扫地机器人感知模块：LDS与VSLAM谁主沉浮？.pdf

识别风险 ， 发现价值 请务必阅读末页的免责声明 1 / 20 专题研究 |机械设备 2018 年 06 月 21 日 证券研究报告 Tabl e_Title 广发机械“轻深度”系列之 四 : 扫地机器人感知模块 ： LDS 与 VSLAM 谁主沉浮 ？ Table_Aut horHorizontal 分析师： 罗立波 S0260513050002 分析师： 代 川 S0260517080007 021-60750636 021-60750615 luolibogf daichuangf Table_Summary 核心观点： 扫地机器人 迭代 与进化 ：产品 从随机碰撞到自主导航，感知模块 的进步 是关键 根据德国 GFK 的统计数据，中国沿海地区的家务机器人渗透率为 4%-5%，与美国相比有 10 个 pct 的差距，未来增长空间广阔。服务机器人包含三大核心技术模块：人机交互及识别模块、环境感知模块、运动控制模块。其中，感知模块通过对周围环境的感知实现地图建模、定位和导航，依赖于各种传感器、陀螺仪等，是服务机器人的核心。 扫地 机器人从原始的随机碰撞 产品 迭代升级为当前的自主导航类产品，产品升级的背后，感知模块的进步是重要推手，让扫地机器人真正进入了智能化时代。 LDS 与 VSLAM 技术对比，多传感融合是方向 当前的定位与地图构建的主流是 SLAM 技术。按传感器种类来划分， SLAM 技术主要分为两类，一类是基于 LDS激光测距传感器的 SLAM 技术，另一类是基于机器视觉的 SLAM。 LDS 运用三角测距原理，能够获得精度较高的距离信息，在测量与人距离这一功能上尚无完美替代。目前阻碍 LDS大规模推广的主要还是价格因素，通常线束越高，价格越高。随着终端用户的产品放量，激光雷 达的产业化将会带动价格打破瓶颈区域。 VSLAM 是一种机器视觉导航定位系统，其技术难点在于两方面： 1.特征点提取与匹配； 2.匹配点图像坐标与空间坐标是非线性关系。 VSLAM 精度相对较低，但其优势在于纹理信息的丰富性，相同外形的障碍物 VSLAM 可以识别出内容上的不同，这带来了场景分类上的优势，适用于动态复杂的环境。 LDS 和 VSLAM 都具备独特的优势，单独使用均存在局限性。现实中的 SLAM 系统往往会配备惯性原件、视觉里程计、 GPS 等辅助定位系统，使得多传感器的融合成为未来 趋势 。 投资建议： 技术拐点和消费升级成为催化扫地机器人拐点向上的要素，在核心的感知模块领域，我们建议几条主线把握投资机会：（ 1）选择扫地机器人领域，具备良好产品研发能力和产品迭代能力的企业，重点关注科沃斯 *；（ 2）关注具备激光雷达研发生产等核心能力的企业，随着扫地机器人在我国渗透率的提升，激光雷达企业也将在扫地机器人产业化中受益，重点企业包括巨星科技、思岚科技、雷神智能和北醒光子等；（ 3）机器视觉在应用场景上逐渐突破工业检测，其应用边界逐步向智能生活领域拓展。在智能化场景中，计算机视觉让更多智能化设备具备感知能力，目前成熟的 上市标的较少，建议关注众多创业型企业，例如格林深瞳、商汤科技、驭势科技等。 （注： 标 *为联合覆盖 ） 风险提示： 服务机器人市场需求低于预期；行业过度竞争；核心技术突破低于预期。 Table_Report 相关研究 ： 广发机械机器人系列报告（三） :核心零部件国产化对机器人行业的影响分析 2018-06-10 广发机械“轻深度”系列之二 :从下游资本支出变化看油气装备复苏 2018-03-28 广发机械“轻深度”系列之一 :从 KLA-Tencor 收购 Orbotech，看检测设备的成长与估值 2018-03-21 识别风险 ， 发现价值 请务必阅读末页的免责声明 2 / 20 专题研究 |机械设备 目录索引 一、从随机碰撞到自主导航，感知模块是关键 . 