Computer Vision Propel Transportation Autonomy တွင် တိုးတက်လာသည်။

အမြင်အာရုံသည် အစွမ်းထက်သော လူ့အာရုံခံသွင်းမှုတစ်ခုဖြစ်သည်။ ၎င်းသည် ကျွန်ုပ်တို့လက်ခံထားသော ရှုပ်ထွေးသောအလုပ်များနှင့် လုပ်ငန်းစဉ်များကို လုပ်ဆောင်နိုင်စေပါသည်။ AoT™ (Autonomy of Things) တွင် သယ်ယူပို့ဆောင်ရေးနှင့် စိုက်ပျိုးရေးမှ စက်ရုပ်နှင့် ဆေးပညာအထိ ကွဲပြားသော အသုံးချပရိုဂရမ်များတွင် AoT™ (Autonomy of Things) တိုးလာသည်နှင့်အမျှ လူသားကဲ့သို့ အမြင်အာရုံနှင့် သိမြင်နိုင်စွမ်းကို ပံ့ပိုးပေးရာတွင် ကင်မရာများ၊ ကွန်ပျူတာနှင့် စက်သင်ယူမှုအခန်းကဏ္ဍသည် အရေးပါလာသည်။ ဉာဏ်ရည်တု (AI) နှင့် စက်သင်ယူမှုနယ်ပယ်တွင် အဓိကပါဝင်လုပ်ကိုင်နေသော တက္ကသိုလ်များတွင် ပညာရပ်ဆိုင်ရာ စည်းကမ်းတစ်ခုအဖြစ် ကွန်ပြူတာအမြင်သည် ၁၉၆၀ ပြည့်လွန်နှစ်များတွင် စတင်ပေါ်ပေါက်ခဲ့သည်။ ဆီမီးကွန်ဒတ်တာနှင့် ကွန်ပြူတာနည်းပညာများ သိသာထင်ရှားစွာ တိုးတက်လာသောကြောင့် လာမည့်ဆယ်စုနှစ်လေးခုအတွင်း သိသိသာသာ တိုးတက်လာခဲ့သည်။ နက်ရှိုင်းသော သင်ယူမှုနှင့် ဉာဏ်ရည်တုဆိုင်ရာ မကြာသေးမီက တိုးတက်မှုများသည် အချိန်နှင့်တပြေးညီ၊ အချိန်နှင့်တပြေးညီ တုံ့ပြန်မှုနည်းသော ပတ်ဝန်းကျင်ကို သိမြင်နားလည်မှုပေးစွမ်းနိုင်စေရန်၊ အမျိုးမျိုးသောအသုံးချပရိုဂရမ်များတွင် ကိုယ်ပိုင်အုပ်ချုပ်ခွင့်၊ ဘေးကင်းရေးနှင့် ထိရောက်မှုတို့ကို ပေးစွမ်းရန်အတွက် ကွန်ပျူတာအမြင်ကို အသုံးချမှုကို ပိုမိုအရှိန်မြှင့်ခဲ့သည်။ လမ်းပန်းဆက်သွယ်ရေးသည် သိသိသာသာ အကျိုးဖြစ်ထွန်းစေသော နယ်ပယ်တစ်ခုဖြစ်သည်။

LiDAR (Light Detection and Ranging) သည် အရာဝတ္တုတစ်ဝိုက်ရှိ 3D ပတ်၀န်းကျင်ကို ဆုံးဖြတ်ရန် လေဆာများကို အသုံးပြုသည့် တက်ကြွသော ပုံရိပ်ဖော်ချဉ်းကပ်မှုတစ်ခုဖြစ်သည်။ ၎င်းသည် ကွန်ပျူတာအမြင်ဖြေရှင်းချက် (ပတ်ဝန်းကျင်အလင်းရောင်ကို သက်သက်အားကိုးပြီး 3D အမြင်အတွက် လေဆာများကိုအသုံးမပြုသည့်) ကွန်ပျူတာအမြင်ဖြေရှင်းချက်များအား အနှောင့်အယှက်ပေးရန် ကြိုးပမ်းနေသည့် နည်းပညာများထဲမှတစ်ခုဖြစ်သည်။ ယေဘူယျအကြောင်းအရာမှာ လူသားယာဉ်မောင်းများသည် နက်ရှိုင်းစွာသိမြင်နိုင်စေရန် LiDAR မလိုအပ်သောကြောင့် စက်ပစ္စည်းများကို မသုံးသင့်ပါ။ လက်ရှိ စီးပွားဖြစ် L3 ကိုယ်ပိုင်အုပ်ချုပ်ခွင့် မောင်းနှင်ခြင်း အင်္ဂါရပ်များ (တိကျသော ပထဝီဝင်နှင့် ရာသီဥတု အခြေအနေများတွင် ကိုယ်ပိုင်အုပ်ချုပ်ခွင့် အပြည့်အ၀၊ ယာဉ်မောင်းသည် စက္ကန့်ပိုင်းအတွင်း ထိန်းချုပ်ရန် အသင့်ဖြစ်နေပြီ) ယနေ့ ထုတ်ကုန်များ LiDAR ကိုသုံးပါ။. အမြင်အာရုံကိုအခြေခံသော နည်းစနစ်သက်သက်သည် ဤစွမ်းရည်ကို စီးပွားဖြစ် ပေးစွမ်းနိုင်ခြင်းမရှိသေးပါ။

