berkembang sangat cepat hanya dalam waktu yang singkat. Untuk memahami pergeseran teknologi ini, Lattice Semiconductor dan MassRobotics melakukan survei terhadap 40 profesional lintas ekosistem mulai dari insinyur hingga eksekutif, dari startup hingga perusahaan multinasional.
Hasil dari surveinya, terdapat enam tren utama yang membentuk cara robot dan sistem AI dirancang, dioperasikan, dan diamankan.
Enam Tren Utama dalam Robotika dan AI
Survei ini mengungkap sejumlah perubahan yang kini menjadi fokus industri:
1. Sensor Fusion untuk Deteksi Objek yang Lebih Akurat
Deteksi objek adalah fondasi otonomi robot. Kombinasi kamera (85%) dan LiDAR (67,5%) dinilai paling efektif oleh 75,7% responden. Sensor lain seperti Time-of-Flight (50%) dan IMU (62,5%) juga banyak digunakan. Tantangan utama berasal dari biaya, kompleksitas integrasi, kebutuhan kalibrasi, serta pemeliharaan. Industri membutuhkan solusi sensor fusion yang lebih sederhana dan hemat biaya.
2. Adopsi Edge AI yang Makin Kuat
Separuh responden (50%) telah menempatkan AI langsung di sensor atau pada perangkat. Dari kelompok ini:
- 72,7% menggunakan model machine learning
- 54,5% menerapkan Edge AI
- 40,9% memakai neural network
Perpindahan kecerdasan ke perangkat edge didorong oleh kebutuhan mengurangi latensi, meningkatkan kinerja real-time, dan menurunkan beban transfer data.
3. Kontrol Motor: Respons Real-Time Sangat Kritikal
Servo motor (55,3%), DC motor (44,7%), dan stepper motor (31,6%) menjadi pilihan terbanyak. Sebanyak 51,3% menilai respons real-time sangat kritikal dan 33,3% menyebutnya cukup kritikal. Tantangan yang paling sering muncul adalah real-time control (43,6%), efisiensi daya (41%), dan presisi (28,2%).
4. Konsumsi Daya: Upaya Berkelanjutan untuk Efisiensi
Mayoritas responden menilai kepuasan mereka terhadap konsumsi daya di level sedang (skor “3 dari 5”), dan hanya 10,5% yang sangat puas. Sebanyak 44,4% sistem robot menargetkan ambang daya 50–100 W, bahkan beberapa di bawah 10 W. Industri menginginkan pemrosesan on-board yang lebih efisien dan pengurangan ketergantungan pada GPU yang boros daya.
5. Keselamatan dan Keamanan: Tantangan Baru dalam Integrasi AI
Sebanyak 64% responden sudah menggunakan sensor redundan dan komponen bersertifikasi keselamatan. Namun integrasi AI menambah risiko baru:
- 48,6% menyebut ancaman siber sebagai tantangan terbesar
- 35,1% khawatir soal data protection
- 35,1% mengkhawatirkan integritas sistem
Kebutuhan akan keamanan perangkat keras seperti secure boot, enkripsi, dan tamper detection meningkat drastis seiring AI bergerak ke perangkat edge.
6. Bagaimana FPGA Menjawab Tantangan Industri
Dua white paper dari Lattice Semiconductor menunjukkan bagaimana FPGA dapat mengatasi tantangan sensor fusion, pemrosesan on-device, efisiensi daya, dan keamanan:
- Structured-Light 3D Scanning untuk Random Bin Picking
FPGA di dalam modul sensor dapat menghasilkan pola structured-light, menyinkronkan kamera, dan mengodekan gambar menjadi format 10-bit yang jauh lebih kecil — mengurangi bandwidth dari 680 MB menjadi 41 MB (16x lebih kecil) untuk skenario 1080p. FPGA juga dapat mengambil alih tugas berat seperti triangulasi dan segmentasi berbasis machine learning, sehingga mengurangi beban CPU/GPU dan menurunkan Bill of Materials (BOM). - Sensor Hub untuk Near-Sensor Low-Latency Data Fusion
Dengan memproses data kamera, LiDAR, dan radar secara paralel langsung di dekat sensor, FPGA mampu menurunkan latensi secara signifikan termasuk memproses data LiDAR VLP16 dalam 0,32 ms (dibandingkan 1,32 ms jika diproses melalui paket jaringan). Pendekatan ini menurunkan konsumsi daya dan meningkatkan akurasi dengan menggabungkan bounding box kamera, point cloud LiDAR, dan output radar. Aplikasi seperti virtual safety fence dan pemicu AI berbasis radar menjadi lebih efisien dan aman.
Lattice menggunakan Avant FPGA serta toolchain seperti HLS, Matlab/Simulink, sensAI Studio, dan Edge Vision Engine untuk mempercepat implementasi.
