無論是傳統(tǒng)的工業(yè)機器人系統(tǒng)，還是當今的協(xié)作機器人（Cobot），它們都要依靠可生成大量高度可變數(shù)據的傳感器。這些數(shù)據有助于構建更佳的機器學習（ML）和人工智能（AI）模型。而機器人依靠這些模型變得“自主”，可在動態(tài)的現(xiàn)實環(huán)境中做出實時決策和導航。

工業(yè)機器人通常位于“封閉”環(huán)境中，出于安全原因，如果該環(huán)境中有人類進入，機器人會停止移動。但是限制人類/機器人協(xié)作，也使得很多益處無法實現(xiàn)。具有自主運行功能的機器人，可以支持安全高效的人類與機器人的共存。

機器人應用的傳感和智能感知非常重要，因為機器人系統(tǒng)的高效性能，特別是ML/AI系統(tǒng)，在很大程度上取決于為這些系統(tǒng)提供關鍵數(shù)據的傳感器的性能。當今數(shù)量廣泛且日益完善和精確的傳感器，結合能夠將所有這些傳感器數(shù)據融匯在一起的系統(tǒng)，就可以支持機器人具有越來越好的知覺和意識。

AI的發(fā)展

機器人自動化一直以來都是制造業(yè)的革命性技術，將AI集成到機器人中顯然將在未來數(shù)年中使機器人技術產生巨大變化。本文探討了當今機器人、自動化和把AI及AI所需數(shù)據緊緊鏈接在一起從而實現(xiàn)智能的*重要技術的某些關鍵發(fā)展趨勢，還討論了如何在AI系統(tǒng)中使用以及融匯不同的傳感器。

推動機器人的AI處理技術至邊緣計算

ML包括兩個主要部分：培訓和推理，可以在完全相異的處理平臺上執(zhí)行它們。培訓通常是以離線方式在桌面上進行或在云端完成，并且包括將大數(shù)據集入神經網絡。在此階段，實時性能或功能都不是問題。培訓階段的結果是在部署時已經有了一個經過培訓的AI系統(tǒng)，該系統(tǒng)能夠執(zhí)行特定任務，例如，調查組裝線上的瓶頸問題、計算和跟蹤一個房間內的人員或確定賬單是否是偽造的。