidars、导航级GNSS设备和IMU,以及最近出现的热红外相机。

  

◎   在现实世界中的视觉应用

  

视觉和视觉智能市场继续快速发展,有一些引人注目的技术趋势正在发生,预计它们将推动多年以来的下一个大规模增长。这里有几个例子:

       

同步定位和测绘(SLAM)在汽车、机器人、无人机中的应用:同步定位和测绘(SLAM)是自动驾驶车辆、机器人和无人机的关键部件,这些车辆、机器人和无人机配备有各种类型的摄像头和传感器,例如雷达、激光雷达、超声波等。

  

3D相机和3D感测:3D相机或更一般的3D感测技术允许场景中深度计算和场景3D地图的构建。这项技术已经存在一段时间了,在微软的Kinect等游戏设备中已经普遍应用,最近在iPhoneX生物特征识别中也有应用。此外,机器人、无人机和带有3D摄像头的自动驾驶汽车可以识别物体的形状和大小,用于导航,绘图和障碍物探测。同样,3D相机和立体相机是增强、虚拟和混合现实的支柱。

  

边缘和云中的深度学习:基于神经网络的人工智能已经风靡全球,而今天可用的计算能力又使得深度学习成为可能。还有其他因素促成了神经网络在实际应用中的增长,包括大学和大型公司用于培训和尖端研发的大量数据(视频、照片、文本),以及它们对开放源代码的贡献。这反过来又引发了神经网络的很多实际应用。事实上,对于机器人、自动驾驶汽车和无人机,在边缘的GPU/SoCs上运行深度学习推理已经成为常态。云将继续用于训练深度学习以及离线存储数据的视频处理,只要网络延迟和视频管道延迟被认为是可接受,边缘和云之间的分离架构处理也是可能的。

  

AR/VR与感知计算:想想微软全息透镜Halolink,后面是什么?六个带有深度传感器组合的摄像头。微软甚至宣布在英国剑桥开设全息透镜计算视觉研究中心。

  

安全/监视:本文并不关注这个传统视频和视频分析占主导地位的领域。这本身就是一个很大的市场。

  

基于手机和嵌入式设备的生物认证:生物认证可以触发下一代移动应用程序,再次是摄像头传感器,结合边缘和云上的视频分析,触发这一趋势。随着技术的成熟,它将扩展到各种嵌入式设备。

  

零售:AmazonGo是一个使用摄像头和高端视频分析的例子。很快,我们将在超市里安装机器人来帮助人类,所有机器人都配备了多个摄像头和视觉智能以及其他传感器。

  

媒体:视频智能已经在媒体行业中大量使用。视频分析可让您在大型视频文件中搜索特定主题、场景、对象或面部。

  

体育:实时3D视频、视频分析和虚拟现实将使下一代个性化体育和娱乐系统成为可能。

  

另外,报告中对市场和收入的预测表明,2020年将是首批机器人车队产业化的一年。报告预测,在初始机队的制造方面,用于传感设备的支出将占总成本的36%,占比最高。到2032年,传感设备支出仍将占机器人车辆硬件总资本支出的28%。固态技术的使用和技术规模化的好处将有助于降低传感设备的价格,同时提高该设备的性能。Yole预测在2019年,20万美元的机器人汽车,到2032年,机器人汽车的总成本将下降到12.4万美元。






文章来源:智能化网


推荐新闻 更多