4 1.1 扫地机器人智能化升级，导航技术是核心 . 4 1.2 LDS 方案：技术成熟，降低成本是关键 . 6 1.3 VSLAM：发展迅速，稳健性是难点 . 9 1.4 对比： LDS 测距精准， VSLAM 应用场景巨大 . 14 二、 多传感融合是感知模块的未来方向 . 17 三、投资建议与风险提示 . 19 识别风险 ， 发现价值 请务必阅读末页的免责声明 3 / 20 专题研究 |机械设备 图表索引 图 1：扫地机器人产品迭代进程 . 4 图 2：路径规划式与随机碰撞式扫地机器人对比 . 5 图 3：激光雷达传感器分类 . 6 图 4：机器视觉传感器分类 . 6 图 5：激光雷达 SLAM 技术地图构建 . 6 图 6： VSLAM 技术地图构建 . 6 图 7：激光雷达三角测距原理 . 7 图 8：激光雷达硬件逻辑 . 7 图 9： Velodyne 激光雷达 . 8 图 10：激光雷达的价格发展趋势 . 8 图 11：激光雷达在服务机器人上面的全面应用 . 9 图 12：小米扫地机器人拆解 . 9 图 13： VSLAM 构建的地图 . 10 图 14： RGB-D VSLAM 算法流程 . 11 图 15：视觉传感器的发展 . 11 图 16： RGB 图像 . 12 图 17： Depth 图像 . 12 图 18：主动结构光相机原理 . 12 图 19：主动结构光伪随机散斑图 . 12 图 20： ToF 原理 . 13 图 21：基于 LDS 技术的扫地机器人 . 15 图 22：基于 VSLAM 技术的扫地机器人 . 15 图 23： 家用扫地机器人性能测试 . 16 图 24： 国内扫地机器人市场竞争状况 . 16 图 25：不同技术累积误差对比 . 17 图 26：多传感融合应用于无人驾驶汽车 . 18 图 27： 主要的五类传感器特性对比 . 18 表 1：三种主流 RGBD 方案对比 . 13 表 2： LDS 与 VSLAM 技术对比 . 14 表 3：不同技术方案扫地机器人的特点 . 15 识别风险 ， 发现价值 请务必阅读末页的免责声明 4 / 20 专题研究 |机械设备 一、从随机碰撞到自主导航，感知模块是关键 1.1 扫地机器人智能化升级，导航技术是核心 扫地机器人智能化升级，感知模块重要性突出。 扫地机器人最早在欧美市场销售，近年来 随着深度学习、机器 视 觉等 AI技术的发展 ， 扫地机器人产品的迭代不断加快，向智能化方向升级。 目前，市场主流机型可分为随机式 清扫（第一代）、规划式清扫（第二代）和导航建图式清扫（第三代），后两代都具备路径规划技术，这使得 环境感知模块 的重要性愈发突出。智能 扫地机器人以自动清扫的方式解放年轻人打扫压力，同时其智能化特性引发年轻人的“猎奇”心理 ，使得 市场规模高速增长 。 图 1： 扫地机器人产品迭代进程 数据来源 ： 广发证券发展研究中心 随机式扫地机器人清扫效果靠时间和不断的重复来堆砌，经常会出现反复清扫或大面积漏扫的情况，算法的优劣直接决定了清扫质量和效率高低（实际上，随机式产品也包含了简单算法，例如撞墙时的转向角度等）。 路径规划式产品增加了定位导航，清扫过程有迹可循，清扫面积和效率相比随机式要高很多，但规划式产品必须要有定位的能力，需要进行地图构建和规划清扫。当前的定位与地图构建的主流技术主要是 SLAM。 识别风险 ， 发现价值 请务必阅读末页的免责声明 5 / 20 专题研究 |机械设备 图 2： 路径规划式与随机碰撞式扫地机器人对比 数据来源 ： 搜狐科技 ，广发证券发展研究中心 SLAM（ Simultaneous Localization And Mapping）的 含义是 即时定位 与 地图 构建，指的是机器人在自身位置不确定的条件下 ， 在完全未知环境中创建地图 ， 同时利用地图进行自主定位和导航。 