Përparimet në Computer Vision Propel Transportation Autonomia

Vizioni është një input i fuqishëm shqisor i njeriut. Ai mundëson detyra dhe procese komplekse që ne i marrim si të mirëqena. Me një rritje të AoT™ (Autonomia e Gjërave) në aplikacione të ndryshme duke filluar nga transporti dhe bujqësia tek robotika dhe mjekësia, roli i kamerave, kompjuterit dhe mësimit të makinerive në ofrimin e vizionit dhe njohjes si njeriu po bëhet i rëndësishëm. Vizioni kompjuterik si një disiplinë akademike mori hov në vitet 1960, kryesisht në universitetet e angazhuara në fushën në zhvillim të inteligjencës artificiale (AI) dhe mësimit të makinerive. Ai përparoi në mënyrë dramatike në katër dekadat e ardhshme pasi u bënë përparime të rëndësishme në teknologjitë gjysmëpërçuese dhe kompjuterike. Përparimet e fundit në mësimin e thellë dhe inteligjencën artificiale kanë përshpejtuar më tej aplikimin e vizionit kompjuterik për të ofruar perceptim dhe njohje të mjedisit në kohë reale, me vonesë të ulët, duke mundësuar autonomi, siguri dhe efikasitet në aplikacione të ndryshme. Transporti është një fushë që ka përfituar ndjeshëm.

LiDAR (Light Detection and Ranging) është një qasje aktive e imazhit optik që përdor lazer për të përcaktuar mjedisin 3D rreth një objekti. Është një nga teknologjitë që zgjidhjet e vizionit kompjuterik (të cilat mbështeten thjesht në dritën e ambientit dhe nuk përdorin lazer për perceptimin 3D) po përpiqen të prishin. Tema e zakonshme është se drejtuesit njerëzorë nuk kanë nevojë për LiDAR për perceptimin e thellësisë, kështu që as makinat nuk duhet të kenë nevojë. Karakteristikat aktuale komerciale të drejtimit autonom L3 (autonomi e plotë në gjeografi specifike dhe kushte moti, me shoferin gati për të marrë kontrollin brenda sekondave) produkte sot përdorni LiDAR. Teknikat thjesht të bazuara në vizion ende nuk kanë qenë në gjendje ta ofrojnë këtë aftësi komercialisht.

ADVERTISEMENT

TeslaTSLA
është një përkrahës dominues i përdorimit të vizionit kompjuterik pasiv të bazuar në kamera për të ofruar autonomi të automjeteve të pasagjerëve. Gjatë ngjarjes së fundit të kompanisë për Ditën e AI, Elon Musk dhe inxhinierët e tij dhanë një prezantim mbresëlënës i AI, menaxhimit të të dhënave dhe aftësive kompjuterike të saj që mbështesin, ndër iniciativat e tjera, veçorinë e Vetë Drejtimit të Plotë (FSD) në modele të shumta Tesla. FSD kërkon që shoferi njerëzor të jetë i angazhuar në detyrën e drejtimit gjatë gjithë kohës (që është në përputhje me autonominë L2). Aktualisht, ky opsion është i disponueshëm në 160,000 automjete të blera nga klientët në SHBA dhe Kanada. Një grup prej 8 kamerash në çdo automjet ofron një hartë 360° të banimit. Të dhënat e kamerës (dhe të tjera) nga këto automjete përdoren për të trajnuar rrjetin e saj nervor (i cili përdor etiketimin automatik) për të njohur objektet, për të përshkruar trajektoret e mundshme të automjetit, për të zgjedhur ato optimale dhe për të aktivizuar veprimet e duhura të kontrollit. ~ 75 mijë përditësime të rrjetit nervor kanë ndodhur gjatë 12 muajve të fundit (~1 përditësim çdo 7 minuta) pasi të dhënat e reja mblidhen vazhdimisht dhe zbulohen gabime në etiketim ose gabime manovrimi. Rrjeti i trajnuar ekzekuton veprimet e planifikimit dhe kontrollit përmes një arkitekture të tepërt në bord të elektronikës kompjuterike të ndërtuar me qëllim. Tesla pret që FSD përfundimisht të çojë në automjete autonome (AV), të cilat sigurojnë autonomi të plotë në fusha të caktuara të projektimit operacional pa asnjë angazhim njerëzor të drejtuesit (të referuara gjithashtu si autonomia L4).

