Μετά από μια δεκαετία βαθιάς ενασχόλησης στον τομέα των IMU, το μεγαλύτερο συμπέρασμά μου είναι ότι η εστίαση της βιομηχανίας έχει αλλάξει σιωπηλά—κάποτε, ο ανταγωνισμός επικεντρωνόταν στα όρια των προδιαγραφών υλικού· τώρα, η επανάληψη των αλγορίθμων είναι το κλειδί για τη διεύρυνση του χάσματος. Πριν από πέντε χρόνια, η επίτευξη παρακολούθησης κίνησης υψηλής ακρίβειας βασιζόταν σχεδόν αποκλειστικά σε ακριβά IMU οπτικών ινών, καθώς τα προβλήματα απόκλισης και θορύβου των συνηθισμένων συσκευών MEMS απλά δεν μπορούσαν να ανταποκριθούν στις απαιτήσεις αυστηρών σεναρίων. Αλλά σήμερα, η τεχνολογία λογισμικού ανατρέπει αυτή την εγγενή αντίληψη, επιτρέποντας στο υλικό χαμηλού κόστους να προσφέρει απόδοση πέρα από την κατηγορία του.
Αυτό που ξεχωρίζει περισσότερο είναι ένα έργο επιθεώρησης με drone στο οποίο συμμετείχα πέρυσι. Λόγω περιορισμών στον προϋπολογισμό, ο πελάτης μπορούσε να χρησιμοποιήσει μόνο IMU MEMS εισαγωγικού επιπέδου. Κατά τις αρχικές δοκιμές, το drone υπέφερε από κακή σταθερότητα αιώρησης και σοβαρή απόκλιση κατεύθυνσης, καθιστώντας αδύνατη την ολοκλήρωση εργασιών ακριβούς επιθεώρησης. Αντί να βιαστούν να αντικαταστήσουν το υλικό, η ομάδα βελτιστοποίησε ειδικά τον αλγόριθμο λύσης στάσης, εισήγαγε προσαρμοστικό φιλτράρισμα Kalman και πρόσθεσε λογική καταστολής θορύβου με βάση μοντέλα δονήσεων περιβάλλοντος. Μετά από δύο εβδομάδες αποσφαλμάτωσης, η ακρίβεια τοποθέτησης του drone βελτιώθηκε κατά σχεδόν 60%, το πρόβλημα της απόκλισης ελέγχθηκε αποτελεσματικά και κάλυψε πλήρως τις ανάγκες του πελάτη.
Αυτό δεν σημαίνει ότι το υλικό δεν είναι σημαντικό, αλλά μάλλον ότι οι αλγόριθμοι ξεκλειδώνουν πλήρως τις δυνατότητες του υλικού. Διαφορετικά σενάρια έχουν πολύ διαφορετικές απαιτήσεις αλγορίθμων. Για παράδειγμα, τα IMU σε συσκευές VR καταναλωτών χρειάζονται αλγορίθμους γρήγορης απόκρισης και χαμηλής καθυστέρησης, ακόμη και αν θυσιάζεται μια μικρή ποσότητα ακρίβειας για να διασφαλιστεί η εμπειρία χρήστη· οι συσκευές βιομηχανικής τοποθέτησης, από την άλλη πλευρά, δίνουν προτεραιότητα στη σταθερότητα των αλγορίθμων και στις δυνατότητες αντιπαρεμβολής, απαιτώντας ακριβή φιλτράρισμα άκυρων δεδομένων σε σύνθετα περιβάλλοντα. Πολλές ομάδες πέφτουν στην παγίδα της τυφλής εφαρμογής αλγορίθμων γενικής χρήσης, οδηγώντας τελικά σε κακή απόδοση της συσκευής.
Η ανάπτυξη αλγορίθμων IMU σήμερα αντιμετωπίζει επίσης προκλήσεις στην επισήμανση δεδομένων και την προσαρμογή σεναρίων. Οι προηγμένοι αλγόριθμοι βασίζονται κυρίως σε μεγάλες ποσότητες δεδομένων πραγματικών σεναρίων για εκπαίδευση, αλλά τα σενάρια διαφέρουν σημαντικά μεταξύ των κλάδων. Για παράδειγμα, τα IMU σε εξοπλισμό ιατρικής αποκατάστασης πρέπει να καταγράφουν λεπτομερή δεδομένα κίνησης του ανθρώπου, ενώ τα IMU αυτοκινήτων πρέπει να αντιμετωπίζουν σύνθετες συνθήκες εργασίας όπως δονήσεις και ηλεκτρομαγνητικές παρεμβολές, καθιστώντας δύσκολη τη δημιουργία ενός ενιαίου συνόλου δεδομένων εκπαίδευσης. Αυτός είναι ο λόγος για τον οποίο πολλοί αλγόριθμοι που αποδίδουν εξαιρετικά στα εργαστήρια αποτυγχάνουν να προσαρμοστούν όταν αναπτύσσονται σε πραγματικά σενάρια.
