汇博空间

上海高仙自动化科技发展有限公司

上海高仙自动化科技发展有限公司自2013年10月成立起长达8年时间深耕商用清洁细分领域，是一家专业从事智能服务机器人与自主导航定位解决方案产、销、研、服于一体的人工智能领域高科技公司，是国际上将激光雷达技术及相关算法大规模应用于智能清洁机器人领域的领先企业。

主营业务为服务机器人自主移动解决方案及清洁、环卫、安防、物流配送机器人领域的产品开发、生产、销售。

我司所研发生产的清洁服务机器人主要面向大型交通枢纽、星级酒店、园区景区、商业地产公司、大型工业物流公司、商业综合体、甲级写字楼、大型知名物业公司等公共卫生区域为服务场景提供整机及解决方案，目前产品以清洁消毒机器人、扫地机器人、导航模块、配送机器人、石材打磨机器人、重油污清洁机器人、无人环卫车为主，同时不断拓展各产品线，型号达10款之多。。品现通过欧盟质量管理体系ISO:9001、中国机器人联盟CR、欧盟CE、北美FCC+IC、北美DoE+CEC认证、UL认证，公司累计申请专利375件，已授权147件，机器人各系列产品自2014年发布以来，凭借广泛的场景适用性，现已完成五轮迭代，累计向全球40余个国家和地区的1000多家企业客户提供了近1.5亿公里服务，在清洁机器人市场拥有近70%的占有率。历时8年发展，高仙机器人现已在国内外设立新加坡、上海、北京、苏州四大研发中心与两大产业化基地建设面积超过25000平米，同时在全球建成了以长三角、珠三角、港台、及海外为中心的全国服务与销售网络，在国内一、二线城市设有20多个代表处。

截止2021年9月全球共员工1110人，研发工程师415人，占比超37%，本硕博及海归占比88%，集聚了英国剑桥、新加坡国立大学、意大利博洛尼亚大学、清华、上海交大、复旦、同济大学等一批海内外顶尖学府的本硕博人才，2020年获得“浦东新区研发机构”。

公司累计获得7轮融资，主要投资人包括：美团、腾讯、中信建投、龙湖地产、KIP资本、蓝驰创投等国内外知名风投机构，2021年7月完成C轮融资，获得今日资本、软银愿景1.5亿美金投资。

近年来，公司被工信部授予“2021年专精特新小巨人第三批”、“2021年专精特新小巨人第二批第一年支持企业”、上海市“高新技术企业”、“专精特新”、“软件企业”、“上海市小巨人培育企业”、“上海市浦东研发机构”、“浦东重点机构”、“2021年上海市专利工作试点示范单位”、“上海技术发明奖一等奖”、2020年起，高仙机器人肩负起赛道领航者责任，受命推进服务机器人、清洁机器人相关标准的建立，其中服务机器人团体标准已于2021年4月完成授牌。

1.基于单目相机的深度估算

【课题介绍】：对环境深度的感知，是各种机器人应用的核心功能之一。包括无人机、高低速自动驾驶等，都依赖于深度感知能力来躲避障碍物，或实现比如物体跟踪、自动跟车、定速巡航等功能。为了获得深度感知能力，大部分的解决方案是增加就具备深度测量的传感器，比如激光雷达、RGBD相机、双目相机等。这些设备，尤其是激光雷达，极大的增加了机器人的成本。一些前沿的学术研究，以及如特斯拉汽车一样的工业应用，展示了通过单目相机，以及深度学习算法来实现深度测量的可能性。但是该项技术依赖于前沿的深度学习、计算机视觉技术，这些技术尚未完全成熟，尤其是深度估算的准确性直接决定了自动驾驶的安全性，所以该课题依然是国内外学术界、工业界持续投入的热门课题。

【研究基础及产出】：高仙机器人拥有丰富的室内外落地场景，并已建立多模态数据库，包含海量的基于实际运行的RGB图像、RGBD图像、红外图像、2D/3D激光雷达、毫米波雷达数据，及相应的人工标注。相应的，高仙拥有强大的高性能计算机集群。同时，高仙丰富的产品线包含了众多的硬件平台，包括nvidia、intel、地平线等AI推理硬件。本课题的产出预计包括国内外知名学术会议、期刊的论文，以及成果在高仙机器人的产品中的落地转化。