Kompani të tjera si Phiar, Helm.ai dhe NODAR po ndjekin gjithashtu rrugën e vizionit kompjuterik. NODAR synon të zgjerojë ndjeshëm gamën e imazhit dhe perceptimin 3D të sistemeve të kamerave stereo duke mësuar të përshtatet për efektet e gabuara të kamerës dhe dridhjet përmes algoritmeve të patentuara të mësimit të makinerive. Kohët e fundit mblodhi 12 milion dollarë për prodhimtarinë e produktit të saj kryesor, Hammerhead™, i cili përdor kamerat e klasës automobilistike "jashtë raftit" dhe platformat standarde llogaritëse.

Përveç kostos dhe madhësisë, një argument i shpeshtë kundër përdorimit të LiDAR është se ai ka gamë dhe rezolucion të kufizuar në krahasim me kamerat. Për shembull, sot janë të disponueshëm LiDAR me një rreze 200 m dhe 5-10 M pikë/sekondë (PPS e ngjashme me rezolucionin). Në 200 m, pengesat e vogla si tulla ose mbeturinat e gomave do të regjistrojnë shumë pak pikë (ndoshta 2-3 në drejtimin vertikal dhe 3-5 në drejtimin horizontal), duke e bërë të vështirë njohjen e objekteve. Gjërat bëhen edhe më të ashpra në distanca më të gjata. Për krahasim, kamerat standarde megapikselë që funksionojnë në 30 Hz mund të gjenerojnë 30M piksel/sekondë, duke mundësuar njohje superiore të objekteve edhe në rreze të gjata. Kamerat më të avancuara (12 M pixel) mund ta rrisin këtë edhe më tej. Çështja është se si të përdoren këto të dhëna masive dhe si të prodhohet perceptim veprues me vonesa të nivelit milisekonda, konsum të ulët të energjisë dhe kushte të degraduara të ndriçimit.

ADVERTISEMENT

Njohin, një kompani me bazë në Kaliforni, po përpiqet ta zgjidhë këtë problem. Sipas CEO Mark Bolitho, misioni i tij është të "ofrojnë perceptim vizual mbinjerëzor për automjete plotësisht autonome.” Kompania është themeluar në vitin 2017, ka mbledhur 75 milionë dollarë deri më sot dhe ka 70 punonjës. RK Anand, një alum i Juniper Networks, është një nga bashkëthemeluesit dhe Shefi i Produktit. Ai beson se përdorimi i kamerave me rezolucion më të lartë, me diapazon dinamik > 120 dB, që funksionojnë me shpejtësi të lartë të kuadrove (për shembull, OnSemi, Sony dhe Omnivision) siguron të dhënat e nevojshme për të krijuar informacion 3D me rezolucion të lartë, i cili është kritik për realizimin e AV. Mundësuesit për këtë janë:

