（文章來源：國際工業(yè)自動化網(wǎng)）

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(gòu)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(dǎo)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(yīng)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(guān)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(jié)合能夠?qū)⑺羞@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。

機器人自動化一直以來都是制造業(yè)的革命性技術(shù)，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(shù)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(shù)的某些關(guān)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。

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(luò)。在此階段，實時性能或功能都不是問題。培訓階段的結(jié)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(wù)，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(yīng)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(shè)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(shè)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(yīng)。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(lǐng)域，即，機器人意味著存在于邊緣設(shè)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(shè)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(shè)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(yīng)用變得完整的許多必要部件。