Advertising

တက်စလာTSLA
ခရီးသည်ယာဉ် ကိုယ်ပိုင်အုပ်ချုပ်ခွင့်ကို ပေးဆောင်ရန် passive camera-based computer vision ကို အသုံးပြုခြင်း၏ အဓိက ထောက်ခံချက်ဖြစ်သည်။ ကုမ္ပဏီ၏ မကြာသေးမီက ပြုလုပ်ခဲ့သော AI Day အခမ်းအနားတွင် Elon Musk နှင့် ၎င်း၏ အင်ဂျင်နီယာများသည် စွဲမက်ဖွယ်ကောင်းသော တင်ဆက်မှုကို ပေးအပ်ခဲ့သည်။ Tesla မော်ဒယ်များစွာတွင် Full Self Driving (FSD) လုပ်ဆောင်ချက်ကို ပံ့ပိုးပေးသည့် ၎င်း၏ AI၊ ဒေတာစီမံခန့်ခွဲမှုနှင့် ကွန်ပျူတာစွမ်းရည်များ။ FSD သည် လူသားယာဉ်မောင်းအား အချိန်တိုင်း မောင်းနှင်ခြင်းလုပ်ငန်းတွင် ပါဝင်ရန် လိုအပ်သည် (L2 ကိုယ်ပိုင်အုပ်ချုပ်ခွင့်နှင့် ကိုက်ညီသော)။ လောလောဆယ်တွင်၊ ဤရွေးချယ်မှုကို အမေရိကန်နှင့် ကနေဒါရှိ ဖောက်သည်များက ဝယ်ယူသည့် ကားအစီးရေ 160,000 တွင် ရနိုင်သည်။ ယာဉ်တစ်ခုစီတွင် ကင်မရာ 8 လုံးပါသော အစုံလိုက်သည် 360° နေထိုင်မှုမြေပုံကို ပံ့ပိုးပေးသည်။ ဤယာဉ်များမှ ကင်မရာ (နှင့် အခြား) ဒေတာများကို အရာဝတ္ထုများကို မှတ်မိရန်၊ အလားအလာရှိသော ယာဉ်လမ်းကြောင်းများကို ပုံဖော်ရန်၊ အကောင်းဆုံးအရာများကို ရွေးချယ်ပြီး သင့်လျော်သော ထိန်းချုပ်မှုလုပ်ဆောင်ချက်များကို စတင်ရန်အတွက် ၎င်း၏အာရုံကြောကွန်ရက် (အလိုအလျောက်တံဆိပ်တပ်ခြင်းကို အသုံးပြုသည့်) လေ့ကျင့်ရန်အတွက် အသုံးပြုပါသည်။ ဒေတာအသစ်များကို စဉ်ဆက်မပြတ်စုဆောင်းနေပြီး တံဆိပ်တပ်ခြင်းဆိုင်ရာ အမှားအယွင်းများ သို့မဟုတ် စီမံလုပ်ဆောင်သည့်အမှားများကို တွေ့ရှိသဖြင့် လွန်ခဲ့သည့် 75 လအတွင်း အာရုံကြောကွန်ရက်၏ ~ 12K အပ်ဒိတ်များ (~ 1 မိနစ်တိုင်း အပ်ဒိတ် ၁ ခု) ဖြစ်ပေါ်ခဲ့သည်။ လေ့ကျင့်သင်ကြားထားသော ကွန်ရက်သည် ရည်ရွယ်ချက်-တည်ဆောက်ထားသော ကွန်ပျူတာ အီလက်ထရွန်းနစ်ပစ္စည်း၏ မလိုအပ်သည့် မလိုအပ်သည့် ဗိသုကာတစ်ခုမှတစ်ဆင့် စီစဉ်ခြင်းနှင့် ထိန်းချုပ်ခြင်းများကို လုပ်ဆောင်သည်။ Tesla သည် နောက်ဆုံးတွင် FSD သည် လူသားယာဉ်မောင်းပါဝင်ပတ်သက်မှု မလိုအပ်ဘဲ အချို့သော လုပ်ငန်းလည်ပတ်မှု ဒီဇိုင်းဒိုမိန်းများတွင် ကိုယ်ပိုင်အုပ်ချုပ်ခွင့်ကို အပြည့်အဝပေးသည့် ကိုယ်ပိုင်အုပ်ချုပ်ခွင့်ရယာဉ်များ (AVs) ဆီသို့ ဦးတည်သွားစေရန် မျှော်လင့်ပါသည်။

Phiar၊ Helm.ai နှင့် NODAR ကဲ့သို့သော အခြားကုမ္ပဏီများ ကွန်ပြူတာ ရူပါရုံလမ်းကိုလည်း လိုက်ရှာနေကြတယ်။ NODAR သည် မူပိုင်ခွင့်တင်ထားသော စက်သင်ယူမှု အယ်လဂိုရီသမ်များမှတစ်ဆင့် ကင်မရာမှားယွင်းမှု နှင့် တုန်ခါမှုအကျိုးသက်ရောက်မှုများကို ချိန်ညှိရန် သင်ယူခြင်းဖြင့် စတီရီယိုကင်မရာစနစ်များ၏ 3D ခံယူချက်နှင့် ပုံရိပ်အကွာအဝေးကို သိသိသာသာချဲ့ထွင်ရန် ရည်ရွယ်ပါသည်။ မကြာသေးမီက ဒေါ်လာ ၁၂ သန်း စုဆောင်းခဲ့သည်။ ၎င်း၏ အထင်ကရ ထုတ်ကုန်ဖြစ်သော Hammerhead™ သည် မော်တော်ယာဥ်အဆင့်ရှိ ကင်မရာများနှင့် စံတွက်ချက်မှုဆိုင်ရာ ပလပ်ဖောင်းများကို အသုံးပြုထားသည့် “စင်ပေါ်မှမဟုတ်သော” မော်တော်ကားအဆင့်ရှိ ကင်မရာများကို အသုံးပြုထားသည်။

ကုန်ကျစရိတ်နှင့် အရွယ်အစားအပြင် LiDAR ကို အသုံးပြုခြင်းအပေါ် မကြာခဏ အငြင်းအခုံဖြစ်ရခြင်းမှာ ၎င်းတွင် ကင်မရာများနှင့် နှိုင်းယှဉ်ပါက အကွာအဝေးနှင့် ကြည်လင်ပြတ်သားမှု အကန့်အသတ်ရှိသည်။ ဥပမာအားဖြင့်၊ မီတာ 200 အကွာအဝေးနှင့် 5-10 M မှတ်/စက္ကန့် (PPS ပုံရိပ်ပြတ်သားမှုကဲ့သို့) LiDAR များကို ယနေ့ရရှိနိုင်ပါပြီ။ မီတာ 200 တွင်၊ အုတ်ခဲများ သို့မဟုတ် တာယာအပျက်အစီးများကဲ့သို့ အတားအဆီးငယ်များသည် အမှတ်အနည်းငယ်သာ (ဒေါင်လိုက်တွင် 2-3 မှတ်နှင့် အလျားလိုက် 3-5 ဖြစ်နိုင်သည်)၊ အရာဝတ္ထုများကို မှတ်မိရန်ခက်ခဲစေသည်။ ရှည်လျားသောအကွာအဝေးတွင် အရာများသည် ပို၍ကြမ်းတမ်းလာသည်။ နှိုင်းယှဉ်ခြင်းဖြင့်၊ 30 Hz တွင်လည်ပတ်နေသော standard megapixel ကင်မရာများသည် 30M pixels/second ကိုထုတ်ပေးနိုင်ပြီး ရှည်လျားသောအကွာအဝေးတွင်ပင် သာလွန်ကောင်းမွန်သည့်အရာဝတ္ထုကိုမှတ်မိနိုင်စေပါသည်။ ပိုမိုအဆင့်မြင့်သော ကင်မရာများ (12 M pixels) သည် ၎င်းကို ပိုမိုတိုးတက်စေနိုင်သည်။ ပြဿနာမှာ ဤကြီးမားသောဒေတာကို မည်သို့အသုံးချပြီး မီလီစက္ကန့်အဆင့် latencies၊ ပါဝါသုံးစွဲမှုနည်းပြီး အားနည်းသောအလင်းရောင်အခြေအနေများဖြင့် လုပ်ဆောင်နိုင်သော ခံယူချက်ကို မည်သို့ထုတ်လုပ်နိုင်မည်နည်း။