2.基于相机和激光雷达的深度补全

【课题介绍】：对环境深度的感知，是各种机器人应用的核心功能之一。包括无人机、高低速自动驾驶等，都依赖于深度感知能力来躲避障碍物，或实现比如物体跟踪、自动跟车、定速巡航等功能。大部分应用都需要获得稠密的深度估算，以实现对小物体、远处物体的识别。然而像激光雷达等常用的深度测量传感器，只能获得稀疏的深度测量。部署更多的激光雷达、或者性能更好的激光雷达，会导致成本的急剧上升。学术界提出的一个解决思路，是用低成本的相机和低成本的激光雷达，实现对稀疏的激光测量数值的上采样，在相机图像上获得稠密的深度数值，即每个像素都能获得深度值。由于激光雷达的测量会被有效利用，这一技术具备较高的可靠性，可以满足如L4自动驾驶等对安全性要求极高的应用。

3.无监督的图像或点云神经网络预训练

【课题介绍】：以自动驾驶为例，基于图像的深度网络包括物体检测、深度估算、场景语义分割、车道线识别、红绿灯识别、交通指示牌识别等；基于激光雷达点云的深度网络包括3D物体识别、场景语义分割、物体轨迹预测等。这些模型的训练都需要海量的数据和相应的人工标注。其中数据的获取相对容易，因为车辆运行过程中每时每刻都在能从各个传感器中获取数据。但是标注则需要花费大量的人力物力，所以有标注的数据通常只占总数据量的极小一部分。本课题的目标，就是充分利用没有标注的数据，来对神经网络进行预训练，以提高如目标检测、语义分割等有监督任务的性能。无监督预训练技术是近年来在学术界兴起的一个前沿课题，如MoCo系列的图像预训练技术，已经在大量的企业中被证实能有效提高神经网络的性能。

4.基于激光点云、图像或多模态的三维目标检测

【课题介绍】：包括高低速自动驾驶在内的众多机器人应用中，往往要进行对周围动静态物体进行三维目标检测，以获得其三维位置和大小，以实现对各种物体的避障或追踪功能。要实现三维目标检测，所需要的输入既可以是具备深度信息的三维点云，也可以是不具备深度信息的图像。这两种输入下实现三维目标检测一直都是学术界、工业界的研究热点和难点。前者以激光点云为输入，点云具备稀疏、无序等特性，难以用传统的卷积神经网络处理，需要设计独特的神经网络。后者以图像为输入，则是需要从二维信息输入中估算出目标的三维位置。而在实际的工业应用中，往往还需要考虑第三种输入信息，即同时具备点云和图像的多模态输入。如何处理三维点云、二维图像的跨模态处理，一直是深度学习的难点之一。此外，工业应用中的三维目标检测还需要解决运算量、样本不均衡等问题。

5.神经网络的压缩与量化技术

【课题介绍】：以自动驾驶为例，基于图像的深度网络包括物体检测、深度估算、场景语义分割、车道线识别、红绿灯识别、交通指示牌识别等；基于激光雷达点云的深度网络包括3D物体识别、场景语义分割、物体轨迹预测等。大量同时运行的神经网络对计算平台提出了极高的算力要求，即导致了更高的成本。神经网络的压缩、量化是重要的解决方案之一。模型压缩包括了模型蒸馏、模型剪枝等方法来实现更小的网络模型。模型量化将通常的32位浮点数运算，降低到8位整数甚至4位、2位整数，实现数倍的运算加速。由于能直接降低算力成本，压缩和量化技术在工业应用已经有大规模的应用，并且学术界和工业界也一直致力于进一步提高这些神经网络加速算法。