1. ASIC të dizajnuara me porosi për të përpunuar të dhënat në mënyrë efikase dhe për të prodhuar harta 3D të sakta dhe me rezolucion të lartë të mjedisit të makinës. Këto janë prodhuar në një proces TSMC 7 nm, me një madhësi çipi prej 100 mm², që funksionon në një frekuencë 1 GHz.
2. Algoritme të zotëruara të mësimit të makinerive për të përpunuar miliona pika të dhënash jashtë linje për të krijuar rrjetin nervor të trajnuar, i cili më pas mund të funksionojë në mënyrë efikase dhe të mësojë vazhdimisht. Ky rrjet ofron perceptimin dhe përfshin klasifikimin dhe zbulimin e objekteve, segmentimin semantik, zbulimin e korsive, shenjat e trafikut dhe njohjen e semaforëve
3. Minimizimi i operacioneve të ruajtjes dhe shumëzimit jashtë çipit të cilat janë intensive të energjisë dhe krijojnë vonesë të lartë. Dizajni ASIC i Recogni është optimizuar për matematikën logaritmike dhe përdor mbledhjen. Efikasitete të mëtejshme realizohen duke grumbulluar peshat në mënyrë optimale në rrjetin nervor të trajnuar.

Gjatë fazës së trajnimit, një LiDAR komercial përdoret si e vërteta tokësore për të trajnuar të dhënat e kamerës stereo me rezolucion të lartë dhe me diapazon të lartë dinamik për të nxjerrë informacionin e thellësisë dhe për ta bërë atë të fortë ndaj efekteve të shtrembërimit dhe dridhjeve. Sipas z. Anand, zbatimi i tyre i mësimit të makinerive është aq efikas sa mund të ekstrapolojë vlerësimet e thellësisë përtej intervaleve të trajnimit të ofruara nga kalibrimi LiDAR (i cili siguron të vërtetën tokësore në një rreze prej 100 m).

ADVERTISEMENT

Të dhënat e trajnimit të mësipërm u kryen gjatë ditës me një palë stereo kamerash 8.3 megapikselë që funksionojnë me shpejtësi kuadri 30 Hz (~ 0.5 B pikselë për sekondë). Ai demonstron aftësinë e rrjetit të trajnuar për të nxjerrë informacion 3D në skenë përtej rrezes 100 m me të cilën është trajnuar. Zgjidhja e Recogni gjithashtu mund të ekstrapolojë të mësuarit e saj me të dhënat e ditës në performancën e natës (Figura 2).

ADVERTISEMENT

Sipas z. Anand, të dhënat e diapazonit janë të sakta brenda 5% (në intervale të gjata) dhe afër 2% (në intervale më të shkurtra). Zgjidhja siguron 1000 TOPS (trilion operacione në sekondë) me vonesë 6 ms dhe konsum të energjisë 25 W (40 TOPS/W), i cili udhëheq industrinë. Konkurrentët që përdorin matematikë me numra të plotë janë > 10X më të ulëta në këtë metrikë. Zgjidhja e Recogni është aktualisht në prova në shumë furnizues të nivelit 1 të automobilave.

profetizoj ("parashikimi dhe shikimi se ku është veprimi"), me qendër në Francë, përdor kamerat e saj të bazuara në ngjarje për AV, Sistemet e Avancuara të Ndihmës së Shoferit (ADAS), automatizimin industrial, aplikacionet e konsumatorëve dhe kujdesin shëndetësor. E themeluar në vitin 2014, kompania kohët e fundit mbylli financimin e saj të raundit C prej 50 milion dollarë, me një total prej 127 milionë dollarësh të mbledhur deri më sot. Xiaomi, një prodhues kryesor i telefonave celularë, është një nga investitorët. Qëllimi i Prophesee është të imitojë vizionin njerëzor në të cilin receptorët në retinë reagojnë ndaj informacionit dinamik. Truri i njeriut fokusohet në përpunimin e ndryshimeve në skenë (veçanërisht për ngarje). Ideja bazë është të përdoren arkitekturat e kamerës dhe pikselit që zbulojnë ndryshimet në intensitetin e dritës mbi një prag (një ngjarje) dhe sigurojnë vetëm këto të dhëna në pirgun e llogaritjes për përpunim të mëtejshëm. Piksele funksionojnë në mënyrë asinkrone (jo të inkuadruar si në kamerat e zakonshme CMOS) dhe me shpejtësi shumë më të larta pasi nuk duhet të integrojnë fotone si në një kamerë konvencionale të bazuar në kornizë dhe të presin që i gjithë korniza të përfundojë këtë përpara leximit të të dhënave. Përparësitë janë të rëndësishme - gjerësi më e ulët e brezit të të dhënave, vonesa e vendimit, ruajtja dhe konsumi i energjisë. Sensori i parë i vizionit VGA i klasës komerciale të kompanisë, i bazuar në ngjarje, shfaqi një gamë të lartë dinamike (>120 dB), konsum të ulët të energjisë (26 mW në nivelin e sensorit ose 3 nW/ngjarje). Një version HD (High Definition) (i zhvilluar së bashku me Sony), me madhësi pixel lider në industri (< 5 μm) është lançuar gjithashtu.