Advertising

အသိအမှတ်ပြုပါ။ကယ်လီဖိုးနီးယားအခြေစိုက် ကုမ္ပဏီတစ်ခုက ဒီပြဿနာကို ဖြေရှင်းဖို့ ကြိုးစားနေပါတယ်။ CEO Mark Bolitho ၏ ပြောကြားချက်အရ ၎င်း၏တာဝန်မှာ "အပြည့်အဝ အလိုအလျောက် မောင်းနှင်နိုင်သော ယာဉ်များအတွက် လူတို့၏ အမြင်အာရုံကို ပေးဆောင်ပါ။” ကုမ္ပဏီကို 2017 ခုနှစ်တွင် စတင်တည်ထောင်ခဲ့ပြီး ယနေ့အထိ ဒေါ်လာ 75 သန်း ရရှိထားပြီး ဝန်ထမ်း 70 ရှိသည်။ Juniper Networks ၏ alum ဖြစ်သော RK Anand သည် တွဲဖက်တည်ထောင်သူနှင့် ထုတ်ကုန်အရာရှိချုပ်တစ်ဦးဖြစ်သည်။ မြင့်မားသောဖရိမ်နှုန်းများ (ဥပမာ၊ OnSemi၊ Sony နှင့် Omnivision) သည် မြင့်မားသောဖရိမ်နှုန်းများ (ဥပမာ၊ OnSemi၊ Sony နှင့် Omnivision) ဖြင့် မြင့်မားသော resolution 120D အချက်အလက်ကို ဖန်တီးရန် လိုအပ်သော ဒေတာများကို AV များသိရှိနိုင်ရန် အရေးကြီးသော ကြည်လင်ပြတ်သားသော 3D အချက်အလက်ကို ဖန်တီးရန် လိုအပ်သည်ဟု သူယုံကြည်သည်။ ယင်းအတွက် လုပ်ဆောင်ပေးသူများမှာ-

1. ဒေတာကို ထိရောက်စွာ လုပ်ဆောင်ရန်နှင့် ကားပတ်ဝန်းကျင်၏ တိကျပြီး ကြည်လင်ပြတ်သားမှုမြင့်မားသော 3D မြေပုံများကို ထုတ်လုပ်ရန် စိတ်ကြိုက်ဒီဇိုင်းထုတ်ထားသော ASICs များ။ ၎င်းတို့ကို 7 GHz ကြိမ်နှုန်းဖြင့် လုပ်ဆောင်သည့် ချစ်ပ်အရွယ်အစား 100 mm² ဖြင့် TSMC 1 nm လုပ်ငန်းစဉ်တွင် ဖန်တီးထားပါသည်။
2. ထို့နောက် ထိရောက်စွာလည်ပတ်နိုင်ပြီး စဉ်ဆက်မပြတ်လေ့လာသင်ယူနိုင်သည့် လေ့ကျင့်သင်ကြားထားသော အာရုံကြောကွန်ရက်ကို ဖန်တီးရန်အတွက် သန်းပေါင်းများစွာသော ဒေတာအချက်များကို အော့ဖ်လိုင်းအော့ဖ်လိုင်းလုပ်ဆောင်ရန် ကိုယ်ပိုင်စက်သင်ယူခြင်းဆိုင်ရာ အယ်လဂိုရီသမ်များ။ ဤကွန်ရက်သည် ခံယူချက်အား ပံ့ပိုးပေးကာ အရာဝတ္ထုအမျိုးအစားခွဲခြားခြင်းနှင့် ထောက်လှမ်းခြင်း၊ အတွေးအမြင် အပိုင်းခွဲခြင်း၊ လမ်းသွားသိရှိခြင်း၊ ယာဉ်လမ်းကြောင်း ဆိုင်းဘုတ်များနှင့် မီးပွိုင့်မှတ်မိခြင်းတို့ ပါဝင်ပါသည်။
3. ပါဝါအထူးပြုထားသော off-chip သိုလှောင်မှုနှင့် မြှောက်ခြင်းလုပ်ဆောင်မှုများကို လျှော့ချပြီး ကြာမြင့်ချိန်ကို ဖန်တီးပါ။ Recogni ၏ ASIC ဒီဇိုင်းကို လော့ဂရစ်သမ်သင်္ချာအတွက် အကောင်းဆုံးဖြစ်အောင် ပြုလုပ်ထားပြီး ပေါင်းစည်းမှုကို အသုံးပြုသည်။ လေ့ကျင့်သင်ကြားထားသော အာရုံကြောကွန်ရက်တွင် အလေးများကို အစုလိုက်အပြုံလိုက် စုစည်းခြင်းဖြင့် နောက်ထပ် ထိရောက်မှုကို သိရှိနိုင်သည်။

လေ့ကျင့်ရေးအဆင့်အတွင်း၊ နက်ရှိုင်းသောအချက်အလက်များကို ထုတ်ယူရန်နှင့် မှားယွင်းချိန်ညှိမှုနှင့် တုန်ခါမှုအကျိုးသက်ရောက်မှုများကို ခံနိုင်ရည်ရှိစေရန် မြင့်မားသောကြည်လင်ပြတ်သားမှု၊ မြင့်မားသောဒိုင်နမစ်အကွာအဝေးစတီရီယိုကင်မရာဒေတာကို လေ့ကျင့်ရန်အတွက် စီးပွားဖြစ် LiDAR ကို အခြေခံအမှန်တရားအဖြစ် အသုံးပြုပါသည်။ မစ္စတာ အာနန်၏ အဆိုအရ ၎င်းတို့၏ စက်သင်ယူမှု အကောင်အထည်ဖော်မှုသည် အလွန်ထိရောက်သောကြောင့် ၎င်းသည် ချိန်ညှိခြင်း LiDAR (100 မီတာအကွာအဝေးအထိ မြေပြင်အမှန်တရားကို ပံ့ပိုးပေးသည့် ချိန်ညှိခြင်း LiDAR) မှ ပံ့ပိုးပေးသော လေ့ကျင့်မှုအပိုင်းအခြားများထက် နက်နဲသော ခန့်မှန်းချက်များကို ပေါင်းထည့်နိုင်သည်။

Advertising

အထက်ဖော်ပြပါ လေ့ကျင့်ရေးဒေတာကို 8.3 Hz ဖရိမ်နှုန်းများ (~30B pixels per second) ဖြင့် 0.5-megapixel စတီရီယိုကင်မရာတွဲများဖြင့် နေ့ခင်းဘက်တွင် ပြုလုပ်ခဲ့ပါသည်။ ၎င်းသည် လေ့ကျင့်သင်ကြားထားသည့် မီတာ 3 အကွာအဝေးထက်ကျော်လွန်၍ အခင်းဖြစ်ပွားရာနေရာရှိ 100D အချက်အလက်များကို ထုတ်ယူနိုင်သည့် လေ့ကျင့်ထားသောကွန်ရက်၏ စွမ်းရည်ကို ပြသသည်။ Recogni ၏ဖြေရှင်းချက်သည် ၎င်း၏သင်ယူမှုကို နေ့ဘက်ဒေတာဖြင့် ညအချိန်စွမ်းဆောင်ရည်အထိ ပေါင်းစပ်နိုင်သည် (ပုံ 2)။

Advertising

မစ္စတာ အာနန်၏ အဆိုအရ၊ အကွာအဝေး ဒေတာသည် 5% (အကွာအဝေးတွင်) နှင့် 2% (တိုတောင်းသော အကွာအဝေးတွင်) အတွင်း တိကျပါသည်။ ဖြေရှင်းချက်သည် စက်မှုလုပ်ငန်းကိုဦးတည်သည့် 1000 ms latency နှင့် 6W ပါဝါသုံးစွဲမှု (25 TOPS/W) ဖြင့် တစ်စက္ကန့်လျှင် 40 TOPS (ထရီလီယံလည်ပတ်မှု) ကို ပေးပါသည်။ ကိန်းပြည့်သင်္ချာကိုအသုံးပြုသည့် ပြိုင်ဖက်များသည် ဤမက်ထရစ်တွင် > 10X နိမ့်သည်။ Recogni ၏ဖြေရှင်းချက်ကို လက်ရှိတွင် မော်တော်ယာဥ်အဆင့် 1 ပေးသွင်းသူများစွာတွင် စမ်းသပ်လျက်ရှိသည်။