6.AutoML-自动机器学习

【课题介绍】：以自动驾驶为例，基于图像的深度网络包括物体检测、深度估算、场景语义分割、车道线识别、红绿灯识别、交通指示牌识别等；基于激光雷达点云的深度网络包括3D物体识别、场景语义分割、物体轨迹预测等。每一个神经网络都设计大量的人工优化，比如数据预处理方法、特征选择、模型结构设计、超参数选择、输出后处理等。近年来AutoML的出现，使得这些人工设计都能被全部或部分的自动化，AutoML包括自动特征工程（AutoFE）、超参数优化（HPO）、元学习（meta-learning）、神经网络架构搜索（NAS）等方向。AutoML的出现，让模型的设计和调优变得更加容易，也能让模型获得更好的性能、更低的算力要求。

7.神经网络的多任务学习（MTL）技术

【课题介绍】：以自动驾驶为例，基于图像的深度网络包括物体检测、深度估算、场景语义分割、车道线识别、红绿灯识别、交通指示牌识别等；基于激光雷达点云的深度网络包括3D物体识别、场景语义分割、物体轨迹预测等。实际上不同任务之间是存在关联的，比如红绿灯识别和交通指示牌识别，可能某些特征是可以共享的。多任务学习可以充分利用不同任务之间的关联、排斥等特性，来设计合适的网络架构和训练方法，使得多个任务可以协同训练，互相促进，以获得更好的性能。同时，这些模型如果都是单独运行的话，会耗费大量的运算资源。多任务学习的一个方向是单骨干多头（Single Backbone Multiple Head），让不同模型共享数据和部分网络架构，在获得更高的性能的同时，降低对运算资源的要求。

8.神经网络的持续学习技术

【课题介绍】：包括高低速自动驾驶在内机器人应用，都拥有并且需要处理海量的数据。深度学习作为数据驱动的典型代表，能从数据中学习出所需的算法，实现目标检测、语义分割等功能。但是深度学习目前还不具备逻辑推理能力，泛化能力还达不到强人工智能的水平。在工业界的典型开发模式中，需要不断的发掘边缘情况（corner case）的数据，用于训练模型以解决这些边缘问题。但是在训练过程中，可能会出现灾难性遗忘问题（catastrophic forgetting），即新增的数据解决了新的边缘问题，却让模型遗忘了曾经解决过的问题。持续学习（增量学习、终身学习）技术，能有效的提高模型在迭代过程中的性能和稳定性。同时，随着数据量的积累，每次迭代都要在所有数据上重新训练模型，将会导致严重的算力成本问题。持续学习的出现也能有效的缓解这些成本问题。

9.自动驾驶场景下的数据挖掘与主动学习

【课题介绍】：包括高低速自动驾驶在内机器人应用，都拥有并且需要处理海量的数据。深度学习作为数据驱动的典型代表，能从数据中学习出所需的算法，实现目标检测、语义分割等功能。但是，海量的数据中，重要的数据往往被淹没在大量的普通数据中。这会导致标注成本上升、算法无法有效学习到最重要的信息等问题。有效的数据挖掘技术、主动学习技术，能从大量的未标注数据中，找出最有效、最重要的数据用于标注和模型训练。这将极大的提高标注和训练效率、降低标注成本，以及提高模型的性能。

10.自动驾驶下的车道线检测

【课题介绍】：公开道路的自动驾驶场景下，车道线的识别是一个关键任务，会直接影响到辅助驾驶、定速巡航、语义定位、切换车道等功能实现。相比于动态物体检测等问题，车道线是具有强烈的先验信息（prior）的。一方面我们可以从地图和GPS定位等信息中获得大致的车道线分布，另一方面，车道线具有比较固定的形态。如何在深度学习中将视觉检测分割技术与先验信息结合在一起，既是学术界中的难点，也是自动驾驶应用中的重要一环。

【研究基础及产出】：高仙机器人拥有封闭园区及公开道路上的丰富落地场景，并已建立多模态数据库，包含海量的基于实际运行的RGB图像、红外图像、2D/3D激光雷达、毫米波雷达数据，及相应的人工标注。相应的，高仙拥有强大的高性能计算机集群。同时，高仙丰富的产品线包含了众多的硬件平台，包括nvidia、intel、地平线等AI推理硬件。本课题的产出预计包括国内外知名学术会议、期刊的论文，以及成果在高仙机器人的产品中的落地转化。