Κάποτε βελτιστοποιήσαμε τον αλγόριθμο IMU για ένα βραχιόλι ανώτερης αποκατάστασης. Αρχικά, υιοθετήσαμε απευθείας το μοντέλο αλγορίθμου των αθλητικών βραχιολιών, αλλά απέτυχε να αναγνωρίσει με ακρίβεια τις αργές ασκήσεις αποκατάστασης και ενεργοποιούσε συχνά ψευδείς συναγερμούς. Στη συνέχεια, συλλέξαμε εκατοντάδες σετ δεδομένων κίνησης αποκατάστασης από ηλικιωμένους χρήστες, προσαρμόσαμε τις παραμέτρους κατωφλίου του αλγορίθμου και τη λογική εξαγωγής χαρακτηριστικών, και προσθέσαμε μια μονάδα αναγνώρισης ρυθμού κίνησης, η οποία τελικά έλυσε το πρόβλημα. Αυτή η διαδικασία με έκανε να συνειδητοποιήσω ότι δεν υπάρχει ένα πρότυπο που να ταιριάζει σε όλους για τους αλγορίθμους IMU—η προσαρμογή ειδικά για το σενάριο είναι το κλειδί.
Με τη βαθιά ενσωμάτωση της τεχνολογίας AI και των IMU, η σημασία των αλγορίθμων θα συνεχίσει να αυξάνεται. Στο μέλλον, μπορεί να μην χρειάζεται πλέον να στοιβάζουμε υλικό υψηλής τεχνολογίας για ακρίβεια· αντίθετα, μπορούμε να χρησιμοποιούμε αλγορίθμους για να προσαρμοζόμαστε σε διαφορετικά σενάρια και να βαθμονομούμε σφάλματα ανεξάρτητα, επιτρέποντας στα IMU να επιτύχουν ένα νέο μοντέλο «καθολικού υλικού, προσαρμοσμένων αλγορίθμων». Ωστόσο, αυτό θέτει επίσης υψηλότερες απαιτήσεις στους μηχανικούς—πρέπει όχι μόνο να κατανοούν τις αρχές του υλικού, αλλά και να διαθέτουν δυνατότητες βελτιστοποίησης αλγορίθμων και κατανόησης σεναρίων. Ο συνδυασμός και των δύο είναι η βασική ικανότητα που χρειάζεται περισσότερο στη βιομηχανία σήμερα.
Αξίζει να αναφερθεί ότι η τεχνολογία edge computing οδηγεί επίσης την αναβάθμιση των αλγορίθμων IMU. Στο παρελθόν, πολλοί σύνθετοι αλγόριθμοι βασίζονταν στην υπολογιστική ισχύ του cloud, με αποτέλεσμα προβλήματα καθυστέρησης. Το edge computing επιτρέπει στα IMU να ολοκληρώνουν την επεξεργασία δεδομένων και τις λειτουργίες αλγορίθμων απευθείας στη συσκευή, μειώνοντας σημαντικά την καθυστέρηση—μια κρίσιμη πρόοδος για σενάρια με υψηλές απαιτήσεις πραγματικού χρόνου όπως η αυτόνομη οδήγηση και τα βιομηχανικά ρομπότ. Ωστόσο, αυτό φέρνει την πρόκληση της ελαφρότητας των αλγορίθμων: πώς να διατηρηθούν οι βασικές λειτουργίες με περιορισμένη υπολογιστική ισχύ της συσκευής έχει γίνει ένα νέο θέμα της βιομηχανίας.
Συνοψίζοντας, ο τομέας των IMU έχει εισέλθει σε μια νέα εποχή από «κυριαρχούμενο από το υλικό» σε «ενισχυμένο από αλγορίθμους». Δεν είναι πλέον ένα εξάρτημα υλικού που απλώς ανταγωνίζεται σε παραμέτρους, αλλά μια λύση σε επίπεδο συστήματος με βαθιά ενσωμάτωση λογισμικού και υλικού. Οι ομάδες που μπορούν να εδραιωθούν σε αυτόν τον τομέα στο μέλλον πρέπει όχι μόνο να κατανοούν την υποκείμενη λογική του υλικού, αλλά και να επιλύουν προβλήματα σεναρίων μέσω αλγορίθμων. Αυτή η νοοτροπία συνεργασίας υλικού-λογισμικού είναι ακριβώς η βασική ικανότητα που χρειάζεται περισσότερο στην τρέχουσα βιομηχανία.
Το μήνυμά σας πρέπει να αποτελείται από 20-3.000 χαρακτήρες!