ပရောဖက်ပြုပါ။ ("လုပ်ဆောင်ရမည့်နေရာကို ခန့်မှန်းခြင်းနှင့် မြင်ခြင်း")ပြင်သစ်အခြေစိုက်၊ AV များ၊ Advanced Driver Assistance Systems (ADAS)၊ စက်မှုလုပ်ငန်းသုံး အလိုအလျောက်စနစ်၊ သုံးစွဲသူအပလီကေးရှင်းများနှင့် ကျန်းမာရေးစောင့်ရှောက်မှုများအတွက် ၎င်း၏ဖြစ်ရပ်အခြေခံကင်မရာများကို အသုံးပြုပါသည်။ 2014 ခုနှစ်တွင်တည်ထောင်ခဲ့သည်။ ကုမ္ပဏီသည် မကြာသေးမီက ၎င်း၏ C round fund $50M ကို ပိတ်ခဲ့သည်။စုစုပေါင်း $127M ဖြင့် ယနေ့အထိ မြှင့်တင်ခဲ့ပါသည်။ Xiaomi သည် ထိပ်တန်း မိုဘိုင်းလ်ဖုန်းများ ထုတ်လုပ်သည့် ရင်းနှီးမြုပ်နှံသူများထဲမှ တစ်ခုဖြစ်သည်။ Prophesee ၏ ရည်မှန်းချက်မှာ မြင်လွှာရှိ receptors များသည် တက်ကြွသောအချက်အလက်ကို တုံ့ပြန်သည့် လူသားအမြင်ကို အတုယူရန်ဖြစ်သည်။ လူ့ဦးနှောက်သည် အခင်းဖြစ်ပွားရာနေရာ (အထူးသဖြင့် ကားမောင်းရန်အတွက်) အပြောင်းအလဲများကို လုပ်ဆောင်ရန် အာရုံစိုက်သည်။ အခြေခံအယူအဆမှာ အဆင့်သတ်မှတ်ထက် (ဖြစ်ရပ်တစ်ခု) ထက် အလင်းပြင်းအားပြောင်းလဲမှုများကို သိရှိနိုင်သော ကင်မရာနှင့် pixel ဗိသုကာများကို အသုံးပြုရန်နှင့် နောက်ထပ်လုပ်ဆောင်မှုအတွက် ဤဒေတာကိုသာ ကွန်ပျူတာစတက်သို့ ပေးဆောင်ရန်ဖြစ်သည်။ pixels များသည် ပုံမှန် CMOS ကင်မရာများကဲ့သို့ ဘောင်ခတ်ထားခြင်းမဟုတ်ဘဲ သမားရိုးကျ ဖရိမ်အခြေခံ ကင်မရာတွင် ဖိုတွန်များကဲ့သို့ ဖိုတွန်များကို ပေါင်းစပ်ရန် မလိုအပ်ဘဲ ဒေတာမဖတ်မီ ၎င်းကို အပြီးသတ်ရန် ဖရိမ်တစ်ခုလုံးကို စောင့်ရသောကြောင့် pixels များသည် တပြိုင်နက်တည်း အလုပ်လုပ်ပါသည်။ အားသာချက်များမှာ သိသာထင်ရှားသည် - ဒေတာ bandwidth နည်းပါးခြင်း၊ ဆုံးဖြတ်ချက် latency၊ သိုလှောင်မှုနှင့် ပါဝါသုံးစွဲမှုတို့ ဖြစ်သည်။ ကုမ္ပဏီ၏ ပထမဆုံးသော စီးပွားဖြစ်အဆင့် VGA ဖြစ်ရပ်-အခြေခံအမြင်အာရုံခံကိရိယာတွင် မြင့်မားသော ရွေ့လျားနိုင်သောအကွာအဝေး (> 120 dB)၊ ပါဝါစားသုံးမှုနည်း (အာရုံခံကိရိယာအဆင့်တွင် 26 mW သို့မဟုတ် 3 nW/ဖြစ်ရပ်) ပါရှိသည်။ စက်မှုထိပ်တန်း pixel အရွယ်အစား (< 5 μm) (< XNUMX μm) ရှိသော (Sony နှင့် ပူးပေါင်းဖန်တီးထားသော) HD (High Definition) ဗားရှင်းကိုလည်း လွှင့်တင်ထားပါသည်။

Advertising

ဤအာရုံခံကိရိယာများသည် ကိုယ်ပိုင်အုပ်ချုပ်ခွင့်ဆိုင်ရာအသုံးချပရိုဂရမ်များအတွက် စမတ်ကျပြီး ထိရောက်သောခံယူချက်များကိုပေးဆောင်ရန် AI ကိုအသုံးပြုသည့် Metavision® အာရုံခံပလပ်ဖောင်း၏အဓိကအပင်အဖြစ်ဖွဲ့စည်းထားပြီး သယ်ယူပို့ဆောင်ရေးနေရာရှိ ကုမ္ပဏီအများအပြားမှ အကဲဖြတ်လျက်ရှိသည်။ AVs နှင့် ADAS အတွက် ရှေ့သို့ မျက်နှာမူသော ခံယူချက်မှလွဲ၍ Prophesee သည် L2 နှင့် L3 အပလီကေးရှင်းများအတွက် ယာဉ်မောင်းအား အတွင်းခန်းအတွင်း စောင့်ကြည့်ခြင်းအတွက် ဝယ်ယူသူများနှင့် တက်ကြွစွာ ပါဝင်ဆောင်ရွက်နေသည်၊ ပုံ 4 ကိုကြည့်ပါ-

မော်တော်ယာဥ်ဆိုင်ရာ အခွင့်အလမ်းများသည် အကျိုးအမြတ်များသော်လည်း ဒီဇိုင်းပိုင်းအတွက် သံသရာရှည်လျားသည်။ လွန်ခဲ့သည့် နှစ်နှစ်အတွင်းတွင်၊ ပရောဖက်စီသည် စက်မှုလုပ်ငန်းဆိုင်ရာအသုံးချမှုများအတွက် စက်ရူပါရုံအာကာသတွင် သိသာထင်ရှားသော စိတ်ဝင်စားမှုနှင့် ဆွဲဆောင်မှုတို့ကို မြင်တွေ့ခဲ့ရသည်။ ၎င်းတို့တွင် မြန်နှုန်းမြင့် ရေတွက်ခြင်း၊ မျက်နှာပြင် စစ်ဆေးခြင်းနှင့် တုန်ခါမှု စောင့်ကြည့်ခြင်းတို့ ပါဝင်သည်။