ADVERTISEMENT

Këta sensorë formojnë bërthamën e platformës së sensorit Metavision®, e cila përdor AI për të ofruar perceptim të zgjuar dhe efikas për aplikacionet e autonomisë dhe është nën vlerësim nga kompani të shumta në hapësirën e transportit. Përveç perceptimit përpara për AV dhe ADAS, Prophesee është i angazhuar në mënyrë aktive me klientët për monitorimin në kabinën e shoferit për aplikacionet L2 dhe L3, shih Figurën 4:

Mundësitë e automobilave janë fitimprurëse, por ciklet e projektimit janë të gjata. Gjatë dy viteve të fundit, Prophesee ka parë interes dhe tërheqje të konsiderueshme në hapësirën e vizionit të makinës për aplikime industriale. Këto përfshijnë numërimin me shpejtësi të lartë, inspektimin e sipërfaqes dhe monitorimin e dridhjeve.

ADVERTISEMENT

Prophesee njoftoi së fundmi bashkëpunime me zhvilluesit kryesorë të sistemeve të vizionit të makinës për të shfrytëzuar mundësitë në automatizimin industrial, robotikën, automobilat dhe IoT (Interneti i Gjërave). Mundësi të tjera të menjëhershme janë korrigjimi i turbullimit të imazhit për telefonat celularë dhe aplikacionet AR/VR. Këto përdorin sensorë me format më të ulët se ata që përdoren për mundësitë afatgjata ADAS/AV, konsumojnë energji edhe më të ulët dhe funksionojnë me vonesë dukshëm më të ulët.

Izraeli është një novator kryesor në teknologjinë e lartë, me investime të konsiderueshme sipërmarrëse dhe një mjedis aktiv fillestar. Që nga viti 2015, kanë ndodhur rreth 70 miliardë dollarë investime të udhëhequra nga sipërmarrjet në sektorin e teknologjisë. Një pjesë e kësaj është në fushën e vizionit kompjuterik. Mobileye udhëhoqi këtë revolucion në 1999 kur Amnon Shashua, një studiues kryesor i AI në Universitetin Hebraik, themeloi kompaninë për t'u fokusuar në perceptimin e bazuar në kamera për ADAS dhe AV. Kompania paraqiti një IPO në 2014 dhe u ble nga IntelINTC
në 2017 për 15 miliardë dollarë. Sot, është lehtësisht lojtari kryesor në fushën e vizionit kompjuterik dhe AV dhe së fundmi njoftoi synimin e saj për të paraqitur një IPO dhe të bëhet një ent i pavarur. Mobileye kishte të ardhura prej 1.4 miliardë dollarë në vit dhe humbje modeste (75 milion dollarë). Ai ofron aftësi të vizionit kompjuterik për 50 OEM të automobilave që e vendosin atë në 800 modele makinash për aftësitë ADAS. Në të ardhmen, ata synojnë të udhëheqin në autonominë e automjeteve L4 (nuk kërkohet shofer) duke përdorur këtë ekspertizë të vizionit kompjuterik dhe aftësitë LiDAR të bazuara në platformën e fotonikës së silikonit të Intel. Vlerësimi i Mobileye vlerësohet në ~ 50 miliardë dollarë kur ato më në fund të bëhen publike.

