近日，克罗地亚初创公司Gideon Brothers宣布，完成由Pentland Group旗下的Pentland Ventures领投的第二轮265万欧元（合295万美元）的种子轮融资，并已开始进行大规模部署。
在这之前，Gideon Brothers曾通过天使融资筹集218万欧元（242万美元），其中包括2018年7月的76.5万美元。
发展至今，AGV经历了四代更迭，AGV 1.0为磁条或导线导航；AGV 2.0依靠二维码导航；AGV 3.0为激光视觉SLAM/视觉SLAM多传感器融合导航；AGV 4.0则是复杂场景下的无人驾驶机器人。
AGV3.0也有个名字，叫AMR。
与其他AMR公司不同，Gideon Brothers依靠视觉而不是激光雷达来实现安全导航。机器人通过深度学习与立体相机的结合，提供了同时定位和地图绘制（SLAM）的功能。
SLAM（SimultaneousLocalizationAnd Mapping），即同时定位与地图构建，SLAM技术对于机器人或其他智能体的行动和交互能力至为关键，因为它代表了这种能力的基础：知道自己在哪里，知道周围环境如何，进而知道下一步该如何自主行动。可以说凡是拥有一定行动能力的智能体都拥有某种形式的SLAM系统。
在未来的各类SLAM算法导航中，基于激光雷达的激光SLAM和基于机器视觉的视觉SLAM（VSLAM）是两种研究最多、最可能大规模落地应用的SLAM，基本代表着第三代AGV导航技术的发展方向。
在这两种SLAM导航方式中，目前应用较多的是激光SLAM，激光SLAM脱胎于早期的基于测距的定位方法(如超声和红外单点测距)。激光雷达距离测量比较准确，误差模型简单，在强光直射以外的环境中运行稳定，反馈信息本身包含直接的几何关系，使得机器人的路径规划和导航变得直观。激光SLAM理论研究也相对成熟，落地产品更丰富。
VSLAM，它可以从环境中获取海量的、富于冗余的纹理信息，拥有超强的场景辨识能力。早期的视觉SLAM基于滤波理论，其非线性的误差模型和巨大的计算量成为了它实用落地的障碍。近年来，随着具有稀疏性的非线性优化理论(Bundle Adjustment)以及相机技术、计算性能的进步，实时运行的视觉SLAM已经不再是梦想。
视觉SLAM算法门槛相对较高，首先图像处理本身就是一门很深的学问，基于非线性优化的地图构建上也是非常复杂和耗时的计算问题。实际环境中又需要通过优化和改进现有的视觉SLAM框架，比如加入光照模型、使用深度学习提取特征点以及使用单双目及多目融合视角等技术。
这也是视觉SLAM进一步提升性能和实用性的必由之路。
其次在定位精度方面，激光SLAM总体来讲较为缺乏回环检测的能力，累计误差的消除较为困难。而视觉SLAM使用了大量冗余的纹理信息，回环检测较为容易，即使在前端累计一定误差的情况下仍能通过回环修正将误差消除。
最后相比于视觉SLAM，激光SLAM有一个最大的成本问题。激光雷达有许多档次，成本均高于视觉传感器。虽然激光雷达量产后成本可能会大幅下降，但还是很难降到同档次摄像头的水平。
Gideon Brothers联合创始人兼首席执行官也表示，虽然激光雷达是一项很好的技术，但是2D雷达在现实使用中有较多的局限性。如果不考虑经济成本的话，3D雷达效果会更好。但是总体来说，摄像头视觉技术才是自主移动技术的未来，这同时也是客户的明确需求。
{{item.content}}