Advertising

ပရောဖက်ဆီသည် ပူးပေါင်းဆောင်ရွက်မှုများကို မကြာသေးမီက ကြေညာခဲ့သည်။ စက်မှုလုပ်ငန်းသုံး အလိုအလျောက်စနစ်၊ စက်ရုပ်၊ မော်တော်ယာဥ်နှင့် IoT (Internet of Things) တို့တွင် အခွင့်အလမ်းများကို အသုံးချရန် စက်ရူပါရုံစနစ်များကို ဦးဆောင်တီထွင်သူများနှင့်အတူ။ အခြားလက်ငင်းအခွင့်အရေးများမှာ မိုဘိုင်းဖုန်းများနှင့် AR/VR အပလီကေးရှင်းများအတွက် ရုပ်ပုံမှုန်ဝါးမှုကို ပြုပြင်ခြင်းဖြစ်ပါသည်။ ၎င်းတို့သည် ရေရှည် ADAS/AV အခွင့်အလမ်းများအတွက် အသုံးပြုသည့် အမျိုးအစားများထက် နိမ့်သော ဖော်မတ်ဆင်ဆာများကို အသုံးပြု၍ ပါဝါကိုပင် စားသုံးပြီး သိသိသာသာ နှောင့်နှေးနေချိန်ဖြင့် လုပ်ဆောင်ပါသည်။

အစ္စရေးသည် သိသာထင်ရှားသော အကျိုးတူရင်းနှီးမြုပ်နှံမှုများနှင့် တက်ကြွသောစတင်မှုပတ်ဝန်းကျင်တွင် မြင့်မားသောနည်းပညာတွင် ဦးဆောင်တီထွင်သူဖြစ်သည်။ 2015 ခုနှစ်မှစ၍ နည်းပညာကဏ္ဍတွင် ဖက်စပ်ဦးဆောင်သော ရင်းနှီးမြှုပ်နှံမှုများတွင် ဒေါ်လာ 70 ဘီလီယံခန့် ပေါ်ပေါက်ခဲ့သည်။. ဤအပိုင်းသည် ကွန်ပြူတာအမြင်နယ်ပယ်တွင်ဖြစ်သည်။ 1999 ခုနှစ်တွင် Mobileye သည် Hebrew University မှ AI သုတေသီ Amnon Shashua မှ ADAS နှင့် AVs များအတွက် ကင်မရာအခြေခံ ခံယူချက်အပေါ် အာရုံစိုက်ရန် ကုမ္ပဏီကို တည်ထောင်ခဲ့စဉ်က ဤတော်လှန်ရေးကို ဦးဆောင်ခဲ့သည်။ ကုမ္ပဏီသည် 2014 ခုနှစ်တွင် IPO လျှောက်ထားခဲ့ပြီး Intel မှဝယ်ယူခဲ့သည်။INTC
2017 တွင် $15B ဖြစ်သည်။ ယနေ့တွင်၊ ၎င်းသည် ကွန်ပြူတာအမြင်နှင့် AV ဒိုမိန်းတွင် အလွယ်တကူ ဦးဆောင်နိုင်သော ကစားသမားဖြစ်လာပြီး မကြာသေးမီကဖြစ်သည်။ IPO တင်သွင်းရန် ရည်ရွယ်ချက်ကို ကြေညာခဲ့သည်။ လွတ်လပ်သောအဖွဲ့အစည်းဖြစ်လာသည်။ Mobileye သည် တစ်နှစ်လျှင် ၀င်ငွေ $1.4B ရှိပြီး ဆုံးရှုံးမှု အနည်းငယ် ($75M) ရှိသည်။ ၎င်းသည် ADAS စွမ်းရည်များအတွက် ကားမော်ဒယ် ၈၀၀ တွင် ဖြန့်ကျက်ထားသည့် မော်တော်ယာဥ် OEM 50 အား ကွန်ပျူတာအမြင်စွမ်းရည်ကို ပေးဆောင်သည်။ အနာဂတ်တွင်၊ ၎င်းတို့သည် Intel ၏ ဆီလီကွန်ဖိုနစ်ပလပ်ဖောင်းပေါ်အခြေခံ၍ ဤကွန်ပျူတာအမြင်ကျွမ်းကျင်မှုနှင့် LiDAR စွမ်းရည်များကို အသုံးပြု၍ L800 ယာဉ်ကိုယ်ပိုင်အုပ်ချုပ်ခွင့် (ယာဉ်မောင်းမလိုအပ်) တွင် ဦးဆောင်ရန် ရည်ရွယ်ထားသည်။ Mobileye ၏တန်ဖိုးသည် နောက်ဆုံးတွင် လူသိရှင်ကြားထုတ်သည့်အခါတွင် ~$4B ရှိသည်ဟု ခန့်မှန်းရသည်။

Advertising

Champel မြို့တော်ဂျေရုဆလင်တွင် အခြေစိုက်သော၊ သယ်ယူပို့ဆောင်ရေးနှင့် စိုက်ပျိုးရေးမှ လုံခြုံရေးနှင့် ဘေးကင်းရေးအထိ အမျိုးမျိုးသော အသုံးချပရိုဂရမ်များအတွက် ကွန်ပျူတာအမြင်ကို အခြေခံ၍ ထုတ်ကုန်များ တီထွင်ထုတ်လုပ်သည့် ကုမ္ပဏီများတွင် ရင်းနှီးမြုပ်နှံမှု၏ ရှေ့တန်းမှ ဖြစ်သည်။ Amir Weitman သည် ပူးတွဲတည်ထောင်သူနှင့် စီမံခန့်ခွဲမှုလုပ်ဖော်ကိုင်ဖက်တစ်ဦးဖြစ်ပြီး ၎င်း၏ အကျိုးတူကုမ္ပဏီကို 2017 ခုနှစ်တွင် စတင်ခဲ့သည်။ ပထမရန်ပုံငွေသည် ကုမ္ပဏီ 20 ခုတွင် ဒေါ်လာ သန်း 14 ရင်းနှီးမြှုပ်နှံခဲ့သည်။ ၎င်းတို့၏ရင်းနှီးမြှုပ်နှံမှုများထဲမှတစ်ခုမှာ 2018 ခုနှစ်တွင် SPAC ပေါင်းစည်းမှုမှတစ်ဆင့် အများသူငှာသိရှိသွားသည့် Innoviz တွင်ဖြစ်ပြီး LiDAR unicorn ဖြစ်လာခဲ့သည်။ Omer Keilaf ဦးဆောင်သော (အစ္စရေး ကာကွယ်ရေးတပ်ဖွဲ့၏ ထောက်လှမ်းရေးတပ်ဖွဲ့၏ နည်းပညာယူနစ်)၊ ယနေ့ကုမ္ပဏီသည် ADAS နှင့် AV များအတွက် LiDAR ဖြန့်ကျက်မှုတွင် ဦးဆောင်သူဖြစ်ပြီး BMW နှင့် Volkswagen တို့တွင် ဒီဇိုင်းများစွာအနိုင်ရရှိထားသည်။

Champel Capital ၏ ဒုတိယရန်ပုံငွေ (Impact Deep Tech Fund II) ကို ဇန်နဝါရီ 2022 တွင် စတင်ခဲ့ပြီး ယနေ့အထိ ဒေါ်လာ သန်း 30 စုဆောင်းထားသည် (ပစ်မှတ်သည် 100 နှစ်ကုန်တွင် $2022 M) ဖြစ်သည်။ ကုမ္ပဏီငါးခုတွင် ဒေါ်လာ 12 သန်း ဖြန့်ကျက်ထားပြီး ကွန်ပျူတာအမြင်ကို အဓိကအာရုံစိုက်သည်။ ၎င်းတို့ထဲမှ သုံးခုသည် သယ်ယူပို့ဆောင်ရေးနှင့် စက်ရုပ်များအတွက် ကွန်ပျူတာအမြင်ကို အသုံးပြုသည်။

