停的住，停的穩，該避就避，該停就停。

商用機器人實現落地的前提有很多，但安全問題毫無疑問是重中之重。尤其隨著機器人的應用場景開始向復雜化、小型化方向拓展，對機器人的安全能力要求更是與日俱增。如何保證機器人在場景中安全穩定運行，成為了行業較大的難題。

從市場調查看到，商用場景有著場景復雜、人員流動性大等特征，機器人面對商用場景中常見的高透類障礙物（玻璃護欄、玻璃墻等）、高危場景（自動扶梯、轉門等）以及超市中的狹窄通道、貨架等類似障礙物或場景，加之行人的隨機性，往往有著極大挑戰，導致避障“失靈”的情況常有發生。

作為國內最大的機器人技術公司之一，INDEMIND在長期研發中，一直把安全技術放在核心，通過大膽嘗試前沿視覺技術，積累了大量先進經驗。目前，在安全技術研發上，得益于視覺導航技術路線的天然優勢，INDEMIND開發了一套獨有的安全決策引擎。通過從傳感器、識別算法、語義地圖、策略執行4個層面出發，建立各單元聯動機制，充分釋放系統硬件潛力，顯著提升機器人的安全表現。

l 多傳感器融合，提升信息獲取能力：傳感器采用雙目視覺模組、Lidar、ToF、跌落傳感器、碰撞傳感器；

l AI識別算法，精準識別場景信息：基于ToF 3D數據，基于camera 2D環境圖像數據、基于Lidar 2D平面數據等的物體及場景識別及基于跌落、碰撞等傳感器的概率判別；

l 3D語義地圖，賦予“人眼”感官：基于識別得到的語義信息結合機器人位姿信息，構建環境語義地圖；

l 策略執行，模仿“人腦”決策：對構建的語義地圖疊加決策屬性信息，進行安全決策執行。

同時，INDEMIND擁有超過100個使用場景的海量數據，對不同商用場景有著深度理解，并基于此分類做了整體化安全策略，機器人無需再根據不同場景做針對性處理，縮短安全決策流程，大大提升機器人的適應能力及作業效率，如行人識別及規避的安全策略、跌落場景識別及規避的安全策略等。

需要提到的是，市面上大多數機器人的避障方案主要是借助激光、ToF、結構光、雙目等傳感器采集場景內障礙物的點云信息，構建場景柵格地圖，然后對障礙物進行避障，此類方案雖然能夠實現避障，但主動性不足，反應較為呆板，“能用”卻不“好用”。同時，還存在傳感器成本高（多線激光雷達）、視場角小（如ToF）等問題。

不只是字面上的領先

實際場景中，環境變化有很大的不可預測性，隨時插路的行人、鉆出的兒童車、玩具、拋物或跌落物等等，機器人需要具備靈敏的隨機應變能力，做到停的住，停的穩，該避就避，該停就停。而INDEMIND在技術上實現了實時檢測拋物、行人、快速移動物體外，還能夠實時進行潛在風險判斷（行人等），并根據風險分類，提前做出規避策略，實現主動安全。

? 行人匯入，穩健規避

? 滾動玩具，果斷急停

? 闖入運行路線的兒童車，穩健規避

? 拋物急停和避障

對于讓機器人頭疼的高反障礙物，如玻璃護欄等，是最難解決的難題之一，由于玻璃透光性高，激光傳感器難以正常工作，往往需要融合其他傳感器，如超聲，不過因為技術研發難度較高，市面上并沒有太多成熟的技術方案。而INDEMIND基于多年積累，在高反障礙物避障方面實現率先突破。

? 全玻璃過道，穩健通過，實現行業領先

? 移動玻璃，實時規避

? 透明高臺，穩健防跌

與此同時，對于擁有展臺這類頂部延伸的蘑菇場景，也是機器人避障過程中的一大難點，INDEMIND對這類物體同樣進行了避障適配。

? 蘑菇場景，穩健規避

此外，面對不同光線條件，機器人同樣能夠穩定避障。基于INDEMIND的強光規避策略和硬件上內置的亮度補光、紋理補光兩種紅外補光設備（均符合人眼安全等級C1等級要求），機器人滿足強光直射、無光源、昏暗等特殊光照環境下的無差異工作要求。

審核編輯 黃宇