11.物体追踪与轨迹预测

【课题介绍】：在室内、室外的高低速自动驾驶应用中，机器人往往处在复杂的环境中。周围有大量的快速移动的行人、车辆，还会相互遮挡。这些复杂的动静态物体，对机器人感知和路径规划任务提出的巨大的挑战。其中物体追踪与轨迹预测，能帮助机器人区分不同物体的身份属性，并预测其未来的行走轨迹，这将有效的帮助机器人实现避障和路径规划。传统的物体追踪和轨迹预测算法，受限于固定的运动模型、物体特征不准确等物体，难以在复杂环境下获得足够的性能。近年来基于深度学习的物体追踪与轨迹预测算法，以数据驱动的方式极大的提高的这项任务的性能，并且成功的在部分L4自动驾驶企业中落地。

12.面向室内移动机器人的鲁棒视觉SLAM技术

【课题介绍】：视觉SLAM技术通过图像信息对空间进行三维建模，同时获得机器人在空间中的三维位姿，是一种理想的移动机器人定位导航方式。于此同时，视觉传感器还可以提供丰富的场景信息，实现机器人对场景的进一步语义理解。近年来，随着SLAM理论框架的成熟和嵌入式处理器计算能力的提升，视觉SLAM成为了研究热点和业界趋势。然而开发一套可落地在室内移动机器人上的视觉SLAM系统仍然面临诸多挑战，比如稀疏纹理场景，光照变化，计算资源占用高/功耗大，传感器在线标定等。因此一套面向移动机器人的实时鲁棒的视觉SLAM系统意义重大。

【研究基础及产出】：高仙机器人当前正在研发视觉SLAM系统。课题承担人需与高仙团队一起，面向自主移动机器人在室内场景下的自主导航需求，设计研发可以在嵌入式处理器上实时运行的鲁棒视觉SLAM系统，并完成产品化原型系统和演示验证。研究内容包括：鱼眼相机建模与标定，图像增强，鲁棒特征提取与三维建模，优化求解器加速，嵌入式计算加速等。

13.机器人安全防火墙

【课题介绍】：对于在公共场所工作的服务机器人，为避免恶意网络攻击导致物理伤害，开发一套使机器人拒绝执行会导致碰撞或跌落的最小系统，并综合利用现代处理器的安全保护机制、专用板卡、加解密等技术保护该系统的可执行程序和数据流免受篡改，最终实现即便攻击者获得操作系统最高权限，也无法控制机器人造成伤害的防护机制。

【研究基础及产出】：公司现有完整自研的机器人自主移动技术方案和产品，有对障碍物和危险区域的感知算法，有嵌入式系统软硬件研发能力。本课题需重点关注最小安全系统的设计和硬件保护机制，实现机器人在任何恶意远程控制下均不会碰撞或跌落的效果演示。

14.基于强化学习的机器人局部路径规划与控制

【课题介绍】：针对机器人实际部署场景中路径规划与控制的部分难点问题，如精准对桩、狭窄区域通行、高人流环境导航等，利用强化学习算法，实现超过现有算法效果的局部路径规划与控制方案，且具备对环境变化和传感器标定误差的鲁棒性。

【研究基础及产出】：公司现有规划控制算法，能够在绝大多数场景下可靠工作。公司现有仿真系统，支持各类场景的虚拟仿真。本课题需重点关注机器人导航中的疑难问题，利用机器学习方法，通过仿真和真实场景训练，得到一套规划控制模型，能够针对设定问题，在真实场景中稳定可靠工作。

15.机器人大范围自主探索建图

【课题介绍】：针对自主移动机器人在商场、医院等大型场景部署时的建图问题，建立一套自主或半自主探索建图方案，在探索效率、建图覆盖率、安全性等相关指标上取得突破性进展，并完成产品化原型系统和可行性分析。

【研究基础及产出】：公司现有的建图方案，能够在人工推行机器人的过程中，实时生成和扩展地图，支持回环检测和全局地图优化，已在大量客户现场得到验证。公司现有对各类障碍物和不可作业区域的感知模块，能够实时汇总输出可通行区域和各类地图标注。课题需重点关注自动探索建图过程中的路径规划问题，同时优化覆盖效果和回环效果，以及探索过程中的安全问题，如对楼梯、玻璃墙等危险区域的可靠检测。