無論是傳統(tǒng)的工業(yè)機器人系統(tǒng)，還是當今最先進的協(xié)作機器人（Cobot），它們都要依靠可生成大量高度可變數(shù)據(jù)的傳感器。這些數(shù)據(jù)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(jù)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(jù)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(chǎn)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(jù)緊緊鏈接在一起從而實現(xiàn)智能的最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(jù)集入神經(jīng)網(wǎng)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(jīng)有了一個經(jīng)過培訓的AI系統(tǒng)，該系統(tǒng)能夠執(zhí)行特定任務，例如，調(diào)查組裝線上的瓶頸問題、計算和跟蹤一個房間內(nèi)的人員或確定賬單是否是偽造的。

但是，為了讓AI實現(xiàn)其在許多行業(yè)的應用前景，在推理（執(zhí)行培訓后的ML算法）期間必須實時或近實時完成傳感器數(shù)據(jù)的融合。為此，設計師需要在邊緣實施ML和深度學習模型，將推理功能部署到嵌入式系統(tǒng)中。

舉例來說，在工作場所設立協(xié)作機器人（如圖1），與人進行密切協(xié)作。它需要使用來自近場傳感器及視覺傳感器的數(shù)據(jù)，來確保它在成功防止人類受到傷害的同時，支持人類完成對于他們來說有難度的活動。所有這些數(shù)據(jù)都需要實時處理，但是云的速度達不到協(xié)作機器人需要的實時、低延時響應。要攻克這個瓶頸，人們把當今先進的AI系統(tǒng)發(fā)展到了邊緣領域，即，機器人意味著存在于邊緣設備中。

這種分布式AI模型依賴于高度集成的處理器，這種處理器具有：

豐富的外圍設備組，用于對接不同傳感器

高性能處理功能，以運行機器視覺算法

加速深入學習推理的方法。

此外，所有這些功能還必須高效工作，并且功耗相對低，體積相對小，以便由邊緣承載它們。

隨著ML的普及，我們經(jīng)過功耗和尺寸優(yōu)化的“推理引擎”的可獲得性也越來越高。這些引擎是專為執(zhí)行ML推理而專門設計的硬件產(chǎn)品。

集成式片上系統(tǒng)（SoC）在嵌入式空間內(nèi)通常是好的選擇，因為除包裹能運行深度學習推理的各種處理元件外，SoC還集成了使嵌入式應用變得完整的許多必要部件。

讓我們來分析一下當今時代中的熱門機器人發(fā)展趨勢。

協(xié)作機器人（協(xié)作機器人）

接近傳統(tǒng)的工業(yè)機器人沒有外圍設備，但是人們一般無法獲得它們。與之相反，協(xié)作機器人設計用于在運行時與人安全互動，緩慢而優(yōu)雅地移動。

根據(jù)ISO標準TS 15066的定義，協(xié)作機器人是一種能夠用在協(xié)作環(huán)境中的機器人，協(xié)作操作意味著機器人和人在定義的工作空間內(nèi)同步工作，進行生產(chǎn)操作（這不包括機器人 + 機器人系統(tǒng)或同地協(xié)作、在不同時間進行操作的人與機器人）。定義和部署協(xié)作機器人，可預測機器人的實體部分（如實際功能擴展，比方說激光）與操作員的潛在沖突。更重要的是，這會利用傳感器來確定操作員的精確位置和速度。

協(xié)作機器人制造者必須在機器人系統(tǒng)中實施高水平的環(huán)境感應和冗余，以便快速探測和防止可能的沖突。集成式傳感器與控制單元連接，將可傳感機器人臂與人或其他對象的迫在眉睫的沖突，控制單元將立即關閉機器人。如果任何傳感器或其電子電路故障，機器人也將關閉。