TankU၊ Haifa အခြေစိုက် 2018 ခုနှစ်တွင် စတင်လည်ပတ်ခဲ့ပြီး ရန်ပုံငွေ ဒေါ်လာ 10 သန်း ရရှိခဲ့သည်။ Dan Valdhorn သည် စီအီးအိုဖြစ်ပြီး အချက်ပြထောက်လှမ်းရေးနှင့် ကုဒ်စာဝှက်စနစ်အတွက် တာဝန်ရှိသော အစ္စရေးကာကွယ်ရေးတပ်ဖွဲ့အတွင်း ထိပ်တန်းနည်းပညာမြင့်အဖွဲ့ဖြစ်သည့် Unit 8200 ဘွဲ့ရတစ်ဦးဖြစ်သည်။ TankU ၏ SaaS (Software as a Service) ထုတ်ကုန်များသည် ယာဉ်များနှင့် ယာဉ်မောင်းများကို ဝန်ဆောင်မှုပေးသည့် ရှုပ်ထွေးသော ပြင်ပပတ်ဝန်းကျင်များတွင် အလိုအလျောက်လုပ်ဆောင်ပြီး လုံခြုံသော လုပ်ငန်းစဉ်များဖြစ်သည်။ အလိုအလျောက်ငွေကြေးလွှဲပြောင်းမှုများတွင် ခိုးယူမှုနှင့် လိမ်လည်မှုတို့ကို တားဆီးရန် အဆိုပါပစ္စည်းများကို ယာဉ်ရေယာဉ်စုများ၊ ကိုယ်ပိုင်ကားများ၊ လောင်စာဆီနှင့် လျှပ်စစ်အားသွင်းစခန်းများမှ ပိုင်ရှင်များက အသုံးပြုကြသည်။ မော်တော်ယာဉ်လောင်စာဆီဝန်ဆောင်မှုများသည် နှစ်စဉ်ကမ္ဘာ့ဝင်ငွေတွင် ~$2T ရရှိပြီး ပုဂ္ဂလိကနှင့် လုပ်ငန်းသုံးယာဉ်စုပိုင်ရှင်များသည် 40% သို့မဟုတ် $800B သုံးစွဲကြသည်။ လက်လီရောင်းချသူများနှင့် သင်္ဘောပိုင်ရှင်များသည် ခိုးယူမှုနှင့် လိမ်လည်မှုများကြောင့် နှစ်စဉ် ~ $100B ဆုံးရှုံးသည် (ဥပမာ၊ ခွင့်ပြုချက်မရှိဘဲ ကိုယ်ပိုင်ယာဉ်များအတွက် လောင်စာဆီကတ်ကို အသုံးပြုခြင်း)။ CNP (ကတ်မရှိပါ) လိမ်လည်မှုနှင့် လောင်စာဆီခိုးယူခြင်း/ခိုးယူခြင်းများသည် ငွေပေးချေမှုများအတွက် မိုဘိုင်းအက်ပ်များတွင် ခိုးယူထားသောကတ်အသေးစိတ်အချက်အလက်များကို အသုံးပြုသည့်အခါတွင် ဆုံးရှုံးမှု၏နောက်ထပ်အရင်းအမြစ်များဖြစ်သည်။

Advertising

ကုမ္ပဏီ၏ TUfuel ထုတ်ကုန်သည် တစ်ချက်နှိပ်ရုံဖြင့် လုံခြုံသော ငွေပေးချေမှုကို လွယ်ကူချောမွေ့စေပြီး လိမ်လည်မှုအမျိုးအစားအများစုကို ပိတ်ဆို့ကာ လိမ်လည်မှုဟု သံသယရှိသည့်အခါ သုံးစွဲသူများကို သတိပေးသည်။ ၎င်းသည် ဤစက်ရုံများနှင့် ဒစ်ဂျစ်တယ်ငွေပေးငွေယူဒေတာ (POS နှင့် အခြားသော back-end data အပါအဝင်) ရှိ ရှိပြီးသား CCTV များမှ ဒေတာများကို လေ့ကျင့်သင်ကြားထားသည့် AI အင်ဂျင်ကို အခြေခံ၍ ၎င်းကို လုပ်ဆောင်သည်။ ယာဉ်လမ်းကြောင်းနှင့် ဒိုင်းနမစ်၊ ယာဉ် ID၊ ခရီးအချိန်၊ ခရီးမိုင်၊ ဆီစားချိန်၊ လောင်စာဆီပမာဏ၊ လောင်စာဆီမှတ်တမ်းနှင့် ယာဉ်မောင်းအပြုအမူကဲ့သို့သော ကန့်သတ်ချက်များသည် လိမ်လည်မှုကို သိရှိရန်အတွက် စောင့်ကြည့်ထားသော အရည်အချင်းအချို့ဖြစ်သည်။ ဤဒေတာသည် လက်လီရောင်းချသူများအား ဝဘ်ဆိုက်လည်ပတ်မှုကို အကောင်းဆုံးဖြစ်အောင်၊ ဖောက်သည်၏သစ္စာစောင့်သိမှုကို မြှင့်တင်ရန်နှင့် အမြင်အာရုံကိုအခြေခံသည့် စျေးကွက်ရှာဖွေရေးကိရိယာများကို အသုံးချရန်လည်း ကူညီပေးပါသည်။ CEO Dan Valdhorn ၏ အဆိုအရ၊ ၎င်းတို့၏ ဖြေရှင်းချက်သည် ရေယာဉ်စု၏ 70%၊ ခရက်ဒစ်ကတ် 90% နှင့် 70% တို့သည် လိမ်လည်မှုဆိုင်ရာ လိမ်လည်လှည့်ဖြားမှု ဖြစ်ရပ်များကို ရှာဖွေတွေ့ရှိပါသည်။

Sonol အစ္စရေးနိုင်ငံတစ်ဝှမ်းရှိ ဘူတာရုံပေါင်း ၂၄၀ နှင့် အဆင်ပြေသောစတိုးဆိုင်များ ကွန်ရက်ကို ပိုင်ဆိုင်ပြီး လည်ပတ်နေသော စွမ်းအင်ဝန်ဆောင်မှုကုမ္ပဏီတစ်ခုဖြစ်သည်။ TUfuel ကို ၎င်းတို့၏ဆိုက်များတွင် ဖြန့်ကျက်ထားပြီး လုံခြုံရေး၊ လိမ်လည်မှု ကာကွယ်ရေးနှင့် ဖောက်သည်အပေါ် သစ္စာစောင့်သိမှုကို မြှင့်တင်ပြသထားသည်။ ကမ္ဘာ့ထိပ်တန်း ဓာတ်ဆီဆိုင်များနှင့် ကုန်စုံဆိုင်သုံးပစ္စည်းများကို ကမ္ဘာလုံးဆိုင်ရာ ပေးသွင်းသူနှင့် ပူးပေါင်း၍ US တွင် ထုတ်ကုန်စမ်းသပ်မှုများကို လုပ်ဆောင်နေပါသည်။ အလားတူ လုပ်ဆောင်မှုများကို အာဖရိကနှင့် ဥရောပတို့တွင်လည်း လုပ်ဆောင်လျက်ရှိသည်။

