难。
时至今日，多传感器融合方案在机器人领域，已经成为了关键技术。通过将不同类型、不同精度、不同可靠性、不同空间分辨率的传感器数据进行融合互补，实现信息的冗余，可以全面提升系统的环境感知性能、准确性和鲁棒性，这对于行走在现实环境中的机器人而言，其作用至关重要。然而，剑有两面，它的成本较高问题也困扰着行业。
随着机器人市场规模增速放缓，机器人的高售价和功能表现不足引发的现实危机越发凸显，如何降本增效成了厂商们当下阶段的关键任务。而导航模块作为机器人关键组成之一，很大程度决定了整机成本的下探空间。
从技术角度而言，开发低成本的多传感器融合导航方案并非难事，难的是增效。
目前现有的融合方案大致分为两种，一种是以单线激光雷达主导+IMU+里程计或其它传感器的融合方案，采用松/紧耦合方式，有着简单、成熟的技术优势，是市面上较为常见的融合技术方案，然而缺点在于，一是环境适应能力较差，对于环境特征单一的长走廊等场景，误差较高，容易偏离路径，二是重定位能力差，运行过程中一旦丢失位置，难以重新定位。
另一种是以多线激光雷达为主导的融合方案，与其它传感器采用松/紧耦合方式组合，得益于多线激光雷达，可获取到环境物体的三维信息，环境感知能力优秀，有着精度高和稳定性高的特点，然而缺点一是成本很高，二是激光雷达一旦出现故障，会导致整个系统宕机，其他传感器只做辅助，如虽接入视觉传感器，但无法识别颜色信息，基本只用于实现避障。
两种方案都有着各自的优点但缺点也很明显。前者成本较低，但性能不足，降本却未增效，且激光雷达的特性又决定它们是“基因”缺陷，短时间内并没有有效方法解决。后者则是成本高，虽然现在传感器成本不断下降，但整体下探空间仍有限。
既然这两条路桎梏难解，能否另辟蹊径？随着视觉技术的迅猛发展，视觉让人们看到了它的潜力。
INDEMIND作为国内领先的计算机视觉技术公司，率先走出了新路径。基于独有的立体视觉技术，设计了以视觉传感器为主导的标准化、模块化的多传感器融合架构，相对于激光融合方案，成本能够下降60-80%，能够保证系统精度及稳定性的同时，在功能上亦有着显著提升。
信息量丰富是视觉的优势，但也导致对算力要求极高，同时其它的传感器的接入，系统复杂度提高，算力将会进一步提升。如何解决这个问题，是走通视觉融合方案的前提。
因此，INDEMIND在算法和硬件两方面，进行了多项改进。算法上，采用增量优化的方式，分段处理，并在区段间建立先验信息，有效降低了平台计算压力，提高计算效率。其次在硬件上，对于视觉处理采用neon加速、GPU加速、DSP加速等方式，提升计算性能，降低算力要求。
为了提高系统性能，INDEMIND拥有独有的视觉多传感器融合架构，通过遵循INDEMIND的标准定义接口，可“积木式”快速加入IMU、里程计、激光雷达、GNSS等多种传感器，通过紧耦合方式组合，对于环境的容忍度更高，能够保障在部分传感器出现异常的同时，系统仍能保持正常运行，提高鲁棒性。同时，由于传感器较多，视觉、激光、里程计、IMU等不同传感器产生的噪点，对于系统的稳定性和精度影响较大，INDEMIND对于各个传感器的数据，进行了野值判定及剔除，进一步增进系统对于原始传感器数据的容错能力，提升最终的稳定性和精度。
此外，为了进一步提升精度，INDEMIND还对系统中的视觉、IMU、里程计等每个传感器都进行了实时误差建模、估计及补偿，能够有效保障在实时运行过程中的精度和稳定性。
在解决先天不足问题后，在功能方面也有着大刀阔斧式的升级。
• 独有融合VSLAM，实时构建地图，无需预部署
基于INDEMIND融合VSLAM技术，机器人支持全场景二维地图、三维地图及语义地图自主创建，支持地图动态更新及智能禁区，且建图精度可达厘米级，达到激光雷达方案同等水平。
而基于实时建图能力，机器人能够做到新机器、新场景无需预部署，开机即用，且变更场景后，机器人也能自主更新地图，无需技术人员参与，大大降低使用成本，提升使用便捷性。
• 灵敏避障，安全无忧
INDEMIND设计了一套系统化的安全决策系统，能够实时检测抛物、行人、快速移动物体外，还能够实时进行潜在风险判断（行人等），并根据风险分类，提前做出规避策略，实现主动安全，做到了停的住，停的稳，该避就避，该停就停。
• 智能决策引擎，提升智能作业能力
通过将设备端、云端智能决策平台、大数据平台三端结合，INDEMIND建立了一套智能决策引擎，能够支持实现智能避障、主动安全、智能作业、智能交互、智能梯控等多种关键功能。同时，基于关键数据能够不断更新算法模型，持续提升场景处理和问题应对能力。