ADVERTISEMENT

Kryeqyteti Champel, me qendër në Jerusalem, është në krye të investimit në kompanitë që zhvillojnë produkte të bazuara në vizionin kompjuterik për aplikime të ndryshme nga transporti dhe bujqësia deri te siguria dhe siguria. Amir Weitman është një bashkëthemelues dhe partner menaxhues dhe filloi kompaninë e tij sipërmarrëse në 2017. Fondi i parë investoi 20 milion dollarë në 14 kompani. Një nga investimet e tyre ishte në Innoviz, e cila u bë publike përmes një bashkimi SPAC në 2018 dhe u bë një LiDAR unicorn. Udhëhequr nga Omer Keilaf (i cili përshëndeti nga njësia teknologjike e Korpusit të Inteligjencës të Forcave të Mbrojtjes të Izraelit), kompania sot është një lider në vendosjen e LiDAR për ADAS dhe AV, me fitore të shumta në dizajn në BMW dhe Volkswagen.

Fondi i dytë i Champel Capital (Impact Deep Tech Fund II) u iniciua në janar 2022 dhe ka mbledhur 30 milion dollarë deri më sot (objektivi është 100 milion dollarë deri në fund të 2022). Një fokus dominues është në vizionin kompjuterik, me 12 milionë dollarë të shpërndara në pesë kompani. Tre prej tyre përdorin vizionin kompjuterik për transport dhe robotikë.

TankU, me qendër në Haifa, filloi operacionet në vitin 2018 dhe ka mbledhur 10 milion dollarë fonde. Dan Valdhorn është CEO dhe është i diplomuar në Njësinë 8200, një grup elitar i teknologjisë së lartë brenda Forcës së Mbrojtjes të Izraelit, përgjegjës për inteligjencën e sinjalit dhe deshifrimin e kodit. Produktet SaaS (Software as a Service) të TankU automatizojnë dhe sigurojnë proceset në mjedise komplekse të jashtme që servisojnë automjetet dhe drejtuesit. Këto produkte përdoren nga pronarët e flotës së automjeteve, makinave private, stacioneve të karburantit dhe karikimit elektrike për të parandaluar vjedhjet dhe mashtrimet në transaksionet e automatizuara financiare. Shërbimet e karburantit të automjeteve gjenerojnë ~ 2 T $ në të ardhura globale çdo vit, nga të cilat pronarët e flotës së automjeteve private dhe komerciale konsumojnë 40% ose 800 miliardë dollarë. Shitësit me pakicë dhe pronarët e flotës humbasin ~ 100 miliardë dollarë në vit për shkak të vjedhjes dhe mashtrimit (për shembull, duke përdorur një kartë karburanti të flotës për automjete private të paautorizuara). Mashtrimi me CNP (Karta nuk është e pranishme) dhe ngacmimi/vjedhja e karburantit janë burime shtesë humbjeje, veçanërisht kur përdorni detajet e kartave të vjedhura në aplikacionet celulare për pagesa.

ADVERTISEMENT

Produkti TUfuel i kompanisë lehtëson pagesën e sigurt me një trokitje, bllokon shumicën e llojeve të mashtrimit dhe paralajmëron klientët kur dyshon për mashtrim. Ai e bën këtë bazuar në një motor AI të trajnuar mbi të dhënat nga CCTV-të ekzistuese në këto objekte dhe të dhënat e transaksioneve dixhitale (përfshirë POS dhe të dhëna të tjera të fundit). Parametrat si trajektorja dhe dinamika e automjetit, ID e automjetit, koha e udhëtimit, kilometrazhi, koha e karburantit, sasia e karburantit, historia e karburantit dhe sjellja e shoferit janë disa atribute të monitoruara për të zbuluar mashtrimin. Këto të dhëna gjithashtu ndihmojnë shitësit të optimizojnë funksionimin e faqes, të rrisin besnikërinë e klientit dhe të vendosin mjete marketingu të bazuara në vizion. Sipas CEO Dan Valdhorn, zgjidhja e tyre zbulon 70% të flotës, 90% të kartës së kreditit dhe 70% të ngjarjeve të mashtrimit të lidhura me ndërhyrjet.