Advertising

Tel-Aviv အခြေစိုက် ITC Ben-Gurion University မှ machine learning ပညာရှင်များမှ 2019 ခုနှစ်တွင် စတင်တည်ထောင်ခဲ့ပါသည်။ ITC သည် SaaS ထုတ်ကုန်များကို ဖန်တီးသည်။ “ယာဉ်ကြောစီးဆင်းမှုကို တိုင်းတာပါ၊ ယာဉ်ကြောပိတ်ဆို့မှုကို ကြိုတင်ခန့်မှန်းပြီး မီးပွိုင့်များကို စမတ်ကျကျ ကိုင်တွယ်ဖြေရှင်းခြင်းဖြင့် – ယာဉ်ကြောပိတ်ဆို့မှုများ မစတင်မီတွင် ၎င်းကို လျော့ပါးစေပါသည်။” TankU ကဲ့သို့ပင်၊ ၎င်းသည် တိုက်ရိုက်သွားလာမှုဒေတာကိုရယူရန် (ယာဉ်အသွားအလာများပြားသော လမ်းဆုံများတွင် တပ်ဆင်ထားပြီး) ပြင်ပကင်မရာများမှ ဒေတာကို အသုံးပြုသည်။ တစ်မြို့လုံးရှိ ထောင်ပေါင်းများစွာသော ကင်မရာများမှ ဒေတာများကို ခွဲခြမ်းစိတ်ဖြာပြီး ယာဉ်အမျိုးအစား၊ အမြန်နှုန်း၊ ရွေ့လျားမှုလမ်းကြောင်းနှင့် ယာဉ်အမျိုးအစားများ (ထရပ်ကားများနှင့် ကားများ) ကဲ့သို့သော ကန့်သတ်ချက်များကို သီးသန့် AI အယ်လဂိုရီသမ်အပလီကေးရှင်းဖြင့် ထုတ်ယူပါသည်။ သရုပ်ပြမှုများသည် ယာဉ်ကြောစီးဆင်းမှုနှင့် ဖြစ်နိုင်ခြေရှိသော ယာဉ်ကြောပိတ်ဆို့မှု အခြေအနေများကို မိနစ် 30 အထိ ကြိုတင်ခန့်မှန်းသည်။ ယာဉ်ကြောစီးဆင်းမှုကို ချောမွေ့စေပြီး ယာဉ်ကြောပိတ်ဆို့မှုကို ကာကွယ်ရန် ဤရလဒ်များကို အသုံးပြု၍ မီးပွိုင့်များကို ချိန်ညှိထားသည်။

AI စနစ်လေ့ကျင့်ရေးသည် ပုံမှန်မြို့တစ်မြို့လုံးရှိ အမြင်အာရုံဒေတာများကို တစ်လကြာယူပြီး ကြီးကြပ်မှုနှင့် ကြီးကြပ်မှုမရှိသော သင်ယူမှုပေါင်းစပ်မှုတို့ ပါဝင်ပါသည်။ ITC ၏ဖြေရှင်းချက်ကို Tel-Aviv တွင် (25 ခုနှစ်အတွင်း ကမ္ဘာ့အစည်ကားဆုံးမြို့များတွင် အဆင့် 2020 အဆင့်) တွင် တပ်ဆင်ထားပြီး မီးပွိုင့်များထိန်းချုပ်ထားသော လမ်းဆုံရာနှင့်ချီတွင် ကင်မရာထောင်ပေါင်းများစွာကို တပ်ဆင်ထားပြီးဖြစ်သည်။ ITC ၏စနစ်သည် လက်ရှိတွင် ကားအစီးရေ 75K ကို စီမံခန့်ခွဲနိုင်ပြီး ဆက်လက်တိုးလာရန် မျှော်လင့်ထားသည်။ ကုမ္ပဏီက တပ်ဆင်နေပါတယ်။ အလားတူစွမ်းရည် လူဇင်ဘတ်နှင့် အမေရိကန်မြို့ကြီးများတွင် စမ်းသပ်မှုများ စတင်နေပြီဖြစ်သည်။ တစ်ကမ္ဘာလုံးတွင်၊ ၎င်း၏ဖြေရှင်းချက်သည် အစ္စရေး၊ အမေရိကန်၊ ဘရာဇီးနှင့် သြစတြေးလျတို့တွင် လည်ပတ်သည့်နေရာများပါရှိသော ကားအစီးရေ 300,000 ကို စီမံခန့်ခွဲပါသည်။ CTO မှ Dvir Kenig သည် လူများကို ကိုယ်ပိုင်အချိန်များပြန်ပေးနိုင်ရန်၊ ဖန်လုံအိမ်ဓာတ်ငွေ့လျှော့ချရန်၊ အလုံးစုံကုန်ထုတ်စွမ်းအားမြှင့်တင်ရန်နှင့် အရေးအကြီးဆုံးမှာ၊ လူစည်ကားသောလမ်းဆုံများတွင် မတော်တဆမှုများကို လျှော့ချရန် စိတ်အားထက်သန်ပါသည်။ မစ္စတာ Kenig အဆိုအရ၊ "ကျွန်ုပ်တို့၏ ဖြန့်ကျက်မှုများသည် ယာဉ်ကြောပိတ်ဆို့မှုကို 30% လျှော့ချပေးကာ အကျိုးမဖြစ်ထွန်းသော မောင်းနှင်ချိန်၊ စိတ်ဖိစီးမှု၊ လောင်စာဆီသုံးစွဲမှုနှင့် လေထုညစ်ညမ်းမှုကို လျှော့ချခြင်းတို့ကို သရုပ်ပြပါသည်။"