SLAM问题可以描述为 ： 机器人在未知环境中从一个未知位置开始移动 ， 在移动过程中根据位置估计和传感器数据进行自身定位 ， 同时建造增量式地图 。 自主定位导航需要三大技术： （ 1）实时定位 （ Localization） 。 目前 GPS的精度只能达到半米 ，而且 实时 定位的更新频率很快，需要达到 10次 /秒， GPS定位技术无法满足 。定位 包括 相对定位 和 绝对定位 ：相对定位 主要依靠内部本体感受传感器如里程计、陀螺仪等，通过给定初始位姿，来测量相对于机器人初始位姿的距离和方向来确定当前机器人的位姿，也叫做航迹推测 （ Dead Reckoning， DR）； 绝对定位主要采用主动或被动标识、地图匹配 、 GPS、或导航信标进行定位。位置的计算方法包括有三角测量法、三边测量法和模型匹配算法等。 （ 2）绘制地图 （ Mapping） 。 导航领域是有专人绘制的， 然而 家居 的 实时变化 决定了扫地机器人需要在 没有人工干预的情况下 自主 画图 。 （ 3）路径规划。 机器人绘制的地图 可以向任意方向行驶 ， 因此其 路径规划还包 括避障和直接控制行为，导航仪是由人来决定，机器人是用算法决定的， 因此算法是路径规划的 。 由于 传感器种类和安装方式的不同 ， SLAM的实现方式和难度会有一定的差异。按传感器来分， SLAM技术主要分为两类 ， 一类是基于 LDS激光测距传感器的 SLAM技术，另一类是基于机器视觉的 SLAM。 其中，激光 SLAM比 VSLAM起步早， 框架 已经初步确定 ， 因此产品落地 相对成熟 ， 主要分为单 线 式和多线式 。基于视觉的 SLAM又称为VSLAM（ Visual SLAM），目前的主流算法是基于 RGBD的深度摄像机，分为单目、多目、结构光（进一步分为单目结构光和多目结构光）、 ToF等。随着机器 视觉的迅速发展， VSLAM技术 因为信息量大、适用范围广等优点受到关注， 目前尚处于应用识别风险 ， 发现价值 请务必阅读末页的免责声明 6 / 20 专题研究 |机械设备 场景拓展、产品逐渐落地阶段。 图 3： 激光雷达传感器分类 图 4： 机器视觉传感器分类 数据来源： CSDN， 广发证券发展研究中心 数据来源： CSDN，广发证券发展研究中心 图 5： 激光雷达 SLAM技术地图构建 图 6： VSLAM技术地图构建 数据来源： 凤凰科技， 广发证券发展研究中心 数据来源： 凤凰科技 ，广发证券发展研究中心 1.2 LDS 方案 ： 技术成熟 ， 降低成本是关键 激光雷达 SLAM是 LDS激光测距传感器与 SLAM技术的结合。激光雷达测距 LDS的原理是：从半导体激光器 以一定的入射角度 发射一束或 n束激光 照射被测物体， 激光在物体表面发生散射或折射，通过透镜对反射激光汇聚成像，光斑成像在 CCD传感器上（ Charge-coupled Device，感光耦合组件 ）。当物体发生位移时，光斑也将随之产生移动，其位移大小通过信号处理器的计算而获得， 由光斑位移距离计算出被测物体与基线的距离值。由于入射光和反射光构成一个三角形， 位移计算运用了几何三角定理，故又被称为 激光三角测距法。 这种方法能够获得精度较高的距离信息。 LDS的硬件工作流程分为几步 ： 1.发射激光，同时感光芯片曝光； 2.读取像素数据 ；识别风险 ， 发现价值 请务必阅读末页的免责声明 7 / 20 专题研究 |机械设备 3.计算出像素的 质心 位置； 4.将步骤 3中的计算结果（像素位置）换算成距离信息。 