物流機器人

物流機器人是在可能有人或沒人的環(huán)境中操作的移動設備，如倉庫、配送中心、港口或園區(qū)等。物流機器人提取貨物并把貨物帶到包裝站，或者把貨物從公司站點的一棟建筑物運送到另一棟建筑物；某些物流機器人還能揀貨和包裝。這些機器人通常在特定環(huán)境中移動，需要傳感器進行定位、繪圖和防止沖突（特別是與人的沖突）。

直至最近，大多數(shù)物流機器人還在使用預定義的路線；而現(xiàn)在它們已經(jīng)能夠基于其他機器人、人和貨物的位置來調(diào)整它們的導航。超聲波、紅外線和LIDAR感應目前都是已投入應用的技術。鑒于機器人的移動性，位于其內(nèi)部的控制單元一般是通過無線方式與中央遠程控制通信。物流機器人目前已采用的先進技術，包括ML邏輯、人機協(xié)作及環(huán)境分析技術等。

勞動力成本上升和嚴格的政府法規(guī)，都促使物流機器人得到了更廣泛的應用。它們的受歡迎程度也水漲船高，因為設備和傳感器等部件的成本有所下降，集成的成本（和所需時間）也呈下行趨勢。

最后一英里交付機器人

在將產(chǎn)品從倉庫貨架運輸?shù)娇蛻糸T前臺階的過程中，“最后一英里”交付是物流過程的最后一步：將貨物最終運抵買家門前的時刻。這不僅對形成何等客戶滿意度很關鍵，同時最后一英里交付還是成本高昂和耗時的。

最后一英里交付的成本占據(jù)整個貨運成本的大頭：就其本身而言，使最后一英里交付更高效已經(jīng)成為開發(fā)和實施新機器人技術的重點，它能推動過程改進和提高效率。

機器人中AI的傳感器技術

取決于3D機器視覺來將數(shù)據(jù)饋送到AI技術中。若未能夠重建3D圖像的機器視覺，且AI將該視覺信息轉換成機器人方面的成功動作，則在沒有預定位置和運動的情況下抓住對象不可能實現(xiàn)。

當今用于支持機器人中AI的最流行和最相關的傳感器技術包括：

飛行時間（ToF）光學傳感器：這種傳感器基于ToF原理，采用光電二極管（單一的傳感器元件或一個陣列）和有源照明來測量距離。把從障礙物反射的光波與發(fā)射波進行比較，從而測量延遲，該值即代表距離。此數(shù)據(jù)有助創(chuàng)建對象的3D地圖。

溫度和濕度傳感器：許多機器人需要測量溫度，有的時候還要測量其所在環(huán)境與其部件的濕度，包括電機和主AI母板，以此確保它們在安全范圍內(nèi)運行。

超聲波傳感器：如果機器人在明亮環(huán)境下看不到東西或者在很暗的環(huán)境中找不到它自己，就說明視覺傳感器沒有工作。通過傳輸超聲波和聆聽從對象上反射回來的回波（類似于蝙蝠操作的原理），超聲波傳感器可在黑暗或明亮的環(huán)境中出色運行，克服光學傳感器的局限。

震動傳感器：工業(yè)震動傳感是預防性維護所必要的條件監(jiān)控的核心部分。集成式電子壓電傳感器是工業(yè)環(huán)境中最常用的震動傳感器。

毫米波傳感器：毫米波傳感器使用無線電波及其回波來確定移動物體的方向和距離，方法是測量三個因素：速度、角度和范圍。這幫助機器人基于物體接近傳感器的快慢來采取更多的預防措施。雷達傳感器在黑暗環(huán)境中的運行具有卓越性能，它能通過如干壁、塑料和玻璃等材料進行傳感。

雖然在工廠車間里人類仍然執(zhí)行大部分任務，但機器人將適應人類工作、提高自動化程度。為實現(xiàn)這一目標，他們需要配備更多的AI功能，以實時識別和適應各類情況，這只有在AI處在最前沿時才有可能實現(xiàn)。

審核編輯：郭婷