Sonol është një kompani e shërbimeve të energjisë që zotëron dhe operon një rrjet prej 240 stacionesh dhe dyqanesh komoditeti në të gjithë Izraelin. TUfuel është vendosur në vendet e tyre dhe ka demonstruar siguri të përmirësuar, parandalimin e mashtrimit dhe besnikërinë e klientit. Provat e produkteve janë duke u zhvilluar në SHBA në bashkëpunim me një furnizues kryesor global të stacioneve të benzinës dhe pajisjeve të dyqaneve komode. Iniciativa të ngjashme janë duke u zhvilluar edhe në Afrikë dhe Evropë.

ADVERTISEMENT

me bazë në Tel-Aviv ITC u themelua në vitin 2019 nga akademikë të mësimit të makinerive nga Universiteti Ben-Gurion. ITC krijon produkte SaaS që “Masni fluksin e trafikut, parashikoni bllokimet dhe zbusni atë përmes manipulimit të zgjuar të semaforëve – përpara se të fillojnë të formohen bllokime.” Ngjashëm me TankU, ai përdor të dhëna nga kamerat jashtë raftit (të instaluara tashmë në kryqëzime të shumta trafiku) për të marrë të dhëna të drejtpërdrejta të trafikut. Të dhënat nga mijëra kamera në të gjithë një qytet janë analizuar dhe parametra si lloji i automjetit, shpejtësia, drejtimi i lëvizjes dhe sekuenca e llojeve të automjeteve (kamionë kundrejt makinave) janë nxjerrë përmes aplikimit të algoritmeve të zotëruara të AI. Simulimet parashikojnë rrjedhën e trafikut dhe situatat e mundshme të bllokimit të trafikut deri në 30 minuta përpara. Semaforët rregullohen duke përdorur këto rezultate për të qetësuar rrjedhën e trafikut dhe për të parandaluar bllokimet.

Trajnimi i sistemit të AI kërkon një muaj të dhëna vizuale në një qytet tipik dhe përfshin një kombinim të të mësuarit të mbikëqyrur dhe të pambikëqyrur. Zgjidhja e ITC është vendosur tashmë në Tel-Aviv (i renditur i 25-ti në qytetet më të mbipopulluara në botë në 2020), me mijëra kamera të vendosura në qindra kryqëzime të kontrolluara nga semaforët. Sistemi i ITC aktualisht menaxhon 75 mijë automjete, të cilat pritet të vazhdojnë të rriten. Kompania është duke instaluar një aftësi të ngjashme në Luksemburg dhe po fillon provat në qytetet kryesore të SHBA. Në nivel global, zgjidhja e saj menaxhon 300,000 automjete me vende operimi në Izrael, SHBA, Brazil dhe Australi. Dvir Kenig, CTO, është i apasionuar pas zgjidhjes së këtij problemi - për t'u kthyer njerëzve kohën personale, për të reduktuar gazrat serrë, për të rritur produktivitetin e përgjithshëm dhe më e rëndësishmja, për të reduktuar aksidentet në kryqëzimet e mbipopulluara. Sipas zotit Kenig, “Zhvendosjet tona demonstrojnë një reduktim prej 30% të bllokimeve të trafikut, duke reduktuar kohën joproduktive të drejtimit, stresin, konsumin e karburantit dhe ndotjen.”