图 7： 激光雷达三角测距原理 数据来源： 激光雷达原理 ， 王德志著 ， 广发证券发展研究中心 图 8： 激光雷达硬件逻辑 数据来源 ： CSDN，广发证券发展研究中心 阻碍 LDS大规模推广的主要还是价格因素。 目前， LDS技术比较成熟的是美国Velodyne公司 ，随着技术的发展与革新， LDS成本持续降低，为其应用领域扩展提供有力支持。 影响 LDS价格的主要有两大要素： 线束 数量 和 采购量。 通常 线束 越高，价格越高 ；采购量 越 大 ，价格越低。 Quanergy公司 通过降低线束维度，逐步使用固态激光雷达，让成本降低到了 250美元 左右，国内 企业 思岚科技，可以在采购量超过 1万台 左右时 ，单 线束的 价格 可以降低到 1000元 以内。 随着 终端 用户 的 产品 放量，激光雷达的产业化将会带动价格 打破 瓶颈区域。 识别风险 ， 发现价值 请务必阅读末页的免责声明 8 / 20 专题研究 |机械设备 图 9： Velodyne激光雷达 数据来源 ： Velodyne官网 ，广发证券发展研究中心 图 10： 激光雷达 的价格发展趋势 数据来源：广发证券发展研究中心 激光雷达按照激光束的数量可以分为 1线（ 2D）、 4线、 8线、 16线、 32线、 64线激光雷达，不同线型、厂商的激光雷达售价差别也相对较大。根据精度和功能需求的不同，智能装备所用的型号不同，具备高度自主移动功能的移动式机器人（如无人驾驶汽车、无人机），需要配备长距离 8线以上的激光雷达 ，成本较高。 相比之下 ， 对空间测距范围需求有限的扫地机器人大多采用 1线短距离 LDS，相对较低的成本也有利于 LDS在该领域的推广。 目前来看 ， 新一代扫地机器人已经开始利用 LDS技术替换传统随机碰撞式产品，例如小米和 Neato的扫地机器人主要走 LDS方向，而科沃斯产品则覆盖了 LDS与 VSLAM技术。以小米为例， 2016年公布的米家扫地机器人， 搭载 了 小米自主研发的 LDS传感器，可以实现 360扫描，测距达到了 1800次 /秒。 该产品会根据 LDS获取的精确距离信息 ，通过 SLAM算法实时绘制房间地图，识别风险 ， 发现价值 请务必阅读末页的免责声明 9 / 20 专题研究 |机械设备 提高清扫效率和质量。 图 11：激光雷达在服务机器人上面的全面应用 数据来源：广发证券发展研究中心 图 12：小米扫地机器人拆解 数据来源：小米官网，广发证券发展研究中心 1.3 VSLAM：发展迅速，稳健性是难点 VSLAM（ Visual SLAM）是一种机器视觉导航定位系统，相比能够直接获取方向和距离数据的激光 SLAM技术， VSLAM获取的是灰度或彩色图案，对于障碍点只能获识别风险 ， 发现价值 请务必阅读末页的免责声明 10 / 20 专题研究 |机械设备 取方向而无法直接测量距离。要想计算该点的距离，需要相机挪动一个位置再观察一次，按照三角原理进行推算。 图 13： VSLAM构建的地图 数据来源 ： 高工机器人网 ，广发证券发展研究中心 VSLAM过程可以分为前端和后端 ，前端相当于 VO（视觉里程计）， 研究帧与帧之间变换关系 ， 提取每帧图像特征点，进行相邻帧图像 的 特征点匹配 ；后端主要是利用TORO、 G2O算法的全局优化。因此， VSLAM的技术难点在于两方面： 1.特征点 提取与 匹配 ； 2.匹配点图像坐标与空间坐标是非线性关系。 例如 2D-2D像素点的对应满足对极几何、 2D-3D点的对应满足 PnP约束，这些匹配会引入众多约束关系，使得待估计变量的关系错综复杂。这两个难点，前者导致了前端的特征跟踪不易，后者导致了后端的优化不易。 因此 VSLAM的稳健性是一个有挑战的问题。 为此需要引入回环检测，就是如何有效判断相机经过同一场景的能力。如果回环成功，通过把对比信息输送给后端优化，提供更加有效的姿态约束，从而显著减小累积误差，逼近全局一致。