Advertising

အိမ်တွင်းစက်ရုပ်များ ခဲ့ 2018 တွင်စတင်တည်ထောင်ခဲ့သည် နှင့် မကြာသေးမီက ရန်ပုံငွေ ဒေါ်လာ ၁၈ သန်း ရရှိခဲ့သည်။. အစ္စရေးနိုင်ငံ၊ Tel-Aviv အနီးတွင် အခြေစိုက်သည့် ကုမ္ပဏီသည် အိမ်တွင်းလုံခြုံရေး၊ ဘေးကင်းရေးနှင့် ပြုပြင်ထိန်းသိမ်းမှု စောင့်ကြည့်ခြင်းအတွက် ကိုယ်ပိုင်အုပ်ချုပ်ခွင့်ရ ဒရုန်းဖြေရှင်းချက်များအား တီထွင်ရောင်းချလျက်ရှိသည်။ CEO နှင့် ပူးတွဲတည်ထောင်သူ Doron Ben-David သည် IAI တွင် စုဆောင်းထားသော သိသာထင်ရှားသော စက်ရုပ်များနှင့် လေကြောင်းဆိုင်ရာ အတွေ့အကြုံများ ရှိသည်။IAI
(အဓိက ကာကွယ်ရေးဦးစီးချုပ် ကန်ထရိုက်တာ) နှင့် MAFAT (အစ္စရေး ကာကွယ်ရေး ဝန်ကြီးဌာန အတွင်းရှိ အဆင့်မြင့် သုတေသန အဖွဲ့အစည်း)၊ အမေရိကန်ပြည်ထောင်စုရှိ DARPA နှင့် ဆင်တူသည်။ စမတ်အဆောက်အအုံများနှင့် စီးပွားရေးဆိုင်ရာ လုံခြုံရေးစျေးကွက်များတွင် ရင်းနှီးမြှုပ်နှံမှုများ တိုးပွားလာခြင်းသည် အသေးစားနှင့် ကြီးမားသောအတွင်းပိုင်း စီးပွားရေးဆိုင်ရာနေရာများ (ရုံးများ၊ ဒေတာစင်တာများ၊ ဂိုဒေါင်များနှင့် လက်လီရောင်းချသည့်နေရာများ) တွင် ကွန်ပျူတာအမြင်နှင့် အခြားအာရုံခံပစ္စည်းများကို အသုံးပြုနိုင်သည့် ကိုယ်ပိုင်အုပ်ချုပ်ခွင့်ရစနစ်များ လိုအပ်မှုကို လှုံ့ဆော်ပေးပါသည်။ Indoor Robotics သည် စင်ပြင်ပရှိ ကင်မရာများ၊ အပူနှင့် အနီအောက်ရောင်ခြည် အကွာအဝေး အာရုံခံကိရိယာများ တပ်ဆင်ထားသော အိမ်တွင်းဒရုန်းများကို အသုံးပြုခြင်းဖြင့် ဤစျေးကွက်ကို ပစ်မှတ်ထားသည်။

Ofir Bar-Levav သည် Chief Business Officer ဖြစ်သည်။ GPS မရှိခြင်းကြောင့် အိမ်တွင်းဒရုန်းများကို အဆောက်အဦအတွင်း ၎င်းတို့ကိုယ်သူတို့ နေရာချထားခြင်းမှ အဟန့်အတားဖြစ်စေသည် (ပုံမှန်အားဖြင့် GPS ငြင်းဆိုထားသော သို့မဟုတ် မမှန်ပါ) ဟု ရှင်းပြသည်။ ထို့အပြင်၊ အဆင်ပြေပြီး ထိရောက်သော docking နှင့် powering solutions များ ချို့တဲ့နေပါသည်။ Indoor Robotics သည် ဒရုန်းတပ်ဆင်ထားသော ကင်မရာလေးလုံး (အပေါ်၊ အောက်၊ ဘယ်၊ ညာ) နှင့် အိမ်တွင်းအာကာသနှင့် ၎င်း၏အကြောင်းအရာများကို တိကျစွာ မြေပုံညွှန်းပေးသည့် ရိုးရိုးအကွာအဝေးအာရုံခံကိရိယာများဖြင့် ၎င်းကို ကိုင်တွယ်ဖြေရှင်းသည်။ ကင်မရာဒေတာ (ကင်မရာများသည် ဒေသအလိုက်ပြုလုပ်ခြင်းနှင့် မြေပုံဆွဲခြင်းဒေတာကို ပံ့ပိုးပေးသည်) နှင့် အပူအာရုံခံကိရိယာများ (ဒရုန်းပေါ်တွင်လည်း တပ်ဆင်ထားသည်) တို့ကို AI စနစ်ဖြင့် ခွဲခြမ်းစိတ်ဖြာပြီး ဖြစ်နိုင်ချေရှိသော လုံခြုံရေး၊ ဘေးကင်းရေးနှင့် ပြုပြင်ထိန်းသိမ်းမှုဆိုင်ရာ ပြဿနာများကို သိရှိနိုင်ပြီး သုံးစွဲသူကို သတိပေးရန် AI စနစ်ဖြင့် ပိုင်းခြားထားသည်။ ဒရုန်းများသည် တန်ဖိုးကြီးကြမ်းပြင်နေရာလွတ်ကို သက်သာစေပြီး အားသွင်းနေစဉ်အတွင်း ဒေတာစုဆောင်းမှုကို ခွင့်ပြုပေးသည့် မျက်နှာကျက်တွင်တပ်ဆင်ထားသည့် “docking tile” ဖြင့် ၎င်းတို့ကိုယ်သူတို့ အားဖြည့်ပေးပါသည်။ လူသားလုပ်သားစုဆောင်းမှု၊ ထိန်းသိမ်းမှုနှင့် လေ့ကျင့်မှုဆိုင်ရာ သတ်မှတ်ချက်များတွင် ရှုပ်ထွေးပြီး စျေးကြီးသည့် ဤလောကဓံလုပ်ငန်းစဉ်များကို အလိုအလျောက်လုပ်ဆောင်ခြင်း၏ ဘဏ္ဍာရေးဆိုင်ရာ အကျိုးကျေးဇူးများသည် ထင်ရှားသည်။ ဝေဟင်မှ ဒရုန်းများနှင့် မြေပြင်အခြေစိုက် စက်ရုပ်များကို အသုံးပြုခြင်းသည် အရင်းအနှီးနှင့် လည်ပတ်မှုကုန်ကျစရိတ်များ၊ ကြမ်းပြင်နေရာအသုံးပြုမှု ပိုမိုကောင်းမွန်ခြင်း၊ အတားအဆီးများနှင့် မကြုံတွေ့ရဘဲ လွတ်လပ်စွာ လှုပ်ရှားသွားလာနိုင်ခြင်းနှင့် ကင်မရာဒေတာဖမ်းယူခြင်း၏ ထိရောက်မှုတို့၌ သိသာထင်ရှားသော အားသာချက်များရှိသည်။ Mr. Bar-Levav ၏ အဆိုအရ Indoor Robotics' TAM (Total Addressable Market) သည် 80 ခုနှစ်တွင် ဒေါ်လာ 2026B ရှိလာမည်ဖြစ်သည်။ ယနေ့ခေတ်တွင် အဓိကဝယ်ယူသူနေရာများတွင် ဂိုဒေါင်များ၊ ဒေတာစင်တာများနှင့် ကမ္ဘာ့ထိပ်တန်းကော်ပိုရေးရှင်းများ၏ ရုံးခွဲများပါဝင်သည်။

Advertising

ကွန်ပျူတာအမြင်သည် ရွေ့လျားမှုအလိုအလျောက်စနစ်၊ လုံခြုံရေး၊ စမတ်အဆောက်အအုံစောင့်ကြည့်ခြင်း၊ လိမ်လည်မှုရှာဖွေခြင်းနှင့် လမ်းကြောင်းစီမံခန့်ခွဲမှုတို့တွင် ကိုယ်ပိုင်အုပ်ချုပ်ခွင့်ဂိမ်းကို တော်လှန်နေပါသည်။ တစ်ပိုင်းလျှပ်ကူးပစ္စည်းနှင့် AI တို့၏ စွမ်းအားများသည် အစွမ်းထက်သော စွမ်းဆောင်ရှင်များဖြစ်သည်။ ကွန်ပြူတာများသည် ဤမယုံကြည်နိုင်လောက်သော အာရုံခံမှုပုံစံကို အတိုင်းအတာတစ်ခုအထိ ကျွမ်းကျင်လာသောအခါ ဖြစ်နိုင်ချေများ အဆုံးမရှိပေ။