ADVERTISEMENT

Robotikë për ambiente të brendshme ishte themeluar në 2018 kohët e fundit mblodhi 18 milionë dollarë financim. Kompania, me bazë pranë Tel-Aviv, Izrael, zhvillon dhe shet zgjidhje autonome të dronëve për sigurinë e brendshme, sigurinë dhe monitorimin e mirëmbajtjes. CEO dhe bashkëthemeluesi, Doron Ben-David, ka përvojë të rëndësishme robotike dhe aeronautike të akumuluar në IAIIAI
(një kontraktor kryesor kryesor i mbrojtjes) dhe MAFAT (një organizatë e avancuar kërkimore brenda Ministrisë së Mbrojtjes të Izraelit), e cila është e ngjashme me DARPA në Shtetet e Bashkuara. Investimet në rritje në ndërtesat inteligjente dhe tregjet komerciale të sigurisë ushqejnë nevojën për sisteme autonome që mund të përdorin vizionin kompjuterik dhe inpute të tjera ndijore në hapësira të vogla dhe të mëdha tregtare të brendshme (zyra, qendra të dhënash, magazina dhe hapësira me pakicë). Indoor Robotics synon këtë treg duke përdorur dronë të brendshëm të pajisur me kamera jashtë raftit dhe sensorë të rrezes termike dhe infra të kuqe.

Ofir Bar-Levav është Zyrtari Kryesor i Biznesit. Ai shpjegon se mungesa e GPS i ka penguar dronët e brendshëm që të lokalizohen brenda ndërtesave (zakonisht të mohuara nga GPS ose të pasakta). Për më tepër, mungonin zgjidhjet e përshtatshme dhe efikase të lidhjes dhe furnizimit me energji elektrike. Indoor Robotics e trajton këtë me katër kamera të montuara në dron (lart, poshtë, majtas, djathtas) dhe sensorë të thjeshtë të rrezes që hartojnë me saktësi hapësirën e brendshme dhe përmbajtjen e saj. Të dhënat e kamerës (kamerat ofrojnë të dhëna për lokalizimin dhe hartën) dhe sensorët termikë (të montuar gjithashtu në dron) analizohen nga një sistem AI për të zbuluar çështjet e mundshme të sigurisë, sigurisë dhe mirëmbajtjes dhe për të kujdesur klientin. Dronët e fuqizojnë veten përmes një "pllake lidhëse" të montuar në tavan, e cila kursen hapësirë ​​të vlefshme në dysheme dhe lejon mbledhjen e të dhënave gjatë karikimit. Përparësitë financiare të automatizimit të këtyre proceseve të rëndomta ku puna njerëzore është komplekse dhe e shtrenjtë për sa i përket rekrutimit, mbajtjes dhe trajnimit janë të dukshme. Përdorimi i dronëve ajrore kundrejt robotëve tokësorë ka gjithashtu avantazhe të rëndësishme për sa i përket kostove kapitale dhe operative, përdorimit më të mirë të hapësirës së dyshemesë, lirisë për të lëvizur pa hasur pengesa dhe efikasitetit të kapjes së të dhënave të kamerës. Sipas z. Bar-Levav, TAM (Tregu Total i Adresueshëm) i Robotikës së Brendshme në sistemet inteligjente të sigurisë së brendshme do të jetë 80 miliardë dollarë deri në vitin 2026. Vendndodhjet kryesore të klientëve sot përfshijnë magazinat, qendrat e të dhënave dhe kampuset e zyrave të korporatave kryesore globale.

ADVERTISEMENT

Vizioni kompjuterik po revolucionon lojën e autonomisë - në automatizimin e lëvizjes, sigurinë, monitorimin e ndërtesave inteligjente, zbulimin e mashtrimit dhe menaxhimin e trafikut. Fuqia e gjysmëpërçuesve dhe AI ​​janë mundësi të fuqishme. Sapo kompjuterët të zotërojnë këtë modalitet të pabesueshëm ndijor në një mënyrë të shkallëzuar, mundësitë janë të pafundme.